본 논문은 자원 제약이 있는 에지 디바이스(예: FPGA)에서 심층 신경망(DNN)을 배치할 때 지연 시간, 전력 소비, 자원 사용량을 최소화하면서 높은 정확도를 유지하는 방법을 제시합니다. 기존 LUT 기반 DNN (LogicNets, PolyLUT, PolyLUT-Add, NeuraLUT 등)은 무작위 희소 연결을 이용하여 FPGA 자원을 활용하지만, 본 논문에서는 연결 중심 훈련 기법인 SparseLUT을 제안합니다. SparseLUT는 비탐욕적 훈련 전략을 통해 중요도가 낮은 연결을 우선적으로 제거하고 대안적인 연결을 전략적으로 재성장시켜 목표 희소성에 효율적으로 수렴합니다. 실험 결과, MNIST에서 최대 2.13%, Jet Substructure Classification에서 0.94%의 정확도 향상을 보이며, 하드웨어 오버헤드 없이 LUT 기반 DNN의 최첨단 성능을 달성합니다.
