DiffLUT-Net：具有可学习连接性的现场可编程门阵列查找表网络可微训练
arXiv cs.AI · · 发布于 2026-09-11 · 2 分钟阅读
现场可编程门阵列能够高效进行神经网络推理，但多数部署流程要么加速乘加运算，要么把预训练量化模型转换为查找表。本文提出 DiffLUT-Net，这是一种由六输入查找表连接、从零开始训练的原生网络。研究通过可微查找表函数松弛和硬件源选择，联合学习每个查找表的 64 个真值表条目及其六个输入端口各自的来源。训练后，真值表和连接被离散化，未使用逻辑可剪枝，网络可直接导出为可综合的硬件描述代码。在五个基准上，DiffLUT-Net 取得有利的精度—资源权衡。结果说明，联合学习查找表函数与稀疏连接对紧凑的原生推理有效。代码见 https://github.com/TUDa-HWAI/DiffLUT-Network。
当前来源仅提供摘要，以下要点基于摘要生成；可通过官方原文查看完整信息。研究目标
面向 FPGA 上高效的神经网络推理，探索不依赖传统乘累加加速或预训练量化模型转换的部署路径。
核心方法
提出 DiffLUT-Net，一种由六输入查找表连接、从零训练的网络。
联合学习内容
同时学习每个查找表的 64 个真值表条目，以及其六个输入端口各自的来源。
可微技术
使用可微的查找表函数松弛和硬件源选择，使真值表与连接关系可在训练中优化。
训练后处理
训练完成后对真值表和连接进行离散化，可剪除未使用逻辑。
硬件导出
网络可直接导出为可综合的 Verilog。
实验结果
在五个基准上取得有利的精度与资源权衡。
研究结论
结果表明，联合学习查找表函数与稀疏连接，对紧凑的 FPGA 原生推理是有效的。
代码可用性
原文称代码可在指定 GitHub 仓库获取，但原文与导语给出的仓库名不一致。
SOURCES
共 1 个来源来源与引用
官方原文arXiv cs.AI 原始发布2026-09-11 · 一手信息https://arxiv.org/abs/2609.09254