गहन अंतरणीय तर्क गेट नेटवर्कों (LGNs) और लुकअप टेबल नेटवर्कों (LUTNs) में कनेक्शन के आंशिक और पूर्ण अनुकूलन के लिए एक नई विधि प्रस्तुत की गई है। प्रशिक्षण दृष्टिकोण इनपुट पिंक प्रति कनेक्शन पर एक प्रायिकता वितरण का उपयोग करता है, जबकि समानांतर में इष्टतम गेट प्रकार या LUT एंट्री सीखते हुए उच्चतम गुणवत्ता वाला कनेक्शन चुनता है।
- कम तर्क गेट का उपयोग करते हुए Yin-Yang, MNIST और Fashion-MNIST मानकों पर संयुग्मित LGNs मानक स्थिर-कनेक्शन प्रकारों से बेहतर प्रदर्शन करते हैं।
- विधि 8000 गेट की दो परतों के साथ MNIST पर 98.92% सटीकता प्राप्त करती है, जो स्थिर-कनेक्शन LGNs की तुलना में लगभग 50 गुना कम गेट की आवश्यकता होती है।
- उच्च सीखने की दरें, सीधे-पार अनुमानक और स्थिर-आउटपुट गेट प्रकारों को हटाकर दस परतों तक के लिए प्रशिक्षण स्थिरता सुनिश्चित की जाती है।
- एक LUT न्यूरॉन विवरण चार गुना कम योग्य पैरामीटर के साथ छह परतों गहरे नेटवर्क में स्थिर बैकप्रोपगेशन प्रशिक्षण को सक्षम बनाता है।
- कनेक्शन-प्रशिक्षण एल्गोरिदम 2000 6-इनपुट LUTs की दो परतों का उपयोग करते हुए LUTNs पर 98.88% सटीकता प्राप्त करता है।
यह दृष्टिकोण दिखाता है कि कनेक्शन को अनुकूलित करने से पारंपरिक स्थिर-कनेक्शन संरचनाओं की तुलना में सटीकता बनाए रखते या सुधारते हुए काफी अधिक कुशल मॉडल संभव होते हैं।