Core Concepts
RRAM故障に対する深層ニューラルネットワークの耐性を高めるためのDropConnectアプローチの有効性を示す。ハードウェアの変更、ネットワークの再学習、追加の検出回路なしで、高い精度を維持できる。
Abstract
本研究では、RRAM故障に対する深層ニューラルネットワークの耐性を高めるためのDropConnectアプローチを提案している。
主な内容は以下の通り:
DropConnectアプローチは、RRAM故障率が低い場合や、ある程度の精度低下を許容できる場合に有効な解決策である。特にMobileNet V2では、30%の高い故障率でも精度低下が1%未満に抑えられる。
最適なDropConnect率は、予想される故障率よりも高めに設定する必要がある。しかし、30-40%を超えるDropConnect率は、故障がない場合でも精度を低下させる。
RRAM故障に対するDropConnectベースの耐性を高めるには、ネットワークの幅を広げることが有効。しかし、これにより実行時間とエネルギー消費が増加する。適切なトレードオフを見つける必要がある。
1x1畳み込み層は、従来のCPUアーキテクチャで効率的に実行できるため、RRAM上で実行するよりも有利である。
ResNet20では、ショートカット層の畳み込み層のカーネルサイズを1x1から3x3に変更することで、DropConnectと組み合わせて高い精度を達成できる。
以上のように、DropConnectアプローチは、RRAM故障に対する深層ニューラルネットワークの耐性を高める有効な手法であり、ハードウェアの変更や再学習を必要としない。ただし、より高い故障率に対応するには、他の手法との組み合わせが必要となる。
Stats
RRAM故障率が10%の場合、VGGとMobileNet V2の精度低下は2%未満である。
RRAM故障率が20%/30%の場合、精度低下は4-10%/6-20%である。
Quotes
"DropConnectアプローチは、RRAM故障率が低い場合や、ある程度の精度低下を許容できる場合に有効な解決策である。"
"最適なDropConnect率は、予想される故障率よりも高めに設定する必要がある。"
"RRAM故障に対するDropConnectベースの耐性を高めるには、ネットワークの幅を広げることが有効。"