面向 Tsetlin 机器推理的数字时域事件驱动架构
机器学习
2025-11-13 v1
摘要
机器学习通过拟合输入-输出映射来预测未知样本，但这些模型在推理过程中常需大量算术运算，增加延迟和功耗。本文提出一种针对 Tsetlin 机器 (TM) 推理过程的数字时域计算方法，以解决这些挑战。该方法利用延迟积累机制缓解类和的代数求和，采用赢家为王方案取代常规的幅值比较器。具体而言，针对多类 TM 实施基于汉明距离的数字时域方案。此外，结合差分延迟路径和前导-1 检测器的对数延迟压缩数字时域方案用于 coalescing TM，能够处理二进制符号和指数尺度延迟积累问题。与功能等效的后实现数字 TM 架构基线相比，所提架构在能源效率和吞吐量方面实现了数量级的改进。
关键词
引用
@article{arxiv.2511.09527,
title = {Event-Driven Digital-Time-Domain Inference Architectures for Tsetlin Machines},
author = {Tian Lan and Rishad Shafik and Alex Yakovlev},
journal= {arXiv preprint arXiv:2511.09527},
year = {2025}
}