Evaluación de la confiabilidad de redes neuronales profundas implementadas en hardware

Las redes neuronales profundas (Deep Neural Networks - DNNs) han sido adoptadas como base para el desarrollo de aplicaciones de misión crítica, que incluyen vehículos autónomos, equipos médicos de soporte vital, sistemas aeroespaciales, entre otros. En este tipo de aplicaciones, un mal funcionamiento puede desencadenar graves consecuencias para la vida humana, el medio ambiente o daños a equipos de alto costo. La implementación en hardware de estas redes neuronales artificiales, trae ventajas como altas velocidades de operación, un menor consumo de energía y mayor portabilidad. Estas características han motivado a la comunidad científica a proponer nuevas arquitecturas de hardware y a realizar esfuerzos para asegurar su confiabilidad. En este contexto, la identificación precisa de las vulnerabilidades de redes neuronales de alta complejidad sintetizadas en hardware cobra gran relevancia. Para ello, se utilizan mecanismos de inyección de fallas que consisten en circuitos especializados conocidos como saboteadores, que permiten emular fallas en componentes de hardware tales como registros y unidades de memoria, bloques de procesamiento e interconexiones, con el propósito de evaluar su impacto en la precisión y resiliencia del sistema. Los modelos de fallas pueden ser permanentes (tipo stuck-at) o transitorias (como bit flip o coupling faults, entre otras) y pueden ser aplicados en diferentes niveles de la arquitectura de las DNNs, que van desde neuronas individuales y pesos, hasta capas completas. Una de las plataformas más utilizadas para este tipo de estudios son las FPGAs (Field Programmable Gate Array), gracias a características como su flexibilidad, bajo consumo de energía, velocidad y capacidad de procesamiento. Este trabajo presenta el desarrollo de un entorno para evaluar la confiabilidad de las DNNs implementadas en hardware a través de un sistema de inyección de fallas que emula fallas permanentes y transitorias, apoyado en un conjunto de herramientas para el análisis y verificación del impacto de cada prueba. Los resultados preliminares revelan que las DNNs exhiben diversos grados de vulnerabilidad a fallas en hardware y que algunas capas y parámetros críticos pueden afectar seriamente el desempeño de cada modelo. Los hallazgos subrayan la importancia de comprender la dinámica de propagación de fallas dentro de las DNNs para asegurar el diseño de arquitecturas de hardware y software más confiables.