本文提出了一种差分映射方案，以提高 ReRAM 的容错性，实现无需大规模优化的负载裁剪技术，从而在代表性 DNN 任务中容忍几乎高达一个数量级的故障率，而不需要额外的硬件成本。

Jun, 2021

本文提出了使用贝叶斯优化来提高深度神经网络抗重量漂移性能的方法，并使用 dropout 来提高网络的鲁棒性。实验结果表明该方法在各种任务（例如图像分类和目标检测）中优于现有技术。

Sep, 2022

本文提出一种针对深度神经网络在训练和模型设计时提高其可靠性的解决方案，旨在解决硬件故障导致对模型预测出现错误等问题。在研究中通过 DNN 重新设计、重新训练等方式，提出三种零附加成本的解决方案，可以在一定程度上提高 DNNs 对于瞬态故障的可靠性，并通过广泛的消融研究量化了每种硬化组件的性能提升。

May, 2022

采用退火和正则方法训练硬件感知型神经网络作为垂直交叉阵列的一种解决方案。

May, 2023

本文提出了一种故障感知的框架 FARe，用于在存在故障情况下减轻训练图神经网络的影响，该框架在准确性和时间开销方面优于现有方法。实验结果表明，相比无故障情况下的对比系统，FARe 框架可以在故障的 ReRAM 硬件上只增加约 1% 的时间开销，将 GNN 测试准确率提高 47.6%。

Jan, 2024

本研究探讨了阻性随机访问存储器（ReRAM）神经形态电路的推理准确性，由于出现接通、断开和特定电阻值处的堵塞故障导致的准确性下降。使用 Python 的模拟框架进行监督式机器学习（具有 3 个隐藏层、1 个输入层和 1 个输出层的神经网络）对手写数字进行仿真，并构造相应的完全模拟神经形态电路（4 个突触阵列）由 Spectre 模拟。采用了通用的 45 纳米工艺开发套件（PDK）。研究了接通和断开缺陷对推理准确性下降的差异。对不同的缺陷模式进行了研究，包括圆形、环形、行、列和互补圆形缺陷。发现接通和断开缺陷对推理准确性有类似的影响。然而，还发现如果列之间存在空间缺陷变化，推理准确性可能会显著下降。我们还提出了一种机器学习（ML）策略，用于恢复由于堵塞故障导致的推理准确性下降。在有缺陷的神经形态电路中，推理准确性从 48% 提高到 85%。

Feb, 2024

本文介绍了一种名为 NeuralFuse 的新模块，它通过学习输入变换以生成抗错误数据表示来解决廉价电压下 DNNs 性能 - 能耗平衡问题，无需重新训练模型即可在 2.7-5 倍降低内存访问能耗，同时提高 57％的准确性。

Jun, 2023

通过使用基于查找表的算法，提出了一种新的故障感知量化技术，可以在基本不会有成本开销的情况下减少深度神经网络加速器内的永久性故障的影响，并提高精度，同时与故障感知训练方法相比降低了开销。

May, 2023

通过重新参数化模型权重，将 Transformer 编码器层中的模型权重缩小，可以降低模型大小，减轻设备内存的压力，并在语音处理任务上取得了显著的性能改进。

Oct, 2023

硬件感知训练和统计感知训练在神经网络中的应用，以应对硬件非理想性和缺陷的影响，提高网络性能。

Dec, 2023