Avances recientes en las técnicas de prueba de los aceleradores de hardware de IA

Título original:

Recent Advances in Testing Techniques for AI Hardware Accelerators

Contenido del libro:

El rápido crecimiento de los macrodatos procedentes de dispositivos móviles, del Internet de las cosas (IoT) y de los dispositivos periféricos, así como la continua demanda de mayor potencia de cálculo, han convertido el aprendizaje profundo en la piedra angular de la mayoría de las aplicaciones de inteligencia artificial (IA) actuales. En los últimos años se ha producido un impulso hacia el aprendizaje profundo implementado en aceleradores de IA específicos del dominio que admiten jerarquías de memoria personalizadas, precisión variable y multiplicación de matrices optimizada. Los aceleradores de IA comerciales han demostrado una mayor eficiencia energética y de consumo de espacio en comparación con las GPU para diversas tareas de inferencia.

En esta monografía, se analizan los obstáculos que es preciso comprender y analizar para garantizar la robustez funcional de los nuevos aceleradores de IA. Se presentan las prácticas más avanzadas adoptadas para las pruebas estructurales y funcionales de los aceleradores, así como metodologías para evaluar la criticidad funcional de los fallos de hardware en los aceleradores de IA con el fin de reducir el tiempo de las pruebas centrándose en los fallos funcionalmente críticos.

Esta monografía destaca las investigaciones recientes sobre los esfuerzos para mejorar las pruebas y la fiabilidad de los sistemas informáticos neuromórficos construidos con dispositivos de memoria no volátil (NVM) como la memoria de transferencia de giro (STT-MRAM) y la memoria RAM resistiva (ReRAM). También se estudia la robustez de las redes neuronales silicio-fotónicas y los problemas de fiabilidad que plantean los defectos de fabricación y las variaciones de proceso en los sistemas informáticos monolíticos 3D (M3D) basados en memorias cercanas.