Recent Advances in Testing Techniques for AI Hardware Accelerators
A mobil, a dolgok internete (IoT) és a peremeszközökből származó nagy mennyiségű adat gyors növekedése, valamint a nagyobb számítási teljesítmény iránti folyamatos igény a legtöbb mesterséges intelligencia (AI) alkalmazás sarokkövévé tette a mélytanulást. Az utóbbi években egyre inkább előtérbe került a mélytanulás, amelyet olyan, a terület-specifikus AI-gyorsítókon valósítottak meg, amelyek támogatják az egyéni memóriahierarchiákat, a változó pontosságot és az optimalizált mátrixszorzást. A kereskedelmi forgalomban kapható AI-gyorsítók a GPU-khoz képest jobb energia- és helyigényhatékonyságot mutattak számos következtetési feladat esetében.
Ebben a monográfiában azokat az akadályokat tárgyaljuk, amelyeket meg kell érteni és elemezni kell a fejlődő mesterséges intelligenciagyorsítók funkcionális robusztusságának biztosítása érdekében. Bemutatásra kerülnek a gyorsítók szerkezeti és funkcionális tesztelésére elfogadott legújabb gyakorlatok, valamint az AI-gyorsítók hardverhibáinak funkcionális kritikusságát felmérő módszerek, amelyek a funkcionálisan kritikus hibák megcélzásával csökkentik a tesztelési időt.
Ez a monográfia a neuromorfikus számítástechnikai rendszerek tesztelésének és megbízhatóságának javítására irányuló legújabb kutatásokat mutatja be, amelyek nem-illékony memória (NVM) eszközök, például spin-transzfer-torque (STT-MRAM) és rezisztív RAM (ReRAM) eszközök felhasználásával készültek. Szintén a szilícium-fotonikus neurális hálózatok robusztussága és a monolitikus 3D (M3D) alapú, memóriához közeli számítási rendszerek gyártási hibáival és folyamatváltozásaival kapcsolatos megbízhatósági aggályok.