인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 저자정보
피인용 0
초록·키워드
Nowadays, deep neural networks (DNNs) are being applied for safety-critical applications such as automotive and aerospace while emphasizing the high significance of lifetime resilience. Conversely, hardware accelerators have been employed for the efficient execution of complex DNNs on edge devices with resource constraints. Meanwhile, enhancing computation efficiency through redundancy elimination, coupled with technology feature size scaling, can elevate the vulnerability to aging, reducing the lifetime resilience of DNN accelerators. Previously, designers relied on conservative guard bands to prolong the lifetime of CMOS devices, albeit at the expense of performance loss. This paper proposes the serial processing approach for neural networks based on the redundant number system, which improves lifetime resilience without losing accuracy or performance but, with a few area and power overheads. We explore the number-system effect on BTI (Bias Temperature Instability) stress and consequent aging degradation. Experimental results of DNNs execution illustrate that the proposed computing approach mitigates stress by 36% on average leading to a 35.5% higher lifetime over the baseline.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-090950690
