Líneas de investigación¶
Por qué no "TinyML en general"¶
El campo está saturado de artículos del tipo "desplegamos el modelo X en el microcontrolador Y". Esos trabajos ya no entran en revistas Q1. Para publicar con impacto hay que aportar algo que la comunidad no tenga: un método nuevo, una herramienta o datos propios. La ventaja aquí es la combinación de hardware reconfigurable con combinatoria booleana (testores y reductos).
Línea 1 (recomendada): redes basadas en LUT con selección exacta de entradas¶
La idea en tres párrafos¶
Una FPGA está hecha de LUT (tablas de búsqueda): pequeñas memorias que implementan cualquier función booleana de unas pocas entradas, típicamente 6. Una neurona de una red neuronal normal multiplica y suma cientos de entradas. Pero si una neurona tiene pocas entradas, cada una de pocos bits, entonces toda la neurona es una función booleana pequeña y cabe en una o pocas LUT. No hacen falta multiplicadores: la neurona entera se convierte en una tabla de verdad.
Esa es la idea de LogicNets (Umuroglu et al., FPL 2020), que entrena redes con conectividad dispersa y pocos bits y luego las convierte a tablas de verdad en Verilog. PolyLUT (Andronic y Constantinides, 2023) hace que cada neurona aprenda una función polinómica en lugar de lineal, aprovechando mejor la tabla. NeuraLUT (2024) mete una pequeña red entera dentro de cada LUT. Las redes de compuertas lógicas diferenciables (Petersen et al., NeurIPS 2022 y 2024) van más lejos y aprenden directamente qué compuerta lógica es cada nodo.
El cuello de botella es el fan-in: el tamaño de la tabla crece como \(2^{F \cdot \beta}\), donde \(F\) es el número de entradas por neurona y \(\beta\) los bits por entrada. Por eso es crucial qué entradas se conectan a cada neurona. LogicNets elige esa conectividad al azar; PolyLUT y trabajos posteriores usan poda aprendida. Elegir esas entradas es exactamente un problema de selección de atributos: el terreno de los testores y reductos.
El aporte posible¶
- Usar reductos (subconjuntos mínimos de atributos que preservan la capacidad de discriminar) para decidir las entradas de cada neurona-LUT, o de la capa de entrada.
- Comparar contra conectividad aleatoria (LogicNets) y poda aprendida (PolyLUT) en precisión, número de LUT y latencia.
- Llevar los algoritmos propios (GCreduct, MinReduct) y sus aceleradores FPGA a este nuevo uso.
Riesgo honesto
Puede que la selección exacta no supere a la poda aprendida en precisión. En ese caso el aporte se reorienta: costo de cómputo de la selección, garantías de minimalidad, o selección de entradas para la primera capa. Conviene saberlo pronto (es el objetivo de la Fase 4).
Sobre el hueco en la literatura
En la revisión de noviembre de 2026 no se encontraron trabajos que usen reductos o testores para la conectividad de redes LUT. Eso no prueba que no existan: antes de comprometerse, hay que hacer una búsqueda sistemática (por ejemplo, en OpenAlex o Semantic Scholar).
Línea 2: selección de rasgos exacta como compresión en microcontroladores¶
En un microcontrolador, cada rasgo de entrada cuesta: tiempo de adquisición, memoria, cómputo de preprocesado. Reducir rasgos con garantías (reductos) antes de entrenar es una forma de compresión poco estudiada en TinyML. Un artículo de 2025 señala que el preprocesado y la selección de rasgos están poco investigados en TinyML (MDPI AI 6(6):107).
Referencia previa: Nesterenko y Lewis (2022), "Rough Sets for Intelligence on Embedded Systems", Springer.
Línea 3: ML en el borde para radar meteorológico¶
El receptor digital de radar sobre Zynq (proyecto LAMULA) da datos propios y un problema real. La revisión no encontró trabajos de ML en FPGA para radar meteorológico; solo nowcasting en GPU (survey: arXiv 2406.04867). Candidatos: clasificación de ecos (clutter frente a precipitación), detección de interferencias, control de calidad de datos en el propio receptor.
Referencias cercanas en radar FMCW de corto alcance:
- Strobel et al. (2024), "Gesture Recognition for FMCW Radar on the Edge", Cortex-M4 con menos de 120 kB de RAM.
- TinyRadarNN, arXiv 2006.16281.
Comparación¶
| Línea | Encaje con experiencia previa | Riesgo | Rapidez para publicar |
|---|---|---|---|
| 1. Redes LUT + reductos | Muy alto | Medio | Media-alta |
| 2. Selección de rasgos en MCU | Alto | Bajo | Alta, pero menor impacto |
| 3. Radar meteorológico | Alto (datos propios) | Medio-alto (datos, etiquetado) | Baja-media |
Recomendación: concentrarse en la línea 1 durante los primeros 3 a 6 meses. La 2 puede salir como subproducto. La 3 es una apuesta a mediano plazo.