為邊緣裝置低延遲腦電圖分類設計的可微分邏輯閘網路
為何重要
此技術直接解決了邊緣運算中動態神經網路計算成本高、延遲大的痛點，為資源受限的腦機介面（BCI）裝置提供可行的部署方案。對開發者而言，這代表在不顧及硬體算力瓶頸下，可實現腦波監測的即時性；對產業而言，顯示了在低功耗硬體上最佳化演算法與硬體原生編譯並行的技術價值。
即時腦電圖分類在邊緣裝置上受制於傳統神經網路的浮點運算瓶頸。研究團隊提出可微分邏輯閘網路作為硬體原生替代方案，將模型編譯成能透過位元運算執行的純布林電路。
- 在失智症篩查任務，Diff-Logic 達到 80.2% Macro F1，優於 MLP 基準 6.8%。
- 在功耗受限的 Nvidia Jetson Orin Nano CPU 單核部署，MLP 延遲為 Diff-Logic 的 2.3 倍，模型大小更達 14 倍。
- 模型規模增加 10 倍時，Diff-Logic 推理時間幾乎恆定，於最大複雜度層級相比 MLP 產生 2.9 倍加速。