Durante el proceso de calibración de la corriente del haz, la guía precisa de la corriente del haz hacia el objetivo de metal es un problema desafiante para los aceleradores de protones. Para abordar este desafío, proponemos el uso de parámetros orbitales del haz combinados con algoritmos de aprendizaje por refuerzo para lograr una calibración automática del haz. Este estudio presenta una arquitectura del sistema que emplea nodos de aceleración inteligente en el borde basados en técnicas de aceleración de aprendizaje profundo. Diseñamos un sistema para predecir parámetros BPM utilizando una red neuronal de retropropagación en cascada (CBPNN) que se basa en la estructura física. Este sistema sirve como un mapa ambiental para el aprendizaje por refuerzo, ayudando en la corrección de la corriente del haz. La CBPNN se implementó en el nodo de aceleración para acelerar el proceso de inferencia hacia adelante, aprovechando algoritmos de esparsificación, cuantificación y técnicas de canalización. Nuestros resultados experimentales demostraron que la velocidad de inferencia simulada alcanzó 28 s con hardware FPGA como nodo de aceleración en el borde, logrando velocidades de inferencia hacia adelante 35,66 y 12,66 veces más rápidas que las de la CPU y la GPU. La relación de eficiencia energética fue de 10,582 MOPS/W, lo que fue 989 y 410 veces mayor que el de la CPU y la GPU, respectivamente. Esto confirma la eficiencia energética y los atributos de baja latencia de la arquitectura diseñada.