본 논문은 항공우주 및 자율 주행과 같은 안전 중요 응용 분야를 위한 머신러닝 기반 임베디드 시스템의 소프트 에러에 대한 강건성을 연구합니다. 트랜지스터 크기 축소 및 전압 감소로 인해 현대 전자 장치는 배경 방사선에 더 취약해져 소프트 에러로 인한 고장에 대한 우려가 증가하고 있습니다. 심층 신경망(DNN)의 소프트 에러에 대한 복원력은 대상 장치 기술뿐만 아니라 모델 구조, 매개변수의 수치 표현 및 연산 정밀도에도 의존합니다. 메모리 공간과 계산 복잡도를 줄이기 위해 사용되는 가지치기 및 양자화와 같은 압축 기술은 모델 구조와 표현 모두를 변경하여 소프트 에러 강건성에 영향을 미칩니다. 이러한 맥락에서 종종 간과되지만, 활성화 함수(AF)의 선택은 정확도와 훈련 가능성뿐만 아니라 압축성과 에러 복원력에도 영향을 미칩니다. 본 논문에서는 기술과 무관한 접근 방식으로 모델 정확도, 압축성 및 계산 부하에 대한 영향을 평가하면서, 경계가 있는 활성화 함수(AF)를 사용하여 매개변수 변동에 대한 강건성을 향상시키는 방법을 탐구합니다. 자율 주행 시스템에 적용되는 초분광 이미지의 의미론적 분할을 위해 개발된 인코더-디코더 합성곱 모델에 중점을 두고 있으며, AMD-Xilinx의 KV260 SoM에서 실험을 수행합니다.
