深度神经网络硬件可靠性评估方法的系统文献综述
机器学习
2023-05-11 v1 人工智能
硬件体系结构
摘要
人工智能（AI）尤其是机器学习（ML）因其解决复杂问题的能力而在各类应用中得到广泛利用。在过去十年中，ML 的快速发展催生了由大量神经元与层构成的深度神经网络（DNNs）。DNN 硬件加速器（DHAs）被用于在特定应用中部署 DNNs。硬件故障/错误会导致灾难性后果的安全关键应用同样受益于 DHAs。因此，DNNs 的可靠性是一个重要的研究课题。近年来，相应发表了若干研究以评估 DNNs 的可靠性。在这方面，针对多种平台与应用提出了各种可靠性评估方法。因此，有必要总结当前最先进水平以识别 DNNs 可靠性研究中的空白。在本文中，我们对 DNNs 的可靠性评估方法进行了系统文献综述（SLR），尽可能收集相关研究工作，对其分类，并探讨开放挑战。通过该 SLR，我们识别出三类 DNNs 可靠性评估方法：故障注入（FI）、解析法与混合方法。由于大多数工作通过 FI 评估 DNN 可靠性，我们全面刻画了 FI 方法的不同途径与平台。此外，提出了解析法与混合方法。因此，针对不同的 DNN 平台与可靠性评估指标详细阐述了各种 DNNs 可靠性评估方法。最后，我们强调了所识别方法的优缺点并探讨了该研究领域中的开放挑战。
引用
@article{arxiv.2305.05750,
title = {A Systematic Literature Review on Hardware Reliability Assessment Methods for Deep Neural Networks},
author = {Mohammad Hasan Ahmadilivani and Mahdi Taheri and Jaan Raik and Masoud Daneshtalab and Maksim Jenihhin},
journal= {arXiv preprint arXiv:2305.05750},
year = {2023}
}
备注
42 pages, 15 figures, 3 tables, 201 references. The paper has been reviewed and revised 2 times and is under the 3rd review