过去几年来，深度学习技术日益先进，在图像分类和自然语言处理等广泛任务上达到了人类水平的准确度。这些计算技术的广泛使用推动了旨在开发能够满足其大量计算需求的新硬件解决方案的研究。

为了运行深度神经网络，一些研究人员一直在开发所谓的硬件加速器，这是一种专用的计算设备，可以进行编程以比传统中央处理器(CPU)更有效地处理特定的计算任务。

到目前为止，这些加速器的设计主要与深度学习模型的训练和执行分开进行，只有少数团队同时解决这两个研究目标。

曼彻斯特大学和PragmaticSemiconductor的研究人员最近着手开发一种基于机器学习的方法，从表格数据中自动生成分类电路，表格数据是结合数字和分类信息的非结构化数据。

他们提出的方法概述在《自然电子》杂志上发表的一篇论文中，该方法依赖于一种新引入的方法，该团队称之为“微型分类器”。

KonstantinosIordanou、TimothyAtkinson及其同事在论文中写道：“典型的机器学习开发周期会在模型训练期间最大限度地提高性能，然后最大限度地减少训练模型的内存和面积占用，以便部署在处理核心、图形处理单元、微控制器或定制硬件加速器上。”

“然而，随着机器学习模型变得越来越大、越来越复杂，这变得越来越困难。我们报告了一种用于自动生成表格数据分类的预测电路的方法。”

Iordanou、Atkinson及其同事开发的微型分类器电路仅由几百个逻辑门组成。尽管它们的尺寸相对较小，但研究发现，它们能够实现与最先进的机器学习分类器类似的准确度。

Iordanou、Atkinson及其同事写道：“该方法提供了与传统机器学习技术相当的预测性能，因为所使用的硬件资源和功耗大大减少。”

“我们使用一种进化算法来搜索逻辑门空间，并自动生成一个具有最大化训练预测准确率的分类器电路，该电路由不超过300个逻辑门组成。”

研究人员在一系列模拟中测试了他们的微型分类器电路，发现它们在准确性和功耗方面都取得了非常令人满意的结果。然后，他们还在真实的低成本集成电路(IC)上验证了它们的性能。

Iordanou、Atkinson及其同事写道：“当模拟为硅片时，我们的微型分类器使用的面积比性能最佳的机器学习基线少8到18倍，功耗少4到8倍。”

“当在柔性基板上实现低成本芯片时，它们占用的面积比最具硬件效率的ML基线减少10到75倍，功耗减少13到75倍，产量提高6倍。”

未来，研究人员开发的微型分类器可用于有效解决各种实际任务。例如，它们可以用作芯片上的触发电路，用于各种商品的智能包装和监控，以及用于开发低成本的近传感器计算系统。