面向NPU可靠性的CNN高精度故障注入与统计敏感性分析框架

《Electronics》:NPU-Aware Fault Injection and Statistical Sensitivity Analysis for CNN Reliability Evaluation Yang Hua, Jianyu Zhang, Quanyu Piao, Wei Zhuang and Yuanfu Zhao

【字体: 大 中 小 】 时间:2026年03月21日 来源:Electronics 2.6

编辑推荐:

  随着AI芯片在航天等领域部署,评估其可靠性面临高计算量和硬件复杂性挑战。本文提出一种面向NPU架构的高精度高效故障注入(FI)方法,通过分层注入策略识别故障敏感层,在ResNet-50上实现了精度退化小于0.1%的同时,总执行时间减少了60.80%,为NPU在安全关键应用中的可靠性评估提供了有力工具。

  
在人工智能(AI)技术推动航天探索进入新时代的背景下,搭载于卫星等空间平台上的机载计算系统正得到大规模部署。这些系统的核心——神经网络处理单元(NPU),在追求极致能效的过程中,其半导体制造工艺已进入纳米节点,使其对高能粒子辐射引发的单粒子效应(SEEs)愈发敏感。单粒子翻转(SEU)、单粒子瞬态(SET)和单粒子功能中断(SEFI)可能导致推理精度下降、功能异常,甚至灾难性的系统故障,严重制约了NPU在航空航天、自动驾驶等安全关键领域的应用。为了评估这些系统的可靠性,传统的辐射加固测试成本高昂、周期长且可重复性差,而通过软件模型进行的故障注入(FI)模拟则提供了一种经济、灵活的替代方案。然而,面对卷积神经网络(CNN)巨大的计算量和复杂的数据流,现有的故障模拟方法往往难以在评估精度和执行效率之间取得平衡:硬件级模拟计算开销巨大,而软件级模拟又常常缺乏对底层硬件架构的真实反映。这个矛盾凸显了开发一个既能融合高保真硬件建模,又能对CNN的硬件故障敏感性进行严格统计分析的综合故障注入框架的迫切需求。
为了突破上述局限,本文的研究人员开展了一项名为“NPU-Aware Fault Injection and Statistical Sensitivity Analysis for CNN Reliability Evaluation”的研究。他们旨在开发一个专门针对NPU可靠性评估的综合性故障注入框架。该研究的核心目标有三点:第一,开发一个基于PyTorch框架的、高度可配置的多级故障注入插件,以适应CNN的分层计算和NPU的并行架构,从而平衡评估精度与效率。第二,构建针对NPU关键组件(计算单元、存储器和数据路径)的高精度硬件级模型,以弥补硬件不透明性造成的保真度差距,确保模拟结果与物理硬件行为一致。第三,提出一种基于统计的故障注入方法,通过统计分析识别量化CNN(QCNN)中的故障敏感层,实施一种分阶段、有优先级的故障注入策略,从而在保持统计有效性的同时,显著降低计算开销。这项研究成果最终发表在学术期刊《Electronics》上。
为开展这项研究,研究人员主要运用了以下几个关键技术方法:首先,他们构建了一个集成在PyTorch 2.7.1框架中的三模块(配置、执行、评估)故障注入工具,并建立了涵盖单粒子翻转(SEU)和单粒子瞬态(SET)的随机故障模型,支持单比特翻转(SBF)和多比特翻转(MBF),并针对INT8和FP8等低精度格式开发了专门的量化感知故障模型。其次,他们开发了一个与深度学习框架集成的NPU架构模型,作为一个协同仿真平台,可以模拟高能粒子辐射引发的单粒子效应,并精确跟踪故障在算术逻辑单元、缓冲区和控制路径中的传播。在评估对象上,他们选择了ResNet家族(包括ResNet-18, 34, 50, 101, 152)作为主要基准网络,并采用了Imagenette数据集(ImageNet的一个精选子集,包含10个类别,共9469个训练样本和3925个验证样本)来加速评估过程。在评价指标方面,除了Top-1准确率和均方误差(MSE),他们重点采用了最大误差(Emax)和峰值信噪比(PSNR),以量化最坏情况下的系统脆弱性和中间特征图的保真度。
研究人员通过系统的实验和分析,得出了一系列重要的研究结果,其结论可归纳如下:
3.2.4. Fault Injection Priority Sequence: 研究人员提出了一种基于统计的故障注入优先级排序方法。他们定义了两个核心指标:平均退化率(DR)和最大退化率(MaxDR),用于量化不同网络层级在故障下的性能下降。通过设定一个筛选阈值(τscreen,如0.001),他们可以在初步筛查阶段快速识别出对故障敏感的层。这种方法将操作符进行分类和量化,确保了高筛选效率和计算简易性,为实施分层、有重点的故障注入策略提供了定量依据。
实验验证与结果分析:利用提出的框架和方法,研究团队在ResNet-50网络上进行了实验验证。结果表明,他们所提出的方法能够将精度退化严格控制在0.1%以内,同时实现了总执行时间减少60.80%的显著效果。这证明了该框架在保持高评估精度的前提下,极大地提升了故障注入模拟的效率。此外,通过统计方法识别出的故障敏感层,为后续针对性的硬件加固(如选择性冗余)提供了明确的目标,优化了资源利用。
本研究成功构建并验证了一个面向NPU可靠性评估的高精度、高效率综合故障注入框架。该框架的核心贡献在于其多层次、可配置的插件设计,以及对NPU硬件架构的高保真建模,有效弥合了软件模拟与真实硬件行为之间的差距。更为重要的是,研究中提出的基于统计敏感性的分层故障注入方法论,通过对卷积神经网络中不同层的误差传播模式、激活函数特性(如ReLU的天然容错性)和结构冗余机制(如残差连接)进行深入分析,实现了对庞大故障注入空间的有序探索和重点突破。这不仅大幅降低了评估所需的计算开销,而且确保了评估结果的统计有效性和工程指导意义。
这项研究的意义重大。它为在资源受限的平台上(如星载计算机)评估复杂AI加速器的辐射可靠性提供了一套切实可行的解决方案。所提出的框架和方法学可以直接应用于下一代NPU的设计和验证流程中,帮助工程师在设计的早期阶段识别系统的脆弱点,并实施经济有效的加固措施,从而提升整个系统在严苛辐射环境下的鲁棒性和任务成功率。该工作为安全关键领域AI芯片的可靠性保障奠定了重要的方法论基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号