扫码下载APP

您的位置

资讯详情

本人可编辑资讯

仅支持在APP编辑资讯扫描二维码即可下载APP

今年内连发3篇SCI,中国科学院陈锐又添新作!

论论资讯 | 2023-05-01 2热度

Microelectronics Reliability

Explore content

About the journal

Publish with us

Evaluation of SEU impact on convolutional neural networks based on BRAM and CRAM in FPGAs

Tian H.; Ibrahim Y.; Chen R.; Jin C.; Shi S.; Xing J.; Li J.; Chen L.

Published:2023-05-01
DOI:10.1016/j.microrel.2023.114974

研究背景

深度学习和人工智能正在迅速发展,已经在许多领域得到了广泛应用。然而,由于电子设备中存在的单粒子翻转事件(SEU)等问题,这些系统的可靠性仍然是一个挑战。因此,研究人员需要找到一种方法来减少这些错误的影响,从而提高深度学习系统的可靠性。

研究内容

本研究旨在评估基于FPGA的卷积神经网络(CNN)系统对SEU的敏感性,并使用激光注入和质子辐照等选择性强化方法来提高可靠性。研究人员采用LeNet-5 CNN架构作为案例研究对象。首先,研究人员采用激光测试扫描评估带有块随机存取存储器(BRAM)的整个CNN,并检测每个层产生的错误以确定最关键的层。其次,研究人员仅考虑配置RAM(CRAM),评估了不带BRAM的相同网络,并检测每个层产生的错误。第三,比较了来自BRAM和CRAM的激光扫描错误的影响,并跟踪产生这些错误的层。然后,在整个CNN上进行质子测试,检测每个层的错误并进行比较,以验证激光扫描测试的结果。实验结果表明,CRAM错误对CNN层的影响比BRAM错误更大。关于层的关键性,第二个卷积层(C2)似乎是最关键的,因为它产生了大部分CRAM错误。这一趋势在串行和并行设计中都得到了验证。因此,采用部分三重模块冗余(TMR)方法仅应用于关键部分,可使可靠性提高约40%,而开销不到20%。

研究意义

本研究的创新点在于,它提出了一种针对FPGA中CNN系统的SEU问题的解决方案。通过评估BRAM和CRAM的影响,研究人员发现,CRAM错误对CNN系统的影响更大,而第二个卷积层是最关键的。此外,他们提出的部分TMR方法可显著提高CNN系统的可靠性。这些结果对于改善深度学习系统的可靠性具有重要意义,尤其是在关键领域如医疗和金融等领域。

微信扫码即可查看