高信頼CNNアクセラレータ向け最適化フォールトトレラントデータ処理モジュール

科学分野:

• コンピュータ工学
• ハードウェアアーキテクチャ
• 人工知能

背景:

• 畳み込みニューラルネットワーク（CNN）は画像推論に不可欠です。
• Systolic Arrayアーキテクチャは高いパフォーマンスを提供しますが、ハードウェアオーバーヘッドと信頼性の課題に直面しています。
• これらのシステムにおける既存のPEは、効率と信頼性のトレードオフを示します。

研究 の 目的:

• PEの効率と信頼性を向上させる新しいモジュールの提案。
• Systolic Arrayシステムの電力消費とハードウェアフットプリントの削減。
• テストオーバーヘッドの最小化とフォールト検出機能の向上。

主な方法:

• PEモジュール内へのローカルバイナリパターンと最小最大演算の統合。
• 効率的なフォールト検出のための最適化されたアーキテクチャの再利用。
• 堅牢なシステム運用のための一貫したフォールトPEバイパスメカニズムの実装。

主要な成果:

• Nan Gate 45nmライブラリを使用してハードウェア面積を29.03%削減。
• フィールドプログラム可能ゲートアレイで動的電力消費を13.72%削減。
• フォールトインジェクション実験で最大33.57%のエラー削減と94%以上のテストカバレッジを達成。

結論:

• 提案手法は、PEの効率と信頼性を大幅に向上させます。
• このアプローチは、Systolic Arrayにおけるハードウェアオーバーヘッドと信頼性のトレードオフに対する実用的なソリューションを提供します。
• このモジュールは、電力と面積を削減してCNNハードウェアアクセラレーションを強化します。