Ruta TinyML en FPGA y microcontroladores¶
Esta es una guía de estudio para entrar en TinyML y Edge AI viniendo del hardware. Asume experiencia con FPGA (Vivado, Zynq, VHDL), con microcontroladores (Arduino, ESP32, STM32) y con algoritmos combinatorios de selección de rasgos (testores y reductos de conjuntos aproximados), pero ninguna experiencia en aprendizaje automático.
Idea central
En TinyML casi todos llegan desde el aprendizaje automático y les falta hardware. Aquí se hace el camino inverso. El objetivo no es solo aprender a desplegar modelos, sino llegar a una línea de investigación publicable donde la experiencia en hardware y en combinatoria booleana sea la ventaja.
¿Qué es TinyML?¶
TinyML es ejecutar modelos de aprendizaje automático en dispositivos con muy pocos recursos: microcontroladores con decenas o cientos de kB de RAM, consumos de milivatios, o pequeños bloques de lógica en una FPGA. El modelo se entrena en un PC o en la nube y después se comprime (cuantización, poda, destilación) para que quepa y corra en tiempo real en el dispositivo.
Para una buena introducción de 30 minutos, lee la sección 1 del survey de Lin et al. (2023), "Tiny Machine Learning: Progress and Futures".
El camino en un vistazo¶
flowchart LR
F1["Fase 1<br/>ML para ingenieros<br/>(3 semanas)"] --> F2["Fase 2<br/>FINN en la ZedBoard<br/>(2 semanas)"]
F2 --> F3["Fase 3<br/>Redes basadas en LUT<br/>(2 semanas)"]
F3 --> F4["Fase 4<br/>Reductos para reducir fan-in<br/>(2-3 semanas)"]
F4 --> R["Resultado preliminar<br/>publicable"]
| Fase | Qué se aprende | Dónde se trabaja |
|---|---|---|
| 1. ML para ingenieros | Entrenamiento, redes MLP y CNN, cuantización, poda | Mac (PyTorch con MPS) o Colab/Kaggle |
| 2. FINN en la ZedBoard | Flujo Brevitas → QONNX → FINN → Vivado | PC Ubuntu con Vivado 2022.2 |
| 3. Redes basadas en LUT | LogicNets, PolyLUT, NeuraLUT | Mac para entrenar, PC para sintetizar |
| 4. Reductos y fan-in | Aporte propio: selección exacta de entradas por neurona | Ambos |
Cómo usar este sitio¶
- Lee primero Contexto. Ahí está qué hardware sirve, qué herramientas son compatibles y por qué se eligió esta línea.
- Sigue la Guía de estudio fase por fase. Cada fase tiene objetivos, lecturas, videos y una lista de comprobación.
- Haz las Tareas. Son lo que de verdad construye el dominio del tema; leer sin practicar no basta.
- Usa Recursos como biblioteca de referencia y el Glosario cuando aparezca un término nuevo.
- Grupos resume las líneas de grupos afines con los que tiene sentido colaborar.
Criterio de dominio
La guía está pensada para que, al terminar, puedas:
- explicar entrenamiento, cuantización (QAT frente a PTQ) y poda sin dudar;
- haber recorrido tú mismo el flujo completo hasta un bitstream en la ZedBoard;
- explicar LogicNets, PolyLUT y NeuraLUT, sus limitaciones y sus resultados en los benchmarks estándar;
- tener un resultado preliminar propio.
Estado¶
- Revisión bibliográfica inicial (noviembre de 2026)
- Entorno PyTorch en Mac M4 con MPS
- Fase 1
- Fase 2
- Fase 3
- Fase 4
Sobre las referencias
Las referencias se revisaron en noviembre de 2026. Las marcadas como [NV] no se pudieron verificar; compruébalas antes de citarlas.