The rapid advancement of machine learning, particularly in the realm of probabilistic models, faces challenges such as computational efficiency and accuracy. Deep neural networks (DNNs), while powerful and versatile, often lacks transparency and reasoning capabilities, making it less suitable for applications requiring clear decision-making processes. Probabilistic models, offering structured and interpretable systems for reasoning, present a promising alternative. However, accelerating these models remains a significant challenge due to their computational demands. This thesis investigates the application of Residue Number System (RNS) as an alternative to traditional fixed number systems for hardware-based probabilistic models. The research proposes an 8-moduli RNS-based approach to enhance parallel computation in Bayesian Networks (BNs). Through mathematical analysis and hardware implementation using Verilog and Vivado, the study demonstrates that RNS can significantly improve computational speed while maintaining acceptable accuracy. Error analysis and benchmarks reveal that RNS provides a competitive balance between performance and precision compared to 16-bit fixed-point and floating-point systems. The findings suggest that RNS is a viable and efficient alternative for applications requiring high-speed probabilistic inference, particularly in scenarios where numerical range and speed are critical.

Den snabba utvecklingen av maskininlärning, i synnerhet inom probabilistiska modeller, står inför utmaningar som beräkningseffektivitet och noggrannhet. Djupa neurala nätverk (DNN) är visserligen kraftfulla och mångsidiga, men saknar ofta transparens och förmåga att resonera, vilket gör dem mindre lämpliga för tillämpningar som kräver tydliga beslutsprocesser. Probabilistiska modeller, som erbjuder strukturerade och tolkningsbara system för resonemang, är ett lovande alternativ. Att accelerera dessa modeller är dock fortfarande en betydande utmaning på grund av deras beräkningskrav. Denna avhandling undersöker tillämpningen av RNS (Residue Number System) som ett alternativ till traditionella system med fasta tal för hårdvarubaserade probabilistiska modeller. Forskningen föreslår ett 8-moduli RNS-baserat tillvägagångssätt för att förbättra parallellberäkning i Bayesianska nätverk. Genom matematisk analys och hårdvaruimplementering med hjälp av Verilog och Vivado visar studien att RNS kan förbättra beräkningshastigheten avsevärt samtidigt som acceptabel noggrannhet bibehålls. Felanalys och benchmarks visar att RNS ger en konkurrenskraftig balans mellan prestanda och precision jämfört med 16- bitars fastpunkts- och flyttalssystem. Resultaten tyder på att RNS är ett lönsamt och effektivt alternativ för applikationer som kräver probabilistisk inferens i hög hastighet, särskilt i scenarier där numerisk räckvidd och hastighet är kritiska.