随着机器学习模型推理成本的增加，对快速且高效推理的模型需求日益增长。最近，有一种方法通过可微松弛直接学习逻辑门网络。逻辑门网络的推理速度比传统神经网络方法更快，因为它们的推理仅需使用诸如NAND、OR和XOR等逻辑门操作，而这些操作是当前硬件的基本构件，能够高效执行。我们基于这一想法，进行了扩展，加入了深度逻辑门树卷积、逻辑OR池化和残差初始化。这使得逻辑门网络的规模扩展提高了一个数量级以上，并利用了卷积的范式。在CIFAR-10数据集上，我们仅使用6100万个逻辑门达到了86.29%的准确率，性能超过了最新最优（SOTA）方法，同时模型大小缩小了29倍。