Recent Advances in Testing Techniques for AI Hardware Accelerators
Rýchly nárast veľkého množstva údajov z mobilných zariadení, internetu vecí (IoT) a okrajových zariadení a neustály dopyt po vyššom výpočtovom výkone spôsobili, že hlboké učenie je dnes základom väčšiny aplikácií umelej inteligencie. V posledných rokoch sa presadzuje hlboké učenie implementované na doménovo špecifických akcelerátoroch AI, ktoré podporujú vlastné pamäťové hierarchie, premenlivú presnosť a optimalizované násobenie matíc. Komerčné akcelerátory AI preukázali lepšiu energetickú a priestorovú účinnosť v porovnaní s GPU pri rôznych úlohách odvodzovania.
V tejto monografii sa diskutuje o prekážkach, ktoré je potrebné pochopiť a analyzovať, aby sa zabezpečila funkčná robustnosť nových akcelerátorov AI. Uvádzajú sa najmodernejšie postupy prijaté na štrukturálne a funkčné testovanie akcelerátorov, ako aj metodiky na posudzovanie funkčnej kritickosti hardvérových porúch v akcelerátoroch AI na skrátenie času testovania zameraním sa na funkčne kritické poruchy.
Táto monografia poukazuje na najnovší výskum zameraný na zlepšenie testovania a spoľahlivosti neuromorfných počítačových systémov vytvorených s použitím zariadení s nevolatilnou pamäťou (NVM), ako sú zariadenia so spinovým prenosom momentu (STT-MRAM) a odporové zariadenia RAM (ReRAM). Taktiež sú to robustnosť kremíkovo-fotónových neurónových sietí a obavy zo spoľahlivosti v súvislosti s výrobnými chybami a odchýlkami procesov v monolitických 3D (M3D) výpočtových systémoch založených na takmer pamäťových technológiách.