本文提出了一种全面的方法，用于探索和评估量化对模型准确性、激活故障可靠性和硬件效率的三方面影响。通过各种量化感知技术、故障注入和硬件实现，实现了全自动化的框架，并提出了一种轻量级保护技术，以确保最终基于系统阵列的 FPGA 实现的可靠部署。实验结果表明，量化对可靠性、硬件性能和网络准确性具有重要影响，特别是网络激活中的瞬态故障方面。

Jan, 2024

本文研究了 DNN 加速器的逼近计算和容错能力，提出使用逼近算术电路代替昂贵的故障注入检测，并开发了 GPU 模拟方法，同时通过网络故障的传播和掩蔽来实现精细化容错分析

May, 2023

本文通过系统性文献综述的方式，对深度神经网络的可靠性评估方法进行了归纳总结，提出了故障注入、分析以及混合方法等三种可靠性评估方法，评估了这些方法的优缺点和应用场景，同时也指出了目前研究中存在的问题和挑战。

May, 2023

为提高深度神经网络加速器的可靠性，本研究在 systolic arrays 中优化硬件监控器的放置，以平衡可靠性和硬件资源利用。实验评估结果显示，在 $256 imes 256$ 的 systolic array 中，定位一个故障的 PE 仅带来 0.33% 的面积开销。

Nov, 2023

本研究介绍了一种基于可配置的 Systolic 数组的 DNN 加速器模拟器 ——SCALE-Sim，并使用其对视觉、语音、文本和游戏等领域的深度学习内核进行了一系列案例研究，证明了带宽、数据流和纵横比对整体运行时间和能耗的影响，为架构师和 ML 从业者提供了有价值的见解。

Oct, 2018

本文提出了一个基于 FPGA 的 DNN 加速器设计框架 DeepAxe, 考虑了准确性、可靠性和硬件性能之间的平衡，通过功能逼近来减少硬件平台的计算负担，为目标资源利用要求提供了一组 Pareto 最优的 DNN 实现设计空间点。

Mar, 2023

本文提出了一种基于误差模拟引擎的可靠性分析框架，通过利用从详细的故障注入活动中提取的一组经过验证的误差模型，定义卷积神经网络操作器输出的损坏模式，并在故障注入和错误模拟之间架起了一座桥梁，实现了结合两者优势的目的。实验结果表明，与 SASSIFI 相比，本文提出的方法在故障效应的函数错误模拟方面实现了约 99％的准确度，在与 TensorFI 的速度提升方面实现了 44x 至 63x 的范围。

Jun, 2022

本文提出了一种名为 APPRAISER 的新型弹性评估方法，旨在通过采用近似计算错误的概念，为保障安全性的深度神经网络（DNN）体系结构而设计，以解决现有方法中时间、设计和控制复杂性的各种问题，它可以在评估过程中提供数千倍的加速，并保持高准确性。

May, 2023

本篇论文提出了一种一次性测试方案，可以在使用 memristive crossbars 加速的神经网络中执行有效的失效测试，且只需一个测试向量，这可以有效减少内存开销和测试向量数量，同时提高失效覆盖率。

May, 2023

使用 PyTorchALFI 框架，引入了故障注入方法用于测试神经网络模型，包括定义测试场景、软件架构和分析测试结果等内容。

Oct, 2023