Jun, 2024

跨 CPU 架构的内存故障预测研究

PDF
TL;DR大规模数据中心中的内存故障和无法纠正错误发生率之间的相关性，在不同的 CPU 架构中进行了调查和分析。利用机器学习技术在不同的处理器平台上进行了内存故障预测，并相比现有算法提高了 15% 的 F1 分数。最后，提供了一个 MLOps 框架，以在生产环境中持续改进故障预测。
large-scale datacentersmemory failuresuncorrectable errorsdual inline memory modulescpu architectures
发现论文，激发创造
  • 探索内存故障预测中的错误位：一项深入的相关性研究

    通过对正确 able 错误和不可纠正错误的关联性进行综合研究，强调空时误差位信息的重要性，以减少 UE 引起的虚拟机中断约 59%。

    Dec, 2023

  • 预测单个事件干扰的机器学习方法

    使用机器学习从位置数据预测单次事件干扰 (SEU)，提高存储设备的可靠性，创造更安全的太空环境。

    Oct, 2023

  • 大规模机器学习系统中的并发分类器错误检测（CCED）

    本文介绍了一种并发分类器错误检测方案（CCED），用于在大规模机器学习模型中使用并发的 ML 分类器检测错误。该方案已在两个广泛使用的大规模机器学习模型上实施和评估：用于图像分类的对比语言图像预训练 (CLIP) 和用于自然语言应用的双向编码器表示（BERT）。结果表明，使用比 CLIP 或 BERT 简单几个数量级的 Random Forest 分类器，可检测 95% 以上的错误。

    Jun, 2023

  • 深度学习负载下 GPU 故障的预测

    该研究旨在通过使用机器学习模型来预测 GPU 故障，以改善在深度学习任务中可能导致的严重后果，并提出多种技术来提高预测精度，最终将预测精度从 46.3％提高到 84.0％。

    Jan, 2022

  • 对 Arm Ethos-U55 嵌入式机器学习加速器软错误容忍性的表征

    通过大规模的 RTL 级故障注入以及选择性保护硬件结构，本研究对 Arm 的 Ethos-U55 进行可靠性研究，展示了满足 ASIL-D 安全标准的优化配置，并在仅增加 38% 面积开销的情况下实现安全性。

    Apr, 2024

  • 应用机器学习模型预测器件电气性能的度量数据分析

    摘要：本研究使用了 imec N14 BEOL 工艺流程以及 LELE 图案技术，在半导体设备制造中分析和控制叠加误差，研究其对电容的影响，并探索在早期阶段使用机器学习模型预测最终电容测量结果的方法。

    Nov, 2023

  • 机器学习训练在实际处理内存系统上的实验评估

    研究探讨了基于内存为中心的计算系统中处理器内存访问瓶颈和大量能量消耗的解决方案，考察 PIM 架构对机器学习算法训练的潜力，通过评估经典算法在 PIM 和传统 CPU、GPU 上的性能、准确度和扩展性对比，表现出更高效的处理机制和更好的加速效果。

    Jul, 2022

  • 学习内存访问模式

    利用深度学习解决内存性能瓶颈问题，采用神经网络进行内存预取，取得更高的准确率和召回率。

    Mar, 2018

  • 使用机器学习对大型测试平台上的嵌入式 SRAM 进行老化分析

    本文通过大规模实证分析自然 SRAM 磨损，使用各种测量标准和常见机器学习方法，预测嵌入式装置的运行寿命。

    Jul, 2023

  • 一种低温记忆电阻神经解码器用于容错量子错误校正

    基于内存计算的神经解码器推理加速器在量子纠错中的设计和性能分析，以解决解码时间和可扩展性要求，研究了非理想性对解码准确性的影响，为集成的量子纠错提供了可扩展，快速和低功耗的低温内存计算硬件。

    Jul, 2023