Deep Learning Accelerator in Loop Reliability Evaluation for Autonomous Driving

要約

自動運転システムで使用されるディープラーニング アクセラレータ (DLA) の信頼性は、システムの安全性に大きな影響を与えます。
ただし、DLA の信頼性は通常、出力の平均二乗誤差などの低レベルの指標で評価され、自動運転が失敗するまでの総走行距離などの高レベルの指標とはかなり異なります。
その結果、ポストシリコン段階で評価された高レベルの信頼性指標は依然として DLA 設計の改訂につながり、自動運転をターゲットとした高価な信頼性の高い DLA 設計の反復につながる可能性があります。
この問題を解決するために、私たちは DLA 設計の初期段階でシステムの信頼性評価を可能にする DLA-in-loop 信頼性評価プラットフォームを提案しました。

要約(オリジナル)

The reliability of deep learning accelerators (DLAs) used in autonomous driving systems has significant impact on the system safety. However, the DLA reliability is usually evaluated with low-level metrics like mean square errors of the output which remains rather different from the high-level metrics like total distance traveled before failure in autonomous driving. As a result, the high-level reliability metrics evaluated at the post-silicon stage may still lead to DLA design revision and result in expensive reliable DLA design iterations targeting at autonomous driving. To address the problem, we proposed a DLA-in-loop reliability evaluation platform to enable system reliability evaluation at the early DLA design stage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google