하드웨어 순간 장애가 깊은 신경망에 미치는 영향이 크다는 것이 확인되었으며, 특히 자율 주행 자동차, 의료 및 우주 항공 애플리케이션에서 안전 중요 오분류 확률이 최대 4배 증가할 수 있음이 밝혀졌습니다. 그러나 정확한 오류 주입 방법을 사용하여 부정확성을 평가하는 것은 매우 시간이 많이 소요되며, 전체적인 시뮬레이션 플랫폼에서는 몇 시간이나 몇 일이 걸릴 수 있습니다. 딥 뉴럴 네트워크에서 하드웨어 순간적인 장애를 빠르게 평가하기 위해 기존적 연산 (합성, 덧셈, 곱셈, 활성 함수, 최대 풀링 등)의 조용한 데이터 손실률 및 정적 이중 평균 계산 메커니즘을 활용하는 통합된 엔드투엔드 자동화 방법 인 A-Mean을 설계했습니다. 그리고 전체적인 시뮬레이션 플랫폼에서는 몇 시간이나 몇 일이 걸릴 수 있습니다. 또한, 정적 안전 중요 오분류 결과를 순차적이지 않은 구조를 가진 딥 뉴럴 네트워크 내의 정적 데이터 손실 경계로 결정하는 최대 전략이 채택되었습니다. 이후, 정적 안전 중요 오분류 결과는 무결한 실행의 초기 데이터와 병합되어 최악의 경우 시나리오를 적용하여 순간적인 장애에 의한 증가된 안전 중요 오분류 및 감소된 정확성을 계산합니다. 더욱이, 이러한 모든 절차는 자동화되어 있으며 사용하기 쉬운 자동화 도구가 여러 딥 뉴럴 네트워크의 순간적인 장애를 빠르게 평가하는 데 사용될 수 있도록합니다. 마지막으로 이러한 모든 파괴적인 지표를 방해 감지 정밀도로 병합하여 상승한 안전 중요 오분류와 낮아진 정확도를 나타낸 새로운 지표 오류 민감성을 정의합니다. 5 가지 깊은 신경망 모델과 4 가지 데이터 세트에 대한 최첨단 오차 주입 방법의 A-Mean 평가 방법을 비교한 결과, 평균적으로 922.80 배의 가속화를 달성하며, 평균 안전 중요 오분류 손실과 정확도 손실은 각각 4.20% 및 0.77%에 그친다.

분석 모델; 딥 뉴럴 네트워크; 하드웨어 순간적인 장애; 빠른 평가; 자동화 평가 도구