論文の概要: An Empirical Fault Vulnerability Exploration of ReRAM-based Process-in-Memory CNN Accelerators

• arxiv url: http://arxiv.org/abs/2610.07029v1
• Date: Sun, 04 Oct 2026 18:21:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.519237
• Title: An Empirical Fault Vulnerability Exploration of ReRAM-based Process-in-Memory CNN Accelerators
• Title（参考訳）: ReRAMベースのプロセスインメモリCNN加速器の実証的故障脆弱性探索
• Abstract要約: PIM加速器は、プロセスのバリエーションや欠陥につながる技術製造の限界により、非常にエラーを起こしやすい。 これらの制限は、PIMアクセラレータ上で動作するDeep Convolutional Neural Networks(Deep CNN)の精度を低下させる。 ソフトウェアおよびハードウェアレベルの推論フェーズにおいて,大規模CNNの脆弱性を調査するためのフォールトインジェクションフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 0.5249805590164902
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Resistive random-access memory (ReRAM)-based Processing-in-Memory (PIM) accelerator is a promising platform for processing massively memory intensive matrix-vector multiplications of neural networks in parallel domain, due to its capability of analog computation, ultra-high density, near-zero leakage current, and non-volatility. Despite many advantages, ReRAM-based accelerators are highly error-prone due to limitations of technology fabrication that lead to process variations and defects. These limitations degrade the accuracy of Deep Convolutional Neural Networks (Deep CNNs) running on PIM accelerators. While these CNNs accelerators are widely deployed in safety-critical systems, their vulnerability to fault is not well explored. In this paper, we have developed a fault injection framework to investigate the vulnerability of large-scale CNNs at both software- and hardware-level of inference phases. Faulty ReRAM devices are another reliability challenges due to significant degradation of classification accuracy when CNN parameters are mapped to the accelerators. To investigate this challenge, we map the CNN learning parameter to the ReRAM crossbar and inject faults into crossbar arrays. The proposed framework analyzes the impact of stuck-at high (SaH) and stuck-at low (SaL) fault models on different layers and locations of CNN learning parameters. By performing extensive fault injections, we illustrate that the vulnerability behavior of ReRAM-based PIM accelerator for CNNs is greatly impressible to the types and depth of layers, the location of the learning parameter in every layer, and the value and types of faults. Our observations show that different models have different vulnerabilities to faults. Specifically, we show that SaL further reduces classification accuracy than SaH.
• Abstract（参考訳）: Resistive random- Access memory (ReRAM)ベースのProcessing-in-Memory (PIM)アクセラレータは、アナログ計算、超高密度、ニアゼロリーク電流、非揮発性のために、並列領域におけるニューラルネットワークの大規模なメモリ集約行列ベクトル乗算を処理するための有望なプラットフォームである。 多くの利点があるにもかかわらず、ReRAMベースのアクセラレータは、プロセスのバリエーションや欠陥につながる技術構築の限界により、非常にエラーを起こしやすい。 これらの制限は、PIMアクセラレータ上で動作するDeep Convolutional Neural Networks(Deep CNN)の精度を低下させる。 これらのCNNアクセラレータは安全クリティカルなシステムに広くデプロイされているが、フォールトに対する脆弱性は十分に調査されていない。 本稿では,ソフトウェアおよびハードウェアレベルでの大規模CNNの脆弱性を調査するためのフォールトインジェクションフレームワークを開発した。 故障したReRAMデバイスは、CNNパラメータがアクセラレータにマップされると、分類精度が大幅に低下するため、別の信頼性上の課題である。 この課題を解明するために、CNN学習パラメータをReRAMクロスバーにマッピングし、クロスバーアレイに障害を注入する。 提案するフレームワークは,CNN学習パラメータの異なるレイヤや場所に対する,Stand-at High (SaH) とStand-at Low (SaL) の故障モデルの影響を解析する。 広範囲なフォールトインジェクションを行うことにより,ReRAMベースのCNN用PIMアクセラレータの脆弱性挙動は,レイヤの種類や深さ,各レイヤにおける学習パラメータの位置,障害の価値や種類に非常に印象的であることを示す。 私たちの観察では、異なるモデルが障害に対して異なる脆弱性を持っていることが示されています。 具体的には,SaLがSaHよりも分類精度を低下させることを示す。

関連論文リスト

• Are Deep Learning Based Hybrid PDE Solvers Reliable? Why Training Paradigms and Update Strategies Matter [41.35393583386416]
  パフォーマンスは、トレーニングパラダイムやアップデート戦略に非常に敏感であることを示します。 固定点更新よりも物理残差を最小限に抑える物理認識型アンダーソン加速度(PA-AA)を導入する。
  論文  参考訳（メタデータ） (2026-02-06T16:35:16Z)
• Advanced technology in railway track monitoring using the GPR Technique: A Review [41.94295877935867]
  グラウンド・ペネトレーション・レーダー (GPR) は、鉄道線路の監視に使用できる電磁探査技術である。 バラストポケット、ファウルドバラスト、排水不良、下級集落などの欠陥を検出することができる。 本稿では,実世界のGPRデータのキャリブレーションに合成モデリングを用いる手法について述べる。 ディープラーニング技術、特にCNN(Convolutional Neural Networks)やRNN(Recurrent Neural Networks)も、GPRイメージの欠陥に関連するパターンを認識する上での有効性を強調している。
  論文  参考訳（メタデータ） (2025-01-19T18:01:39Z)
• Cost-Effective Fault Tolerance for CNNs Using Parameter Vulnerability Based Hardening and Pruning [0.4660328753262075]
  本稿では,ニューラルネットワークに誤り訂正を直接組み込むことにより,CNNのモデルレベル硬化手法を提案する。 提案手法は,TMRに基づく補正とほぼ同等の耐故障性を示すが,オーバーヘッドは大幅に減少する。 注目すべきは、硬化したpruned CNNは、硬化したun-prunedよりも最大24%高速であることだ。
  論文  参考訳（メタデータ） (2024-05-17T09:42:44Z)
• Robust Errant Beam Prognostics with Conditional Modeling for Particle Accelerators [36.157808223320465]
  粒子加速器は様々な理由で故障や停止の可能性がある。 これらの欠陥は、スケジュールされた実行中の粒子加速器の可用性に影響を与え、効率と全体の科学出力を妨げている。 異常検出技術を用いて異常な振る舞いを予測し、プリエンプティブ動作を行い、粒子加速器の総可利用性を向上させる。
  論文  参考訳（メタデータ） (2023-11-22T07:36:16Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• ISimDL: Importance Sampling-Driven Acceleration of Fault Injection Simulations for Evaluating the Robustness of Deep Learning [10.757663798809144]
  我々は,重要なサンプリングに基づく障害シナリオを生成するために,ニューロンの感度を利用する新しい手法であるISimDLを提案する。 実験の結果, ランダムな一様サンプリングよりも臨界断層を選択する場合, 重要サンプリングは最大15倍の精度で, 100個未満の故障でその精度に達することがわかった。
  論文  参考訳（メタデータ） (2023-03-14T16:15:28Z)
• 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)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)
• FAT: Training Neural Networks for Reliable Inference Under Hardware Faults [3.191587417198382]
  本稿では、ニューラルネットワーク(NN)トレーニング中のエラーモデリングを含む、フォールト・アウェア・トレーニング(FAT)と呼ばれる新しい手法を提案し、デバイス上の特定のフォールトモデルに耐性を持たせる。 FATはCIFAR10、GTSRB、SVHN、ImageNetなど多くの分類タスクに対して検証されている。
  論文  参考訳（メタデータ） (2020-11-11T16:09:39Z)
• A Survey on Impact of Transient Faults on BNN Inference Accelerators [0.9667631210393929]
  ビッグデータブームにより、非常に大きなデータセットへのアクセスと分析が容易になります。 ディープラーニングモデルは、計算能力と極めて高いメモリアクセスを必要とする。 本研究では,ソフトエラーが独自の深層学習アルゴリズムに与える影響が画像の劇的な誤分類を引き起こす可能性を実証した。
  論文  参考訳（メタデータ） (2020-04-10T16:15:55Z)

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。