MARC

 008260126s2022        us                              c    eng  d
■001000017360503
■00520260202105537
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265400741
■035    ▼a(MiAaPQ)AAI32314894
■035    ▼a(MiAaPQ)GeorgiaTech70136
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004.6782
■1001  ▼aHuang,  Shanshi.
■24510▼aReliability  and  Security  of  Compute-In-Memory  Based  Deep  Neural  Network  Accelerators
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2022
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2022
■300    ▼a127  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Yu,  Shimeng.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2022.
■520    ▼aThe  proposed  research  aims  to  explore  the  reliability  and  security  issues  in  compute-in-memory  (CIM)  design  for  accelerating  deep  neural  network  (DNN)  algorithms.  On  one  side,  this  research  focuses  on  investigating  and  overcoming  the  impact  of  non-idealities  in  CIM  designs.  We  first  explore  the  design  space  of  the  CIM  inference  accelerator's  quantization  and  mapping  strategies.  Several  typical  design  options  are  analyzed  and  compared  from  both  the  software  and  hardware  performance  sides.  Some  design  options  are  more  robust  and  hardware  friendly  than  others,  inspiring  further  improvement  in  quantization  and  mapping  strategies.  The  first  work  considers  non-ideal  effects  from  quantization  and  mapping  strategies,  with  ideal  circuits  and  devices  assumed.  Considering  a  more  real-life  situation,  reliability  issues  caused  by  non-ideal  circuits  are  studied.  Specifically,  the  process  variation  is  introduced  to  ADCs  of  the  CIM  inference  engine,  which  causes  the  ADC  offset.  The  effect  of  ADC  offset  on  the  software  performance  is  evaluated,  and  an  on-chip  fine-tuning  solution  is  proposed  to  compensate  for  the  performance  degradation.  Embracing  the  benefit  of  on-chip  fine-tuning,  we  explore  the  possibility  of  directly  training  on-chip  of  CIM  accelerators  with  analog  synapses  under  the  non-idealities  of  devices  and  circuits.  The  in-situ  training  is  proven  feasible  even  under  asymmetry/nonlinearity,  device-to-device  (D2D)  variation,  cycle-to-cycle  (C2C)  variation,  and  a  limited  number  of  states.On  the  other  side,  security  vulnerabilities  and  countermeasures  for  SRAM-based  CIM  and  eNVM-based  CIM  inference  engines  are  investigated.  The  SRAM-based  inference  engine  must  download  the  model  each  time  after  power-on  as  it  is  volatile.  Thus,  we  propose  an  XOR-CIM-based  inference  engine  working  in  a  two-party  system,  in  which  encryption  and  authentication  are  adopted  considering  data  transmission  between  servers  and  edge  devices.  The  eNVM-based  engines  mainly  suffer  from  the  information  leaking  problem  brought  by  raw  data  stored  in  non-volatile  memory.  Inspired  by  the  necessary  onchip  fine-tuning  to  recover  the  accuracy  loss  brought  by  the  process  variation,  a  physical  unclonable  function  (PUF)-like  scheme  is  proposed  against  the  weight  cloning  attack  and  to  mitigate  the  transferability  of  the  adversarial  examples.
■590    ▼aSchool  code:  0078.
■650  4▼aEdge  computing
■650  4▼aWire
■650  4▼aCloning
■650  4▼aNeural  networks
■650  4▼aCircuits
■650  4▼aMedical  equipment
■650  4▼aDesign
■650  4▼aEnergy  efficiency
■650  4▼aBreakdowns
■650  4▼aSoftware  upgrading
■650  4▼aEngines
■650  4▼aTransistors
■650  4▼aEnergy  consumption
■650  4▼aAsymmetry
■650  4▼aComputer  science
■650  4▼aElectrical  engineering
■650  4▼aInformation  technology
■650  4▼aMedicine
■650  4▼aSustainability
■690    ▼a0389
■690    ▼a0800
■690    ▼a0984
■690    ▼a0544
■690    ▼a0489
■690    ▼a0564
■690    ▼a0640
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2022
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360503▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서