卷积神经网络加速器中SEU的评估与加固研究

AI加速器在空间探索应用时需要考虑到空间辐射环境下SEE引发的软错误。在AI加速器设计过程中，需要对其SEE容错能力和可靠性进行评估，本文对Lenet-5的加速器进行了SEU故障注入，提出了一种从网络结构与电路模块映射的角度进行统计评估的方法。实验结果证明，在神经网络中，由于AI加速器计算数据大的特点，发生在权重和特征图的SEU错误在传播过程中有可能会被池化层屏蔽掉，SEU错误发生在靠近输出的层级比靠近输入的层级更容易导致识别准确率的下降。此外，实验还发现，在加速器电路模块映射中，负责产生使能信号和地址控制信号的控制单元CTRL比处理单元PE和存储单元MEM更容易被SEU错误所影响，严重时会影响加速器的正常运行。最后本文针对评估结果，进行了STMR加固措施对CTRL进行了加固，相比于FTMR，极大地减少了面积开销。