Saltar a contenido

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

  1. Lee primero Contexto. Ahí está qué hardware sirve, qué herramientas son compatibles y por qué se eligió esta línea.
  2. Sigue la Guía de estudio fase por fase. Cada fase tiene objetivos, lecturas, videos y una lista de comprobación.
  3. Haz las Tareas. Son lo que de verdad construye el dominio del tema; leer sin practicar no basta.
  4. Usa Recursos como biblioteca de referencia y el Glosario cuando aparezca un término nuevo.
  5. 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.