アクティベーション最大化に基づくAIアクセラレータの故障分類と予測

• Item type: SIG Technical Reports(1)
• 公開日: 2024-06-03
• タイトル: アクティベーション最大化に基づくAIアクセラレータの故障分類と予測
• タイトル / 言語: en
• タイトル: Fault Classification and Prediction of AI Accelerators Based on Activation Maximization
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 信頼性・品質管理
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 千葉大学大学院融合理工学府
• 著者所属: 千葉大学大学院工学研究院
• 著者所属(英): en
• 著者所属(英): Graduate School of Science and Engineering, Chiba University
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Chiba University
• 著者名: 馬, 善謀; 難波, 一輝
• 著者名(英): Shanmou, Ma; Kazuteru, Namba
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本論文では，ニューラルネットワークの解釈性技術を基盤とした方法を提案し，AI アクセラレータの故障を効果的に分類し予測する．AI アクセラレータの PE が故障する場合，モデル，入力，故障位置など，異なる要因により，故障がモデルの出力に与える影響も異なる．本論文で提案する手法は，ニューラルネットワークの解釈性，特にアクティベーション最大化技術を利用して，AI アクセラレータの故障を AI アクセラレータの性能に与える影響の程度に応じて，重要故障と非重要故障に分類するものである．提案手法 (AMM) は，故障のリアルタイム予測と分類において，モデルの解釈性を最大限に活用し，従来手法 (FTM) と比較して，故障カバレッジ率がわずかに 0.6% 低下する一方で，故障の分類時間は 61.5% 短縮された．また，故障位置の正確な特定を避け，モデル間の移行を容易にすることが可能となる．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: This research proposes a method based on neural network interpretability techniques to effectively classify and predict AI accelerator failures. When an AI accelerator's Processing Element (PE) fails, different factors such as the model, input, and location of the failure can affect the output of the model in various ways. This method utilizes neural network interpretability, particularly activation maximization techniques, to classify AI accelerator failures into critical and non-critical based on the extent of their impact on the accelerator's performance. This approach maximizes the interpretability of the model in real-time failure prediction and classification, and compared to traditional methods(FTM), the proposed method(AMM) has only a slight 0.6% decrease in fault coverage rate while reducing the classification time by 61.5%. It also avoids precise identification of the fault location and facilitates transitions between models.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10096105
• 書誌情報: 研究報告システム・アーキテクチャ（ARC）; 巻 2024-ARC-257, 号 13, p. 1-6, 発行日 2024-06-03
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8574
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会