論文の概要: Injection of Space Radiation Errors on Low-power NVM using Generative Deep Learning

• arxiv url: http://arxiv.org/abs/2610.26724v1
• Date: Mon, 19 Oct 2026 16:52:00 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:17:41.102252
• Title: Injection of Space Radiation Errors on Low-power NVM using Generative Deep Learning
• Title（参考訳）: 生成的深層学習を用いた低消費電力NVMへの宇宙線誤差の注入
• Abstract要約: CubeSatは市販の低消費電力の強誘電体RAM(FRAM)チップを搭載し、繰り返し読み書きテストを実行する。 衛星から受信したすべてのメモリスナップショットと参照ビットマップを比較し、ビットエラーを識別する。 本研究では、これらの空間パターンを自動的に学習し、観察されたパターンを模倣した追加の誤りパターンを合成的に生成する生成的深層学習手法を定義する。
• 参考スコア（独自算出の注目度）: 1.4943863837083493
• License:
• Abstract: We develop an error model for a Non-Volatile Memory (NVM) device that represents the effects of physical faults experienced in a CubeSat mission in Low Earth Orbit (LEO). The CubeSat carries an off-the-shelf low-power Ferroelectric RAM (FRAM) chip and runs repeated read/write tests according to a predefined pattern. We compare every memory snapshot received from the satellite with a reference bitmap to identify bit errors. We visually analyze erroneous values distributions in the memory snapshots and we understand that they are frequently distributed according to regular spatial patterns. We define a generative deep learning technique to automatically learn these spatial patterns and to synthetically generate additional error patterns mimicking the observed ones. The model is capable at producing memory errors for general application-level experimentation. Our preliminary validation indicates that when comparing the model output with the data we collect, 0.92 of the generated bit flips correspond to bit flips in the memory snapshots and the model captures 0.91 of the observed bit flips. A comparison of the spatial distribution of bit flips in 10,000 generated error patterns also provides a Wasserstein distance of 0.073, indicating that the two distributions differ by roughly 7% of the maximum possible displacement of their probability masses.
• Abstract（参考訳）: 我々は、低地球軌道(LEO)におけるCubeSatミッションで経験した物理故障の影響を表す非揮発性メモリ(NVM)装置のエラーモデルを開発する。 CubeSatは市販の低消費電力の強誘電体RAM(FRAM)チップを搭載し、事前に定義されたパターンに従って繰り返し読み書きテストを実行する。 衛星から受信したすべてのメモリスナップショットと参照ビットマップを比較し、ビットエラーを識別する。 メモリスナップショット中の誤値分布を視覚的に解析し,通常の空間パターンに従って頻繁に分布していることを理解する。 本研究では、これらの空間パターンを自動的に学習し、観察されたパターンを模倣した追加の誤りパターンを合成的に生成する生成的深層学習手法を定義する。 このモデルは、一般的なアプリケーションレベルの実験のためのメモリエラーを生成することができる。 予備検証では、収集したデータとモデル出力を比較すると、生成されたビットフリップの0.92がメモリスナップショットのビットフリップに対応し、モデルが観測されたビットフリップの0.91をキャプチャすることを示す。 1万個の誤りパターンにおけるビットフリップの空間分布の比較は、ワッサーシュタイン距離が0.073であり、2つの分布が確率質量の最大変位の約7%異なることを示している。

関連論文リスト

• Error thresholds of toric codes with transversal logical gates [5.203952901790516]
  本稿では,2つのエラー拡散機構がフォールトトレラント量子計算のしきい値に与える影響を定量化する。 tCNOTゲートは、最適ビットフリップエラー閾値を$p80$に下げ、トーリックコードメモリ閾値から$26%値下げすることを示した。
  論文  参考訳（メタデータ） (2025-10-12T22:57:00Z)
• Generative inpainting of incomplete Euclidean distance matrices of trajectories generated by a fractional Brownian motion [46.1232919707345]
  フラクショナルブラウン運動(fBm)はランダム性と強いスケールフリーの相関を特徴とする。 本稿では, 劣化した画像の特定のデータセット上で, 拡散に基づく塗布方法の動物園について検討する。 条件拡散生成は、異なるメモリ状態におけるfBmパスの組込み相関を容易に再現する。
  論文  参考訳（メタデータ） (2024-04-10T14:22:16Z)
• High threshold codes for neutral atom qubits with biased erasure errors [0.0]
  我々は、中性原子量子ビット、バイアス付き消去誤差によって動機付けられた新しいタイプの構造ノイズを同定する。 我々はXZZX曲面符号のゲートレベルシミュレーションを用いて,このモデルの性能について検討した。 単一の原子平面と移動可能なツイーザを用いた物理実装の可能性について議論する。
  論文  参考訳（メタデータ） (2023-02-06T19:01:32Z)
• Witnessing entanglement in trapped-ion quantum error correction under realistic noise [41.94295877935867]
  量子誤り補正(Quantum Error Correction, QEC)は、論理情報を複数の物理量子ビットに符号化することで冗長性を利用する。 トラップイオンプラットフォームで使用される2量子光シフトゲートの平均ゲート不忠実度を推定するために,詳細な顕微鏡誤差モデルを提案する。 次に、この現実的な誤差モデルを適用し、QECビルディングブロックとして機能する回路によって生成されるマルチパーティントの絡み合いを定量化する。
  論文  参考訳（メタデータ） (2022-12-14T20:00:36Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)
• Discriminative-Generative Dual Memory Video Anomaly Detection [81.09977516403411]
  近年,ビデオ異常検出(VAD)には,トレーニングプロセス中に通常のデータに代えて,いくつかの異常を使おうと試みている。 本稿では,いくつかの異常を生かしてデータの不均衡を解決するために,識別生成型デュアルメモリ(dream)異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2021-04-29T15:49:01Z)
• Defuse: Harnessing Unrestricted Adversarial Examples for Debugging Models Beyond Test Accuracy [11.265020351747916]
  Defuseは、テストデータ以外のモデルエラーを自動的に検出し、修正する手法である。 本稿では, 生成モデルを用いて, モデルによって誤分類された自然発生事例を探索する逆機械学習手法に着想を得たアルゴリズムを提案する。 Defuseはテストセットの一般化を維持しながら、微調整後のエラーを修正する。
  論文  参考訳（メタデータ） (2021-02-11T18:08:42Z)
• Wildcard error: Quantifying unmodeled errors in quantum processors [0.0]
  量子コンピューティングプロセッサのエラーモデルは、理想的な振る舞いから逸脱し、アプリケーションにおける結果を予測する。 パラメータ化ワイルドカード誤りモデルを用いて誤りモデルを増大させることにより,不整合を解消し,非モデル誤差率を定量化する方法を示す。 データとの整合性を取り戻すのに必要なワイルドカードエラーの量は、どれだけの非モデル化エラーが観測されたかを定量化する。
  論文  参考訳（メタデータ） (2020-12-22T18:22:08Z)

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。