Fase 3: redes basadas en LUT (2 semanas)¶
Objetivo: dominar la familia LogicNets → PolyLUT → NeuraLUT → redes de compuertas lógicas diferenciables, reproducir sus resultados en jet tagging y sintetizar los diseños en Vivado para la ZedBoard.
La idea¶
En una FPGA, una neurona con \(F\) entradas de \(\beta\) bits es una función booleana de \(F \cdot \beta\) bits de entrada. Si \(F \cdot \beta\) es pequeño, la neurona entera es una tabla de verdad que se implementa con LUT, sin multiplicadores ni sumadores. La inferencia es una cascada de tablas: latencias de pocos nanosegundos.
Con \(F = 6\) y \(\beta = 2\) ya son \(2^{12} = 4096\) entradas. Por eso el fan-in se mantiene muy bajo y la elección de qué entradas ve cada neurona es crítica. Ahí entra la Fase 4.
flowchart LR
L["LogicNets (2020)<br/>neurona lineal, conectividad dispersa aleatoria"] --> P["PolyLUT (2023)<br/>neurona polinómica"]
P --> N["NeuraLUT (2024)<br/>mini-red dentro de cada LUT"]
N --> NA["NeuraLUT-Assemble (2025)<br/>ensamblado de LUT"]
D["Redes de compuertas<br/>lógicas diferenciables (2022, 2024)"] -.-> N
Lecturas, en orden¶
- Umuroglu, Akhauri, Fraser y Blott (2020), "LogicNets: Co-Designed Neural Networks and Circuits for Extreme-Throughput Applications", FPL 2020.
- Andronic y Constantinides (2023), "PolyLUT: Learning Piecewise Polynomials for Ultra-Low Latency FPGA LUT-based Inference", ICFPT 2023. Versión extendida en IEEE Transactions on Computers 74(9), 2025.
- Andronic y Constantinides (2024), "NeuraLUT: Hiding Neural Network Density in Boolean Synthesizable Functions", FPL 2024.
- NeuraLUT-Assemble, arXiv 2504.00592, y PolyLUT con poda estructurada, arXiv 2501.08043.
- Petersen et al. (2022), "Deep Differentiable Logic Gate Networks", NeurIPS 2022, y (2024) "Convolutional Differentiable Logic Gate Networks", NeurIPS 2024.
- ReducedLUT, arXiv 2412.18579: compresión de tablas aprovechando los valores "don't care". Muy cercano a la minimización booleana clásica.
Lecturas de contexto:
- Duarte et al. (2018), "Fast inference of deep neural networks in FPGAs for particle physics". De dónde viene el benchmark de jet tagging y por qué importa la latencia de nanosegundos.
- Preprints recientes: WARP-LUTs (arXiv 2510.15655), BitLogic (arXiv 2602.07400), análisis de recursos de redes de compuertas lógicas en FPGA (arXiv 2605.04109).
Código¶
- LogicNets: incluye ejemplos de jet tagging y UNSW-NB15.
- PolyLUT y NeuraLUT.
- difflogic: redes de compuertas lógicas diferenciables.
Entornos separados
Cada repositorio fija sus versiones de PyTorch y Brevitas. Crea un entorno por repositorio (uv venv en su carpeta) e instala exactamente lo que pide su README o requirements.txt.
Semana 6: LogicNets¶
- Entrenar el modelo de jet tagging de LogicNets en el Mac.
- Generar el Verilog de tablas de verdad.
- Sintetizar en Vivado 2022.2 para el XC7Z020 y anotar LUT, FF, frecuencia y latencia.
- Comparar con las cifras del artículo.
Semana 7: PolyLUT y NeuraLUT¶
- Reproducir PolyLUT en jet tagging con el mismo fan-in que LogicNets.
- Reproducir NeuraLUT, al menos una configuración.
- Construir una tabla comparativa: precisión, LUT, latencia, frecuencia, para LogicNets, PolyLUT y NeuraLUT.
- Leer el código de cómo cada método elige la conectividad. Es exactamente lo que se modificará en la fase 4.
Lista de comprobación de la fase 3¶
- Puedo explicar por qué el costo crece como \(2^{F \cdot \beta}\) y cómo cada método lo enfrenta.
- Reproduje al menos dos métodos y obtuve cifras cercanas a las publicadas.
- Sinteticé los diseños en Vivado para la ZedBoard.
- Sé dónde está, en el código, la selección de conectividad de cada método.