Il a été démontré que les défaillances matérielles transitoires affectent considérablement les réseaux de neurones profonds, en particulier dans des applications telles que la conduite autonome, les soins de santé et la navigation spatiale, où la probabilité de mauvaise classification critique pour la sécurité augmente jusqu'à 4 fois. Cependant, l'évaluation de l'erreur à l'aide de méthodes d'injection d'erreur précises prend beaucoup de temps, sur une plateforme de simulation complète peut prendre plusieurs heures voire plusieurs jours. Pour accélérer l'évaluation des défaillances matérielles transitoires sur les réseaux de neurones profonds, une méthode automatisée unifiée - A-Mean a été conçue, qui utilise les taux de perte de données silencieuses des opérations de base (comme la convolution, l'addition, la multiplication, la fonction d'activation, le pooling maximal, etc.) et un mécanisme de calcul moyen statique à deux niveaux pour calculer rapidement les pertes de données silencieuses totales afin d'estimer les indicateurs de classification généraux de précision et les indicateurs d'application spécifiques critiques à la sécurité. , ils ont utilisé une stratégie de détermination de la limite de perte de données silencieuses dans la structure non séquentielle des réseaux de neurones profonds. Ensuite, les résultats de classification critique statique sont fusionnés avec les données originales exécutées sans défaillance une seule fois et un scénario de pire cas est considéré pour un calcul supplémentaire de la perte de classification critique amplifiée en cas de défaillance transitoire et de réduction de la précision. De plus, tous les processus ci-dessus ont été automatisés, de sorte que cet outil d'évaluation automatisé facile à utiliser peut être utilisé pour une évaluation rapide des défaillances matérielles transitoires sur une variété de réseaux de neurones profonds. En même temps, une nouvelle mesure sensibilité aux défauts a été définie pour caractériser les changements causés par les défaillances temporaires en augmentant la mauvaise classification critique pour la sécurité et en réduisant la précision. La comparaison des résultats de la méthode d'évaluation A-Mean proposée avec les méthodes d'injection d'erreurs leaderTens 982.80 fois d'accélération, tandis que les pertes moyennes de classification critique et de précision sont seulement de 4.20 % et 0.77 %. Les résultats d'A-Mean sont disponibles sur https://github.com/breatrice321/A-Mean.

Analyse du modèle; Réseaux de neurones profonds; Défaillances matérielles transitoires; Évaluation rapide; Outil d'évaluation automatisé