ارائه کننده: سیدعلی میرحسینی

استاد ناظر داخلی: دکتر علیرضا شفیعی‌نژاد

استاد ناظر خارج از دانشگاه: دکتر شقایق وحدت (دانشگاه تهران)

تاریخ: ۱۴۰/۰۲/۳۰ 

مکان:  بلوک 6، دانشکده مهندسی برق و کامپیوتر، طبقه 5، اتاق شیشه‌ای

چکیده:

پیشرفت‌ سریع و تکامل روزافزون شبکه‌های عصبی عمیق (DNN) در سال‌های اخیر، این مدل‌ها را به جزئی جدایی‌ناپذیر از فناوری‌های مدرن تبدیل کرده است. اهمیت این موضوع زمانی دوچندان می‌شود که این مدل‌ها در حوزه‌های حساس به ایمنی و مأموریت‌های حیاتی نظیر رانندگی خودران، ربات‌های دستیار جراحی به کار گرفته می‌شوند که وقوع خطا می تواند منجر به نتایج فاجعه‌بار شود. از این رو تضمین قابلیت اطمینان در این سیستم‌ها امری اجتناب‌ناپذیر است. تراشه‌های FPGA بستری ایده‌آل برای پیاده‌سازی این شتاب‌دهنده‌ها هستند، اما پایداری آن‌ها به شدت تحت تأثیر اختلالات فیزیکی و خطاهای واژگونی بیت ناشی از تشعشعات در حافظه‌ها (BRAM) قرار دارد. این در حالی است که روش‌های سنتی مقاوم‌سازی سخت‌افزاری به دلیل سربار شدید منابع، برای مدل‌های هوش مصنوعی غیرعملی هستند.

در این پژوهش، چارچوب خودکار EnPos جهت طراحی شتاب‌دهنده‌های شبکه‌های عصبی عمیق مقاوم در برابر خطا بر روی تراشه‌های FPGA پیشنهاد شده است. این ابزار با بهره‌گیری از هم‌افزایی میان قابلیت اطمینان معماری یادگیری گروهی (Ensemble) و مقاومت ذاتی سیستم نوین نمایش اعداد پوزیت (Posit)، تاب‌آوری سیستم را در مواجهه با خطا ارتقا می‌دهد. چارچوب مذکور فرآیند تبدیل مدل‌های ممیز شناور ۳۲ بیتی را به پوزیت به عرض‌بیت کمتر به‌صورت خودکار مدیریت کرده و با جستجوی هوشمند در فضای طراحی، بهینه‌ترین ساختار گروهی را متناسب با قیود انتخابی کاربر شناسایی می‌کند. همچنین در این ابزار، با تطبیق یک مدل ریاضیاتی، نرخ افت دقت مدل گروهی بدون نیاز به شبیه‌سازی‌های زمان‌بر تخمین زده می‌شود.

نتایج تجربی حاصل از روش خودکار تزریق خطای واژگونی بیت روی شبکه LeNet-5 نشان می‌دهد که سیستم نمایش اعداد پوزیت در توانسته تا حدود ۴ برابر مقاومت بالاتری نسبت به ممیز ثابت از خود نشان دهد.  به‌کارگیری مکانیزم پوزیت تقویت‌شده، توانسته افت دقت مدل‌ها را تحت تزریق خطا تا حدود 40 برابر نسبت به پوزیت و ممیز ثابت بهبود دهد.به علاوه استفاده از یادگیری گروهی توانسته افت دقت را تا حدود 10% نسبت به مدل‌های پایه حفظ کند. در نهایت، مدل ریاضیاتی پیشنهادی با میانگین خطای ناچیز ۰.۰۲٪ برای پوزیت تقویت‌شده و ۳.۴۵٪ برای پوزیت استاندارد، با رفتاری بدبینانه و ایمن، فضای طراحی را بدون نیاز به شبیه‌سازی‌های طولانی تضمین می‌کند.