Implementation on Reconfigurable Hardware of Artificial Neural Networks

Abstract

This doctoral thesis investigates the efficient implementation of Artificial Neural Networks (ANNs) on reconfigurable hardware for Edge Artificial Intelligence (AI) applications, where constraints on power, latency, and memory demand specialized solutions. The research explores both conventional deep learning models and biologically inspired Spiking Neural Networks (SNNs), focusing on their design, optimization, and deployment in real-world scenarios. A first contribution addresses signal redirection in next-generation wireless systems through a compact Convolutional Neural Network (CNN) designed to configure Reconfigurable Intelligence Surfaces (RIS), enabling realtime signal steering. This model was successfully deployed on a Field Programmable Gate Array (FPGA) hardware, demonstrating significant improvements in inference speed and energy efficiency compared to Graphics Processing Unit (GPU) and Tensor Processing Unit (TPU) implementations. Recognizing the potential of SNNs for low-power, temporally-aware computation, the second research effort centered on simplifying their development. A flexible, high-level software framework was created to facilitate the design, training, and deployment of SNNs, offering an interface familiar to users of standard deep learning libraries. This toolchain significantly reduces the complexity associated with spiking models, accelerating prototyping and improving integration with existing machine learning workflows. The final contribution applies these advances to a real-world sensing challenge: indoor people counting using Frequency Modulated Continuous-Wave (FMCW) radar. A complete pipeline was designed—from radar signal acquisition and preprocessing to SNN-based inference—demonstrating that spiking models can not only match but outperform traditional CNNs in terms of both accuracy and computational efficiency. The event-driven and sparse nature of SNNs proved particularly well-suited for this privacy-sensitive, timeseries task. Together, these contributions advance the state-of-the-art of reconfigurable hardware and alternative neural models for Edge AI, demonstrating practical pathways for building low-power, real-time intelligent systems.

Esta tesis doctoral estudia la implementación eficiente de Redes Neuronales Artificiales (ANNs) en hardware reconfigurable para aplicaciones "Edge" de Inteligencia Artificial (AI), donde las restricciones de consumo, latencia y memoria requieren soluciones especializadas. La investigación abarca tanto modelos de aprendizaje profundo convencionales como Redes Neuronales de Impulso (SNNs), explorando su diseño, optimización y despliegue en escenarios reales. Para llevar a cabo todo el estudio propuesto, se han seguido tres líneas de investigación diferenciadas, pero fuertemente interrelacionadas entre sí, que han dado lugar a las tres contribuciones principales de esta tesis, publicadas en revistas con índice de impacto. La primera contribución se centra en la reconfiguración de Superficies Inteligentes Reconfigurables (RIS), una tecnología emergente clave para los futuros sistemas inalámbricos como las redes 6G. Estas superficies pueden manipular señales electromagnéticas de manera programable para mejorar la cobertura, la calidad de servicio o la eficiencia energética. Sin embargo, presentan un problema, y es que es necesario reconfigurar dichas superficies para adaptarse a entornos cambiantes tales como movimientos del usuario u oclusiones. Establecer la configuración óptima para que estas superficies redirijan la señal en la dirección deseada es un proceso costoso computacionalmente cuando se usan algoritmos clásicos. Para solucionar este problema, se desarrolló una Red Convolucional Artificial (CNN) compacta capaz de predecir configuraciones óptimas a partir de una representación en el plano UV del objetivo de redirección, tratándolo como un problema de clasificación. El modelo fue entrenado con un conjunto de datos sintéticos generado mediante simulaciones electromagnéticas y posteriormente implementado en una FPGA, donde se logró una inferencia en tiempo real, superando significativamente a implementaciones en Unidad de Procesamiento Gráfico (GPU) y Unidad de Procesamiento Tensorial (TPU) en escenarios de Edge AI. La segunda línea de investigación aborda las barreras prácticas que dificultan el uso de SNNs, las cuales se inspiran en el comportamiento del cerebro humano y destacan por su eficiencia energética y capacidad de procesar información temporal. A pesar de sus ventajas teóricas, su adopción ha sido limitada debido a la complejidad de su diseño y entrenamiento. Para facilitar su uso, se desarrolló un entorno o "framework" de alto nivel que simplifica la construcción, entrenamiento y evaluación de modelos SNN. Esta herramienta, inspirada en la interfaz de Keras, abstrae detalles técnicos como la codificación de pulsos o la configuración de gradientes, y permite una integración fluida con bibliotecas de aprendizaje automático convencionales como NumPy, scikit-learn o TensorFlow. La plataforma fue validada mediante distintos casos de uso, tales como reconocimiento de comandos de voz y reconocimiento de dígitos escritos, demostrando su versatilidad y capacidad para acelerar el desarrollo de soluciones neuromórficas. La tercera contribución integra los avances anteriores en una aplicación concreta y de alta relevancia: el conteo de personas en interiores utilizando radar de Onda Continua Modulada en Frecuencia (FMCW). Se diseñó un sistema completo que incluye la captura de datos con sensores radar, el preprocesamiento de las señales mediante técnicas de filtrado y transformación (como mapas Range-Doppler y Range-Azimuth), y una arquitectura SNN optimizada para detectar patrones temporales relacionados con la ocupación del espacio. El modelo fue evaluado frente a redes neuronales profundas tradicionales como ResNet50, VGG16 y MobileNet, superándolas tanto en precisión como en eficiencia computacional. Gracias a su naturaleza asincrónica y dirigida por eventos, el modelo SNN demostró ser especialmente adecuado para tareas sensibles a la privacidad y que requieren un procesamiento continuo y de bajo consumo. Además, la capacidad de estas redes para integrar información a lo largo del tiempo resultó particularmente útil en situaciones en las que las personas podían quedar temporalmente ocluidas por obstáculos, haciendo que desaparecieran momentáneamente del campo de visión del radar. A diferencia de las CNN, que procesan cada instante de forma aislada, la SNN es capaz de inferir patrones más allá de una única observación, lo que le otorga una clara ventaja en tareas basadas en series temporales. En conjunto, esta tesis demuestra el potencial del hardware reconfigurable y de redes neuronales alternativas para construir sistemas inteligentes, eficientes y capaces de operar en tiempo real en el contexto del Edge AI. Las soluciones propuestas no solo abordan los desafíos técnicos asociados con las restricciones de consumo energético, latencia y capacidad de cómputo en dispositivos embebidos, sino que también promueven un cambio de paradigma hacia arquitecturas más sostenibles y escalables. El uso de FPGAs permite adaptar el hardware a las necesidades específicas de cada aplicación, mientras que los modelos como las SNNs ofrecen un enfoque más biológicamente plausible y energéticamente eficiente para el procesamiento de información temporal. Los resultados obtenidos contribuyen al desarrollo de aplicaciones de inteligencia artificial más eficientes y prácticas en escenarios reales, y ofrece una base sólida sobre la que continuar investigando en ámbitos como la percepción sensorial y la comunicación inalámbrica.