Las redes neuronales Kolmogorov-Arnold (KAN) combinan de forma natural con las tablas de consulta (LUT) de las FPGA, los dispositivos de lógica digital reconfigurable que ejecutan redes neuronales directamente como circuitos, no como instrucciones secuenciales. Este artículo explica, de forma didáctica y a alto nivel, una tesis de máster que diseña arquitecturas hardware para inferencia y aprendizaje online ultrarrápidos basadas en KAN, y que dio lugar a dos publicaciones premiadas.
El trabajo arranca con la justificación del hardware dedicado frente a las GPU. Las GPU ejecutan cargas de machine learning con alto paralelismo y gran throughput, pero su compleja arquitectura no satisface aplicaciones que exigen latencia sub-microsegundo y eficiencia elevada. Ahí entran las FPGA, formadas por LUT, flip-flops y primitivas de cómputo y memoria que se reconfiguran para crear un circuito a medida.
A continuación se introducen los conceptos clave: la cuantización en punto fijo, que codifica números reales como cadenas de bits; las redes neuronales basadas en LUT (LUT-NN), que aprenden funciones binarias almacenadas en tablas; y las KAN, que sustituyen los pesos escalares y las activaciones fijas de los MLP por funciones de activación aprendibles en cada arista. Estas funciones se parametrizan como combinaciones lineales de una base, típicamente B-splines, definidas sobre un dominio finito.
La investigación describe dos publicaciones asociadas. La primera, "KANELÉ: Kolmogorov–Arnold Networks for Efficient LUT-based Evaluation", obtuvo el Best Paper Award en FPGA 2026. La segunda, "Ultrafast on-FPGA Online Learning via Spline Locality in Kolmogorov–Arnold Networks", se presentó en ICML 2026. En ambos casos se demuestra que las KAN son una arquitectura natural para LUT-NN expresivas y eficientes en recursos, abriendo la puerta a sistemas de machine learning con latencia de nanosegundos y aprendizaje online sobre FPGA.