研究人员开发了一种优化深度可微分逻辑门网络（LGNs）和查找表网络（LUTNs）的新颖方法。这种训练方法使用概率分布来选择每个门或LUT输入引脚的连接，从而能够同时学习最优的门类型和LUT条目。优化的LGNs在MNIST手写数字和Fashion-MNIST等基准测试中表现出卓越的性能，在MNIST上达到了98.92%的准确率，并且与标准的固定连接LGNs相比，所需的逻辑门数量显著减少。 AI
影响 这项研究可能带来参数更少、计算需求更低的更高效的AI模型。
排序理由 该集群包含一篇详细介绍优化AI网络新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.09399v1 Announce Type: cross Abstract: We introduce a novel method for both partial and full optimization of the connections in deep differentiable logic gate networks (LGNs) and lookup table networks (LUTNs). Our training method utilizes a probability distribution ove…
We introduce a novel method for both partial and full optimization of the connections in deep differentiable logic gate networks (LGNs) and lookup table networks (LUTNs). Our training method utilizes a probability distribution over a set of connections per gate/lookup table (LUT)…