G-Net: Nachweislich einfache Konstruktion hochpräziser binärer neuronaler Netze

Ein neues Verfahren namens G‑Net ermöglicht die schnelle und zuverlässige Erstellung von binären neuronalen Netzwerken, die die Genauigkeit herkömmlicher Modelle erreichen oder sogar übertreffen. Durch die Kombination von Hyperdimensional Computing (HDC) und einer gezielten Randomisierung werden Daten als Punkte im Hyperwürfel mit Hamming‑Distanz eingebettet. Im Gegensatz zu klassischen Quantisierungsmethoden nutzt G‑Net binäre Einbettungen, die in einer Floating‑Point‑Struktur verankert sind und damit die Leistungsfähigkeit bewahren.

Die G‑Net‑Familie ist so gestaltet, dass sie sämtliche Standardnetzwerk‑Schichten nachbilden kann. Jede Floating‑Point‑Variante besitzt eine zugehörige, randomisierte binäre Version – das sogenannte Embedded Hyperdimensional (EHD) G‑Net – die dank der Konzentrations‑der‑Messung theoretisch garantierte Genauigkeit liefert. In praktischen Tests schneiden die binären Modelle bei Bildklassifikationsaufgaben wie CIFAR‑10 genauso gut ab wie konventionelle Convolutional Neural Networks und übertreffen frühere HDC‑Modelle um nahezu 30 %.

G‑Net stellt damit eine theoretisch fundierte Brücke zwischen klassischen neuronalen Netzwerken und robusten, binären bzw. quantisierten Deep‑Learning‑Modellen dar. Die Implementierung ist frei verfügbar unter https://github.com/GNet2025/GNet.