اگر در حوزه طراحی شتابدهندههای هوش مصنوعی فعالیت میکنید، احتمالاً با چالش خطاهای گذرا (Transient Faults) در FPGAها آشنا هستید. معماریهای متداول مثل TMR هزینه انرژی و تاخیر زیادی دارند، اما فریمورک جدید «ProWAFT» این بازی را تغییر داده است!
محققان با استفاده از پیکربندی پویا (Partial Reconfiguration)، توانستهاند اولویت کاری مدلهای CNN را تحلیل کنند و به صورت هوشمند و گزینشی، قابلیت اطمینان را افزایش دهند. نتیجه؟ ترکیبی عالی از سرعت، مصرف انرژی بهینه و دقت بالا در محیطهای حساس که عملکرد مدلهایی مثل ResNet-18 و MobileNetV2 را در برابر خطاها بسیار مقاومتر میکند.
این یک قدم بزرگ برای استفاده امنتر از هوش مصنوعی در لبه شبکه (Edge Computing) است! 💡
منبع: arXiv NLP
