Recenti progressi nelle tecniche di test per gli acceleratori hardware di IA

Titolo originale:

Recent Advances in Testing Techniques for AI Hardware Accelerators

Contenuto del libro:

La rapida crescita dei big data provenienti dai dispositivi mobili, dall'Internet delle cose (IoT) e dai dispositivi edge, e la continua richiesta di una maggiore potenza di calcolo, hanno fatto sì che il deep learning sia oggi la pietra miliare della maggior parte delle applicazioni di intelligenza artificiale (AI). Negli ultimi anni si è assistito a una spinta verso l'apprendimento profondo implementato su acceleratori di IA specifici per il dominio che supportano gerarchie di memoria personalizzate, precisione variabile e moltiplicazione matriciale ottimizzata. Gli acceleratori AI commerciali hanno dimostrato un'efficienza energetica e di ingombro superiore rispetto alle GPU per una serie di compiti di inferenza.

In questa monografia vengono discussi gli ostacoli che devono essere compresi e analizzati per garantire la robustezza funzionale degli acceleratori di intelligenza artificiale emergenti. Vengono presentate le pratiche all'avanguardia adottate per il collaudo strutturale e funzionale degli acceleratori, nonché le metodologie per valutare la criticità funzionale dei guasti hardware negli acceleratori di intelligenza artificiale, al fine di ridurre il tempo di collaudo mirando ai guasti funzionalmente critici.

Questa monografia mette in evidenza le recenti ricerche sugli sforzi per migliorare i test e l'affidabilità dei sistemi di calcolo neuromorfico costruiti utilizzando dispositivi di memoria non volatile (NVM) come la spin-transfer-torque (STT-MRAM) e la RAM resistiva (ReRAM). Inoltre, sono stati analizzati la robustezza delle reti neurali silicio-fotoniche e i problemi di affidabilità legati ai difetti di fabbricazione e alle variazioni di processo nei sistemi di calcolo monolitici 3D (M3D) basati sulla quasi-memoria.