論文の概要: GPU Temperature Simulation-Based Testing for In-Vehicle Deep Learning Frameworks

• arxiv url: http://arxiv.org/abs/2509.15815v2
• Date: Fri, 26 Sep 2025 05:30:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 12:12:20.293347
• Title: GPU Temperature Simulation-Based Testing for In-Vehicle Deep Learning Frameworks
• Title（参考訳）: GPU温度シミュレーションに基づく車載ディープラーニングフレームワークのテスト
• Authors: Yinglong Zou, Juan Zhai, Chunrong Fang, Zhenyu Chen,
• Abstract要約: 本研究では,温度変化環境下での初めての自動車深層学習フレームワークテスト手法であるHeatherGuardianを提案する。 具体的には、温度感受性演算子をターゲットにしたモデル変異ルールを使用してテスト入力モデルを生成し、Newtonの冷却則に基づいてGPU温度変動をシミュレートし、リアルタイムGPU温度に基づいてGPU周波数を制御する。
• 参考スコア（独自算出の注目度）: 19.182583346025634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models play a vital role in autonomous driving systems, supporting critical functions such as environmental perception. To accelerate model inference, these deep learning models' deployment relies on automotive deep learning frameworks, for example, PaddleInference in Apollo and TensorRT in AutoWare. However, unlike deploying deep learning models on the cloud, vehicular environments experience extreme ambient temperatures varying from -40{\deg}C to 50{\deg}C, significantly impacting GPU temperature. Additionally, heats generated when computing further lead to the GPU temperature increase. These temperature fluctuations lead to dynamic GPU frequency adjustments through mechanisms such as DVFS. However, automotive deep learning frameworks are designed without considering the impact of temperature-induced frequency variations. When deployed on temperature-varying GPUs, these frameworks suffer critical quality issues: compute-intensive operators face delays or errors, high/mixed-precision operators suffer from precision errors, and time-series operators suffer from synchronization issues. The above quality issues cannot be detected by existing deep learning framework testing methods because they ignore temperature's effect on the deep learning framework quality. To bridge this gap, we propose ThermalGuardian, the first automotive deep learning framework testing method under temperature-varying environments. Specifically, ThermalGuardian generates test input models using model mutation rules targeting temperature-sensitive operators, simulates GPU temperature fluctuations based on Newton's law of cooling, and controls GPU frequency based on real-time GPU temperature.
• Abstract（参考訳）: ディープラーニングモデルは自律運転システムにおいて重要な役割を担い、環境認識などの重要な機能をサポートする。 モデル推論を高速化するために、これらのディープラーニングモデルのデプロイメントは、例えばApolloのPaddleInferenceやAutoWareのTensorRTなど、自動車のディープラーニングフレームワークに依存している。 しかし、クラウド上にディープラーニングモデルをデプロイするのとは異なり、車載環境は-40{\deg}Cから50{\deg}Cまでの極端な環境温度を経験し、GPU温度に大きな影響を与えている。 さらに、コンピューティング時に発生する熱は、GPU温度の上昇につながる。 これらの温度変動は、DVFSのようなメカニズムを通じて、動的GPU周波数調整をもたらす。 しかし, 温度による周波数変動の影響を考慮せずに, 自動車のディープラーニングフレームワークを設計する。 計算集約演算子は遅延やエラーに直面し、ハイ/ミックス精度演算子は精度エラーに悩まされ、時系列演算子は同期問題に悩まされる。 上記の品質問題は、ディープラーニングフレームワークの品質に対する温度の影響を無視するため、既存のディープラーニングフレームワークテスト手法では検出できない。 このギャップを埋めるために、温度変化環境下での初めての自動車深層学習フレームワークテスト手法であるThermoGuardianを提案する。 具体的には、温度感受性演算子をターゲットにしたモデル変異ルールを使用してテスト入力モデルを生成し、Newtonの冷却則に基づいてGPU温度変動をシミュレートし、リアルタイムGPU温度に基づいてGPU周波数を制御する。

関連論文リスト

• Exploring the Impact of Temperature Scaling in Softmax for Classification and Adversarial Robustness [8.934328206473456]
  この研究は「温度」として知られるソフトマックス関数内でしばしば見過ごされるパラメータを掘り下げる。 畳み込みニューラルネットワークとトランスフォーマーを採用した我々の実証研究は、温暖化によって全体的なパフォーマンスが向上することを示した。 一般的な腐敗に対するモデルロバスト性の向上、自然摂動、そして投影されたグラディエント・ダイスンのような非標的の敵攻撃などです。
  論文  参考訳（メタデータ） (2025-02-28T00:07:45Z)
• Adaptive Decoding via Latent Preference Optimization [55.70602730588745]
  モデルに付加されたレイヤであるAdaptive Decodingを導入し、推論時にサンプリング温度を動的に選択する。 我々の手法は、異なる温度を必要とする様々なタスクにおいて、すべての固定デコード温度を上回ります。
  論文  参考訳（メタデータ） (2024-11-14T18:31:39Z)
• Temperature-Centric Investigation of Speculative Decoding with Knowledge Distillation [76.5894260737116]
  本稿では,復号化温度が投機的復号化効果に及ぼす影響を考察する。 我々はまず、高温での復号化の課題を強調し、一貫した温度設定でKDを実証することが治療である可能性を実証した。 これらの知見に基づいて,特に高温環境での投機的復号化の高速化を図った。
  論文  参考訳（メタデータ） (2024-10-14T04:17:45Z)
• Machine Learning Framework for High-Resolution Air Temperature Downscaling Using LiDAR-Derived Urban Morphological Features [0.0]
  本研究では,UrbClimが生成したデータセットを用いて,大気温度をダウンスケールするためのデータ駆動型フレームワークを提案する。 都市形態特徴を抽出するために,まず,LiDARデータとディープラーニングモデルを用いて3次元ビルディングモデルを構築した。 この枠組みは高分解能で空気温度を推定し、街路レベルでの局所的な空気温度パターンの同定を可能にした。
  論文  参考訳（メタデータ） (2024-08-31T12:59:21Z)
• To Cool or not to Cool? Temperature Network Meets Large Foundation Models via DRO [68.69840111477367]
  LFMを改善するために,小型だが一般化可能な温度予測ネットワーク(TempNet)を学習するための基本的枠組みを提案する。 LLMとCLIPモデルに関する我々の実験は、TempNetが既存のソリューションやモデルの性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-04-06T09:55:03Z)
• Real-Time 2D Temperature Field Prediction in Metal Additive Manufacturing Using Physics-Informed Neural Networks [1.9116784879310036]
  金属添加物製造プロセスの温度場を正確に予測することは、過熱の防止、プロセスパラメータの調整、プロセス安定性の確保に重要である。 本稿では,金属AMの温度場予測に特化して設計された物理インフォームドニューラルネットワークフレームワークを提案する。 提案手法を2つのシナリオで検証し, 薄肉のフルフィールド温度予測と円筒部と立方体部の2次元温度予測を行い, それぞれ3%, 1%未満の誤差を示した。
  論文  参考訳（メタデータ） (2024-01-04T18:42:28Z)
• Temperature Balancing, Layer-wise Weight Analysis, and Neural Network Training [58.20089993899729]
  本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。 我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。 また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
  論文  参考訳（メタデータ） (2023-12-01T05:38:17Z)
• Physics-constrained deep learning postprocessing of temperature and humidity [0.0]
  深層学習に基づく後処理モデルにおける物理的整合性を実現することを提案する。 熱力学状態方程式を強制するためにニューラルネットワークを制約することは、物理的に一貫性のある予測をもたらす。
  論文  参考訳（メタデータ） (2022-12-07T09:31:25Z)
• Object Detection in Thermal Spectrum for Advanced Driver-Assistance Systems (ADAS) [0.5156484100374058]
  熱赤外スペクトルにおける物体検出は、低照度条件と異なる気象条件においてより信頼性の高いデータソースを提供する。 本稿では,高度運転支援システム(ADAS)の7つの異なるクラスを用いたサーマルビジョンにおける最先端のオブジェクト・ビジョン・フレームワークの探索と適用について述べる。 公開データセット上のトレーニング済みネットワーク変種は、3つの異なるテストアプローチでテストデータ上で検証される。 訓練されたネットワークの有効性は、未冷却のLWIRプロトタイプ熱カメラで捉えたローカル収集された新しいテストデータで検証される。
  論文  参考訳（メタデータ） (2021-09-20T21:38:55Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。