تم تأكيد أن أخطاء الأجهزة الفظائية المؤقتة تؤثر بشكل كبير على الشبكات العصبية العميقة ، خاصة في تطبيقات السيارات الذاتية القيادة والرعاية الصحية والفضاء ، حيث يزيد احتمال الصنف الخاطئ في الأمان من 4 أضعاف. ومع ذلك ، فإن تقييم عدم الدقة باستخدام طرق حقن الخطأ الصحيحة يستغرق وقتًا طويلاً ، وقد يستغرق ذلك عدة ساعات أو حتى أيامًا على منصة محاكاة كاملة. لتسريع تقييم أخطاء الأجهزة الفظائية في الشبكات العصبية العميقة ، تم تصميم أسلوب أوتوماتيكي موحد - A-Mean ، والذي يستخدم معدل فقدان البيانات الصامتة لعمليات الأساسية (مثل التراكب ، والجمع ، والضرب ، ووظيفة التنشيط ، وعملية التجميع الكبرى ، إلخ) بالإضافة إلى آلية حسابية ثنائية المستوى سريعة لحساب معدل فقدان البيانات الصامتة الكلي ، لتقدير دقة المؤشرات العامة للصنف وصنف الأمان النوعية. الأهم من ذلك ، يتم تحديد حافة فقدان البيانات الصامتة للهيكل الغير متسلسل في الشبكات العصبية العميقة باستخدام استراتيجية الحد الأقصى. بعد ذلك ، يتم دمج نتائج فقدان الصنف الأماني النوعية الكاملة مع البيانات الأصلية المقلوبة دون أخطاء مباشرة ، ويتم حساب فقدان التصنيف الخطأ بأسوأ الظروف وتقليل الدقة بخطوة إضافية. بالإضافة إلى ذلك ، تم تحقيق جميع الخطوات المذكورة أعلاه بشكل تلقائي ، بحيث يمكن استخدام أداة التقييم الأوتوماتيكية السهلة الاستخدام هذه لتقييم سريع لأخطاء الأجهزة الفظائية في مجموعة متنوعة من الشبكات العصبية العميقة. في نفس الوقت ، يتم تحديد مؤشر جديد حساسية الخطأ لتمثيل التغييرات التي تسببها أخطاء مؤقتة في زيادة الصنف الخاطئ الأماني وخفض الدقة. مقارنة نتائج الطريقة التقييم A-Mean المقترحة مع أفضل أساليب حقن الخطأTens 982.80 % ، مع بوج ل، Tens949 %.

تحليل النموذج ؛ الشبكة العصبية العميقة ؛ فشل الأجهزة الفظائية المؤقتة ؛ تقييم سريع ؛ أداة تقييم أوتوماتيكية