По поводу ПЛИС vs нейронная сеть.Для автомата без памяти все четко и однозначно. Если у тебя 2 входа, то всего будет 4 возможные входные комбинации. Более 16 выходов делать смысла нет, т.к. максимум будет 16 возможных функций двух аргументов. Есть оценки сразу.
Карту Карно такого автомата можешь рассматривать и как набор обучающих данных и как план тестирования (в зависимости от того в какую сторону задачу решаешь).
То что там иногда какие-то численные методы применяют для оптимизации схемы (чтобы не делать полный брутфорс), или как-то осознанно сокращают объем тестирования (чтобы сэкономить время) - это уже обоснованные решения в процессе разработки/производства/эксплуатации.
Автоматы с памятью сильно сложнее и там таких однозначных решений уже нет... Но и там тоже решения обоснованные.
Для нейронной сети я подобных оценок не видел. Ну чтобы сказали - сеть больше трёх уровней вложенности не нужна. Нужно не менее 15 нейронов на слой. Обучающая выборка должна содержать 1000 изображений с разрешением не менее такого-то, контрольная выборка - не менее 10000 изображений. Нужно классифицировать изображения с 3-мя точками бифуркации, значит в составе сети должна быть структура вида...
Все пользуются эвристикой, вон у гугла база 2 миллиона изображений и все получилось, ну нам надо примерно столько же.
А потом начинается - ой негров не определяет, давайте негра добавим! Ой котика классифицировали как пёсика, давайте его перенесём в обучающую выборку! Ой, это оказывается не белый шум, а невидимый страус! ну пусть живет... ой повторно обучили сеть и ничего специально не делали, а невидимы страус стал классифицироваться как белый шум.
Это не имеет отношения к классификации по 1 выборке. Но тут уже овердохрена неоднозначностей. По-хорошему, с ними надо разобраться, чтобы получился хороший инструмент, которым пользуются осознанно и обоснованно.