論文の概要: Characterizing the Fault Response of the Intel Neural Compute Stick 2 Under Single-Pulse Electromagnetic Fault Injection

• arxiv url: http://arxiv.org/abs/2605.22437v1
• Date: Thu, 21 May 2026 13:06:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.263545
• Title: Characterizing the Fault Response of the Intel Neural Compute Stick 2 Under Single-Pulse Electromagnetic Fault Injection
• Title（参考訳）: 単パルス電磁欠陥注入によるIntel Neural Compute Stick 2の故障応答特性評価
• Abstract要約: ImageNetをトレーニングした3つのニューラルネットワークを動作させるNAS2の単一パルス電磁欠陥注入キャンペーンを報告した。 単一のパルスは、4つの再現可能な結果クラスを生成する。 本稿では,デバイスファームウェアやOpenVINOランタイムを変更することなく,アプリケーションレベルで実装可能な機構に焦点をあてて,クラスごとの緩和戦略について議論する。
• 参考スコア（独自算出の注目度）: 3.2913641623634913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision processing units and other commercial neural-network inference accelerators are increasingly deployed in safety-relevant edge applications, but their fault response under transient hardware disturbances remains poorly characterized in the open literature. For the Intel Movidius Myriad X, packaged as the Intel Neural Compute Stick 2 (NCS2), only a single feasibility study has been published. We report a systematic single-pulse electromagnetic fault injection (EMFI) campaign on the NCS2 running three ImageNet-trained convolutional neural networks (ResNet-18, ResNet-50, VGG-11) on the OpenVINO runtime. Across 1,536 spot-test trials at characterized hotspots and approximately 16,000 parameter-search trials, single pulses produce four reproducible outcome classes: no measured accuracy change, minor silent data corruption, major persistent degradation that survives across subsequent inferences until model reload, and device hangs requiring USB power-cycling; these outcomes are respectively interpreted as no-effect, SDC with possible SET-like or small persistent-state mechanisms, SEU-like persistent corruption, and SEFI-like loss of functionality. Two findings are central. First, the major-degradation class can be induced at 18-31% of trials at characterized hotspots, with post-collapse top-1 accuracy below five percent and persistence across all subsequent inferences until explicit model reload - a regime that no inference-API-level mechanism detects. Second, this regime is also inducible by pulses delivered to an idle device with the model already loaded, demonstrating that load-time integrity checks alone are insufficient. We discuss mitigation strategies graded by class, focusing on mechanisms implementable at the application level without modification to the device firmware or the OpenVINO runtime.
• Abstract（参考訳）: 視覚処理ユニットやその他の商用のニューラルネットワーク推論アクセラレータは、安全関連エッジアプリケーションにますますデプロイされているが、過渡的なハードウェア障害による障害応答は、オープンな文献で著しく特徴付けられている。 IntelのMovidius Myriad Xは、Intel Neural Compute Stick 2 (NCS2)としてパッケージされており、単一の実現可能性研究のみが公開されている。 我々は,OpenVINO ランタイム上で ImageNet-trained convolutional Neural Network (ResNet-18, ResNet-50, VGG-11) を動作させる NCS2 上で,系統的な単一パルス電磁欠陥注入 (EMFI) キャンペーンを報告した。 1,536件のホットスポットと約16,000件のパラメータ検索試験において、単一パルスは4つの再現可能な結果クラスを生成する: 測定精度の変化なし、小さなサイレントデータ破損、モデル再ロードまで後の推論で残る大きな持続的劣化、USB電力サイクルを必要とするデバイスハング。 2つの発見が中心である。 まず、主要な劣化クラスは、特徴のあるホットスポットでのトライアルの18～31%で誘導可能で、崩壊後のトップ1の精度は5%以下で、明示的なモデル再ロード(推論APIレベルのメカニズムが検出されない状態)まですべての推論を持続する。 第二に、このレギュレーションは、既にロードされているモデルでアイドルデバイスに送信されるパルスによっても誘導可能であり、ロード時の整合性チェックだけでは不十分であることを示す。 本稿では,デバイスファームウェアやOpenVINOランタイムを変更することなく,アプリケーションレベルで実装可能な機構に焦点をあてて,クラスごとの緩和戦略について議論する。

関連論文リスト

• Neuron-Guided Fine-Tuning: Unlocking Efficient Alignment Mechanisms for Large Language Models [73.88918843965155]
  既存のSupervised Fine-Tuningパラダイムは、パラメータ冗長性、一貫性のないデータ品質、破滅的な忘れによって悩まされることが多い。 我々は、ニューロン活性化パターンを普遍的なプロキシとして活用し、微調整ライフサイクルを統一する全体的枠組みであるNGFT(Neuron-Guided Fine-Tuning)を提案する。
  論文  参考訳（メタデータ） (2026-09-05T06:13:24Z)
• Comparative Study of Neural Surrogate Architectures for Autoregressive Prediction of Internal Battery States [1.37013665345905]
  ドイル・フラー・ニューマンモデル(DFN)はリチウムイオン電池の内部電気化学状態を高忠実度で解決する。 その支配方程式の数値解は、リアルタイムな展開には計算的に禁じられている。 この研究は、4つのニューラルネットワークアーキテクチャ(MLP、ResNet、U-Net、FNO)を体系的に比較する。 その結果、U-Netのマルチスケール機能階層は、300ステップの自己回帰ロールアウトの後、すべての内部状態変数の平均3%の平均的な最終段階のnRMSEを達成することが示された。
  論文  参考訳（メタデータ） (2026-06-18T10:27:36Z)
• Accelerating Quantum Materials Characterization: Hybrid Active Learning for Autonomous Spin Wave Spectroscopy [0.0]
  自律三軸スピン波分光のためのハイブリッド-物理インフォームドフレームワークTAS-AIを提案する。 ブラインドリコンストラクションベンチマークでは、ランダムサンプリング、粗いグリッド、ガウス過程マッパーといったモデルに依存しない手法が、物理情報プランニングよりも信頼性が高く、測定の少ないグローバルエラーしきい値に達する。 TAS-AIは10測定未満で決定的なAIC由来のエビデンス比(>100)に達する一方、モーションアウェアのスケジューリングは固定された測定予算でウォールタイム時間を32%削減する。
  論文  参考訳（メタデータ） (2026-04-26T17:54:40Z)
• Halt the Hallucination: Decoupling Signal and Semantic OOD Detection Based on Cascaded Early Rejection [7.227431306238601]
  粗い論理による異常検出のための階層的フィルタリングを実現するカスケード早期退避(CER)フレームワークを提案する。 実験の結果、CERは計算オーバーヘッドを32%削減するだけでなく、CIFAR-100ベンチマークの大幅な性能向上も達成している。
  論文  参考訳（メタデータ） (2026-02-06T02:55:35Z)
• Physics-informed Neural Operator Learning for Nonlinear Grad-Shafranov Equation [18.564353542797946]
  磁気閉じ込め核融合では、Grad-Shafranov方程式(GSE)の迅速かつ正確な解はリアルタイムプラズマ制御と解析に不可欠である。 従来の数値解法は精度が高く、計算は禁じられているが、データ駆動サロゲートは素早く推論するが、物理法則を強制せず、トレーニング分布をはるかに越えて一般化することができない。 本稿では, GSE 解演算子を直接学習する物理インフォームド・ニューラル演算子 (PINO) について述べる。
  論文  参考訳（メタデータ） (2025-11-24T13:46:38Z)
• Unsupervised local learning based on voltage-dependent synaptic plasticity for resistive and ferroelectric synapses [3.504853049678649]
  覚醒性シナプスにおける教師なしおよび局所学習のための効率的なアプローチとして,電圧依存型シナプス可塑性(VDSP)を導入した。 複雑なパルス整形回路を必要としないオンライン学習を可能にする。 本稿では,VDSPを3種類のメムリシティブデバイスに適用する方法について述べる。
  論文  参考訳（メタデータ） (2025-10-28T17:47:26Z)
• DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object Detection [42.07920565812081]
  本稿では,3次元物体検出のための新しいトレーニング後の重み付け手法を提案する。 事前訓練されたモデルにおける冗長パラメータを決定し、局所性と信頼性の両方において最小限の歪みをもたらす。 本フレームワークは,ネットワーク出力の歪みを最小限に抑え,検出精度を最大に維持することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T09:33:32Z)
• NeuralFuse: Learning to Recover the Accuracy of Access-Limited Neural Network Inference in Low-Voltage Regimes [50.00272243518593]
  ディープラーニング(Deep Neural Network, DNN)は、機械学習においてユビキタスになったが、そのエネルギー消費は問題の多いままである。 我々は低電圧状態におけるエネルギー精度のトレードオフを処理する新しいアドオンモジュールであるNeuralFuseを開発した。 1%のビットエラー率で、NeuralFuseはアクセスエネルギーを最大24%削減し、精度を最大57%向上させることができる。
  論文  参考訳（メタデータ） (2023-06-29T11:38:22Z)
• TinyAD: Memory-efficient anomaly detection for time series data in Industrial IoT [43.207210990362825]
  我々は,リアルタイムな異常検出のためのCNNのオンボード推論を効率的に行うための,Tiny Anomaly Detection (TinyAD) という新しいフレームワークを提案する。 CNNのピークメモリ消費を低減するため、我々は2つの相補的戦略、 in-place と patch-by-patch のメモリ再スケジューリングについて検討する。 我々のフレームワークは、オーバーヘッドを無視してピークメモリ消費を2～5倍削減できる。
  論文  参考訳（メタデータ） (2023-03-07T02:56:15Z)
• Early Bearing Fault Diagnosis of Rotating Machinery by 1D Self-Organized Operational Neural Networks [23.455010509133313]
  現代の電気回転機械(RM)の予防メンテナンスは、信頼性の高い運転の確保、予測不能な故障の防止、コストのかかる修理の回避に重要である。 本研究では1次元自己組織型ONN(Self-ONNs)を提案する。 NSF/IMSベアリング振動データセットに対する実験結果から,提案した1D Self-ONNは,計算複雑性の類似した最先端(1D CNN)に対して,大きな性能ギャップを達成できることが示された。
  論文  参考訳（メタデータ） (2021-09-30T06:32:34Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)
• REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
  ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。 私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。 これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
  論文  参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。