A Systematic Literature Review on Hardware Reliability Assessment Methods for Deep Neural Networks

要約

タイトル：ディープニューラルネットワークのハードウェア信頼性評価方法に関する体系的な文献レビュー

要約：
– 機械学習や人工知能の進歩により、ディープニューラルネットワーク (DNNs) がよく使用されるようになってきた。DNNs は多数のニューロンとレイヤーで構成されている。
– DNNs を様々なアプリケーションに展開するためには、DNN ハードウェアアクセラレータ（DHA）が活用される。重要な安全対策の場合には、ハードウェアの障害・エラーがあれば、大惨事につながることがあるため、DHA も活用されている。
– したがって、DNNs の信頼性評価は研究分野の重要なテーマである。近年、DNNs の信頼性評価に関する研究が数多く発表されてきた。
– 本研究は、DNNs の信頼性評価に関する研究の状況を把握するために、論文の体系的な文献レビューを実施した。レビューにより、障害注入（FI）、解析、ハイブリッドの3種類のDNNsの信頼性評価方法が特定された。また、FI法が用いられることが多いため、異なるFI法のアプローチとプラットフォームを包括的に説明した。さらに、解析とハイブリッド法も提唱した。
– これにより、異なる信頼性評価方法が、行われたDNNプラットフォームと信頼性評価メトリックについて詳細に説明されている。最後に、識別された方法の利点と欠点、および研究領域での課題についても議論した。

要約(オリジナル)

Artificial Intelligence (AI) and, in particular, Machine Learning (ML) have emerged to be utilized in various applications due to their capability to learn how to solve complex problems. Over the last decade, rapid advances in ML have presented Deep Neural Networks (DNNs) consisting of a large number of neurons and layers. DNN Hardware Accelerators (DHAs) are leveraged to deploy DNNs in the target applications. Safety-critical applications, where hardware faults/errors would result in catastrophic consequences, also benefit from DHAs. Therefore, the reliability of DNNs is an essential subject of research. In recent years, several studies have been published accordingly to assess the reliability of DNNs. In this regard, various reliability assessment methods have been proposed on a variety of platforms and applications. Hence, there is a need to summarize the state of the art to identify the gaps in the study of the reliability of DNNs. In this work, we conduct a Systematic Literature Review (SLR) on the reliability assessment methods of DNNs to collect relevant research works as much as possible, present a categorization of them, and address the open challenges. Through this SLR, three kinds of methods for reliability assessment of DNNs are identified including Fault Injection (FI), Analytical, and Hybrid methods. Since the majority of works assess the DNN reliability by FI, we characterize different approaches and platforms of the FI method comprehensively. Moreover, Analytical and Hybrid methods are propounded. Thus, different reliability assessment methods for DNNs have been elaborated on their conducted DNN platforms and reliability evaluation metrics. Finally, we highlight the advantages and disadvantages of the identified methods and address the open challenges in the research area.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI