Было доказано, что временные отказы аппаратуры существенно влияют на глубокие нейронные сети, особенно в приложениях автоматического управления автомобилями, медицинского обслуживания и космической навигации, где вероятность неправильной классификации важных для безопасности увеличивается вплоть до 4 раз. Однако оценка неточности с использованием точных методов инъекции отказов занимает очень много времени, на полной симуляционной платформе может потребоваться несколько часов или даже несколько дней. Для ускорения оценки временных отказов аппаратуры в глубоких нейронных сетях был разработан единый автоматизированный метод — A-Mean, использующий негромкие потери данных базовых операций (например, свертка, сложение, умножение, функция активации, максимальное объединение и т. д.) и статический двухуровневый механизм среднего для быстрого вычисления общих негромких потерь данных с целью оценки общих классификационных показателей точности и специфических классификационных показателей, критически важных для безопасности. Наиболее важно, использована стратегия определения границы негромких потерь данных в непоследовательной структуре глубокой нейронной сети. Затем результаты статической критически важной классификации объединяются с оригинальными данными без отказов выполнения однократно и рассматривается сценарий наихудшего случая для дополнительного вычисления увеличенной критической важной потери при классификации в условиях временных отказов и уменьшения точности. Кроме того, все перечисленные выше процессы были автоматизированы, чтобы эта простая в использовании автоматизированная программа могла использоваться для быстрой оценки временных отказов аппаратуры на различных глубоких нейронных сетях. В то же время определен новый показатель «чувствительность к отказам», отражающий изменения, вызванные временными отказами, в увеличении важной для безопасности неправильной классификации и снижении точности. Сравнение результатов предложенного метода оценки A-Mean с передовыми методами инъекции отказовTensor 982.80 % и T на четырех наборах данных показывает, что метод оценки A-Mean дает ускорение вплоть до 922,80 раз, при этом средние потери важности классификации и точности составляют всего 4,20% и 0,77%. Результаты A-Mean могут быть получены на сайте https://github.com/breatrice321/A-Mean..

Анализ модели; Глубокие нейронные сети; Временные отказы аппаратуры; Быстрая оценка; Автоматизированный инструмент для оценки