Una nova publicació amb la participació de Jordi Solé-Casals, membre del grup de recerca Data and Signal Processing,  ha estat publicada a la revista internacional Cognitive Computation sota el títol: “HSBNN: A High-Scalable Bayesian Neural Networks Accelerator Based on Field Programmable Gate Arrays (FPGA)”.

Accelerant les xarxes neuronals bayesianes amb maquinari eficient
L’objectiu principal d’aquesta recerca és dissenyar un accelerador d’alta escalabilitat per a xarxes neuronals bayesianes (BNN) implementat en Field Programmable Gate Arrays (FPGA). Aquest enfocament permet fer inferència amb avaluació d’incertesa —una característica clau de les BNN— mantenint un baix consum energètic i latència reduïda, especialment en dispositius de vora (edge computing).
El treball és rellevant perquè les xarxes neuronals convencionals (ANN) poden sobreajustar-se i oferir prediccions massa confiades, mentre que les BNN introdueixen un component probabilístic que permet quantificar la incertesa. A més, moure el càlcul a la vora dels sistemes redueix la latència, el consum i els riscos de privadesa associats a l’enviament de dades al núvol.

Metodologia i desenvolupament del sistema
L’equip ha implementat HSBNN en FPGA utilitzant OpenCL i una arquitectura pipeline basada en kernels i channels, que permet processar la informació capa a capa sense necessitat de reprogramar el maquinari.
El sistema incorpora un generador gaussià de nombres aleatoris altament eficient (RS-GRNG), basat en LFSR, per al mostreig de pesos variacionals. Els experiments s’han realitzat sobre la base de dades MNIST, amb una xarxa neuronal bayesiana de dues capes fully connected i truncament de pesos i biaixos a 8 bits. Aquesta configuració permet maximitzar l’eficiència i l’escalabilitat en entorns amb recursos limitats.

Resultats i línies futures
Els resultats mostren que HSBNN aconsegueix una alta eficiència computacional i escalabilitat, obrint la porta a noves aplicacions en dispositius amb recursos restringits.
Com a pròximes línies de treball, l’equip investigador es proposa:
• Optimitzar el flux capa a capa per reduir la sobrecàrrega computacional.
• Explorar acceleradors FPGA per a altres xarxes bioinspirades, com les xarxes neuronals espiculades (SNN).
• Desplegar aquestes arquitectures en entorns reals de edge computing mantenint la seva transferibilitat i eficiència.

Aplicacions pràctiques
Les aplicacions potencials d’aquest treball inclouen dispositius IoT, sensors intel·ligents i sistemes embarcats que requereixen inferència en temps quasi real amb avaluació fiable de la incertesa. Això pot tenir un impacte directe en àmbits com la classificació d’imatges, la vigilància urbana, la robòtica autònoma i altres escenaris on la rapidesa i la confiança del model són essencials.