Awọn akoonu adaṣe diẹ sii 😀

Ninu awọn ọkọ ayọkẹlẹ ode oni, aabo jẹ iṣakoso bii pupọ nipasẹ awọn iṣẹ orisun AI bi nipasẹ ọgbọn aṣa ati sọfitiwia. Bawo ni awọn iṣẹ wọnyi ṣe le jẹ abawọn-aṣiṣe fun itupalẹ FMDA? Paul Cunningham (GM, Ijeri ni Cadence), Raúl Camposano (Silicon Catalyst, entrepreneur, tele Synopsys CTO ati bayi Silvaco CTO) ati pe Mo tẹsiwaju jara wa lori awọn imọran iwadi. Bi nigbagbogbo, esi kaabọ.

Awọn Innovation

Aṣayan oṣu yii ni SiFI-AI: Iyara ati Rọ Rọ Ilana Simulation Ẹbi RTL Ti a ṣe deede fun Awọn awoṣe AI ati Awọn Accelerators. Nkan yii ni a tẹjade ni apejọ apejọ Adagun Nla 2023 lori VLSI. Awọn onkọwe wa lati Karlsruhe Institute of Technology, Germany.

ISO 26262 nilo itupalẹ ailewu ti o da lori awọn ọna FMEDA nipa lilo kikopa aṣiṣe lati ṣe ayẹwo ifamọ ti awọn iṣẹ to ṣe pataki si igba diẹ ati awọn aṣiṣe eto, ati imunadoko irokuro lati ṣọra lodi si awọn aṣiṣe. Itupalẹ bẹrẹ pẹlu oye iwé apẹrẹ ti kini awọn ihuwasi ipele giga gbọdọ jẹ iṣeduro papọ pẹlu kini awọn ikuna ojulowo le tan awọn aṣiṣe ninu awọn ihuwasi wọnyẹn.

Imọ-imọ-imọ-imọ-iwé yii ti ni oye tẹlẹ fun ọgbọn aṣa ati sọfitiwia ṣugbọn ko sibẹsibẹ fun awọn awoṣe AI (awọn netiwọki nkankikan) ati awọn iyara lori eyiti wọn nṣiṣẹ. Awọn ẹlẹrọ aabo nilo iranlọwọ lati ṣawari awọn ipo ikuna ati awọn ipa ni awọn paati AI lati mọ ibiti ati bii o ṣe le ṣe aṣiṣe awọn awoṣe ati ohun elo. Siwaju sii pe onínọmbà gbọdọ ṣiṣẹ ni awọn iyara to wulo lori awọn awoṣe nla ti o wọpọ fun awọn DNS. Awọn onkọwe daba ilana tuntun eyiti wọn sọ pe o yara pupọ ju awọn ọna lọwọlọwọ lọ.

Pọ́ọ̀lù wo

Iwe ti o nfa ironu ati iyanilẹnu: bawo ni o ṣe ṣe iṣiro eewu ti awọn aṣiṣe ohun elo laileto ninu ohun imuyara AI ti a lo fun iranlọwọ awakọ tabi awakọ adase? Itọkasi AI funrararẹ jẹ ọna iṣiro, nitorinaa ṣiṣe ipinnu ibatan laarin isipade bit laileto ibikan ninu ohun imuyara ati itọkasi ti ko tọ jẹ kii ṣe nkan.

Iwe yii dabaa kikọ eto kan ti o le “fiparọ sinu” kikopa RTL gidi kan ti Layer kan ti nẹtiwọọki nkankikan, bibẹẹkọ itọkasi orisun sọfitiwia mimọ ti nẹtiwọọki yẹn ni PyTorch. Aṣiṣe le jẹ itasi sinu Layer ti a ṣe apẹrẹ RTL lati ṣe ayẹwo ipa ti ẹbi yẹn lori iṣẹ afọwọṣe gbogbogbo.

Awọn onkọwe ṣe afihan ọna wọn lori Gemmini ìmọ-orisun AI accelerator nṣiṣẹ ResNet-18 ati GoogLeNet image classification nẹtiwọki. Wọn ṣe akiyesi ipin kọọkan ti eto imuyara Gemmini ni awọn iforukọsilẹ 3 (imuṣiṣẹ titẹ sii, iwuwo ati apao apa) ati ifihan iwuwo yiyan, papọ awọn iru aṣiṣe 4 ṣee ṣe lati abẹrẹ. Wọn ṣiṣẹ awọn adanwo ifọkasi 1.5M, ọkọọkan pẹlu aṣiṣe laileto itasi, ṣiṣe ayẹwo boya ipin-oke 1 lati inu nẹtiwọọki ko tọ. Akoko asiko wọn jẹ iyara 7x iwunilori ju iṣẹ iṣaaju lọ, ati awọn shatti wọn ṣe afihan ireti inu inu pe awọn aṣiṣe ni awọn fẹlẹfẹlẹ iṣaaju ti nẹtiwọọki jẹ ipa diẹ sii ju awọn ti o wa ni awọn ipele jinle.

Paapaa, o han gbangba lati inu data wọn pe diẹ ninu iru ẹrọ aabo ohun elo (fun apẹẹrẹ ibo-meta) jẹ atilẹyin ọja nitori iṣeeṣe pipe ti aṣiṣe iyasọtọ oke-1 jẹ 2-8% fun awọn aṣiṣe ni awọn ipele 10 akọkọ ti nẹtiwọọki. Iyẹn ga ju fun iriri awakọ ailewu!

Oju Raúl

Ipilẹṣẹ akọkọ ti SiFI-AI jẹ kikopa awọn aṣiṣe igba diẹ ninu awọn ohun imuyara DNN ti o n ṣajọpọ itọkasi AI iyara pẹlu kikopa RTL deede ati abẹrẹ aṣiṣe ti o da lori ipo. Eyi ni iyara 7x ju ipo ti aworan lọ (itọkasi 2, Condia et al, Iṣakojọpọ Iṣaṣe ayaworan ati Abẹrẹ Aṣiṣe sọfitiwia fun Iyara ati Igbelewọn Igbẹkẹle CNNs deede lori awọn GPUs). Ẹtan naa ni lati ṣe afarawe ohun ti o jẹ dandan ni iyara gigun-pipe RTL. Awọn ašiše ti a ṣe apẹrẹ jẹ ibinu iṣẹlẹ-ẹyọkan (SEU), ie, awọn ifasilẹ-bit ti o wa ni igba diẹ ti o fa nipasẹ awọn ipa ita gẹgẹbi itanra ati awọn patikulu ti o gba agbara, eyiti o duro titi di iṣẹ kikọ atẹle. Lati wa boya aṣiṣe kan yoo fa aṣiṣe jẹ paapaa nira ninu ọran yii; Iwọn giga ti ilotunlo data le ja si itankalẹ ẹbi pataki, ati kikopa ẹbi nilo lati mu mejeeji faaji ohun elo ati topology awoṣe DNA sinu akọọlẹ.

SiFI-AI ṣepọ simulation hardware sinu ilana ML (PyTorch). Fun kikopa HW o nlo Verilator, ọfẹ ati ṣiṣi orisun Verilog simulator, lati ṣe agbekalẹ awọn awoṣe RTL deede. Alakoso aṣiṣe n ṣakoso abẹrẹ aṣiṣe bi a ti ṣe itọsọna nipasẹ olumulo, ni lilo ọna ti o da lori ipo, ie, atokọ awọn ipo ti o yago fun aṣiṣe kan ti boju-boju. Lati yan apakan wo ni a ṣedasilẹ ni RTL, o decomposes awọn fẹlẹfẹlẹ sinu awọn alẹmọ kekere ti o da lori “awọn ohun-ini Layer, ilana tiling lupu, iṣeto imuyara, ati ẹbi oniwun” o si yan tile kan.

Ẹrọ ti a ṣe idanwo ni apakan idanwo jẹ Gemmini, systolic array DNN accelerator ti a ṣẹda ni UC Berkeley ni iṣẹ Chipyard, ni iṣeto ti 16 × 16 processing eroja (PE). SiFI-AI ṣe iwadii ifarabalẹ pẹlu awọn adanwo abẹrẹ aṣiṣe aṣiṣe 1.5 M lori awọn ẹru iṣẹ DNN aṣoju meji, ResNet-18 ati GoogLeNet. Awọn aṣiṣe ti wa ni itasi sinu awọn iforukọsilẹ data PE mẹta ati ifihan agbara iṣakoso kan, gẹgẹbi a ti pato nipasẹ olumulo. Awọn abajade ṣe afihan iṣeeṣe aṣiṣe kekere kan, ti n jẹrisi resilience ti awọn DNNs. Wọn tun fihan pe awọn aṣiṣe ifihan agbara iṣakoso ni ipa pupọ diẹ sii ju awọn aṣiṣe ifihan data lọ, ati pe fife ati aijinile ni ifaragba diẹ sii ju awọn fẹlẹfẹlẹ dín ati jin.

Eyi jẹ iwe ti o dara eyiti o ṣe ilọsiwaju aaye ti igbelewọn igbẹkẹle DNN. Iwe naa jẹ kikọ daradara ati kedere ati pese awọn alaye to ati awọn itọkasi lati ṣe atilẹyin awọn ẹtọ ati awọn abajade. Paapaa botilẹjẹpe imọran pataki ti apapọ kikopa ni awọn ipele oriṣiriṣi ti atijọ, awọn onkọwe lo o ni imunadoko. Awọn ilana bii SciFI-AI le ṣe iranlọwọ fun awọn apẹẹrẹ ati awọn oniwadi lati mu awọn ile-iṣẹ faaji wọn pọ si ati jẹ ki wọn jẹ ki wọn tun pada. Mo tun fẹran itupalẹ ti ipa aṣiṣe lori oriṣiriṣi awọn fẹlẹfẹlẹ ati awọn ifihan agbara, eyiti o ṣafihan diẹ ninu awọn oye ti o nifẹ si. Iwe naa le ni ilọsiwaju nipasẹ pipese alaye diẹ sii lori ilana abẹrẹ aṣiṣe ati yiyan awọn alẹmọ naa. Pelu koko-ọrọ naa jẹ pato pato, lapapọ, iwe igbadun pupọ!

Pin ifiweranṣẹ yii nipasẹ:

• SEO Agbara akoonu & PR Pinpin. Gba Imudara Loni.
• PlatoData.Network inaro Generative Ai. Fi agbara fun ara Rẹ. Wọle si Nibi.
• PlatoAiStream. Web3 oye. Imo Amugbadun. Wọle si Nibi.
• PlatoESG. Erogba, CleanTech, Agbara, Ayika, Oorun, Isakoso Egbin. Wọle si Nibi.
• PlatoHealth. Imọ-ẹrọ Imọ-ẹrọ ati Awọn Idanwo Ile-iwosan. Wọle si Nibi.
• Orisun: https://semiwiki.com/automotive/343105-fault-simulation-for-ai-safety-grading-innovation-in-verification/