محاسبات نورومورفیک آگاه از قابلیت اطمینان طول عمر با حافظه‌های غیرفرار

فهرست مطالب

1. مقدمه

محاسبات نورومورفیک با حافظه غیرفرار (NVM) نشان‌دهنده تغییر پارادایم در سخت‌افزار یادگیری ماشین است که بهبودهای قابل توجهی در عملکرد و بهره‌وری انرژی برای محاسبات مبتنی بر اسپایک ارائه می‌دهد. با این حال، ولتاژهای بالا مورد نیاز برای کارکرد NVMها مانند حافظه تغییر فاز (PCM)، فرسودگی در مدارهای نورون CMOS را تسریع می‌کند و قابلیت اطمینان بلندمدت سخت‌افزار نورومورفیک را تهدید می‌کند.

این کار به چالش حیاتی قابلیت اطمینان طول عمر در سیستم‌های نورومورفیک می‌پردازد و بر مکانیزم‌های خرابی مانند ناپایداری دمایی بایاس منفی (NBTI) و شکست دی‌الکتریک وابسته به زمان (TDDB) تمرکز دارد. ما نشان می‌دهیم که چگونه تصمیم‌های طراحی در سطح سیستم، به ویژه تکنیک‌های استراحت دوره‌ای، می‌توانند تعادل‌های مهمی بین قابلیت اطمینان و عملکرد در کاربردهای پیشرفته یادگیری ماشین ایجاد کنند.

2. مدل‌سازی قابلیت اطمینان کراس‌بارها

2.1 مسائل NBTI در محاسبات نورومورفیک

ناپایداری دمایی بایاس منفی (NBTI) زمانی رخ می‌دهد که بارهای مثبت در مرز اکسید-نیمه‌هادی زیر گیت دستگاه‌های CMOS در مدارهای نورون به دام می‌افتند. این پدیده به صورت کاهش جریان درین و تران‌کانداکتانس، همراه با افزایش جریان خاموش و ولتاژ آستانه ظاهر می‌شود.

طول عمر یک دستگاه CMOS ناشی از NBTI با استفاده از میانگین زمان تا خرابی (MTTF) کمی‌سازی می‌شود:

$MTTF_{NBTI} = A \cdot V^{\gamma} \cdot e^{\frac{E_a}{KT}}$

که در آن $A$ و $\gamma$ ثابت‌های وابسته به ماده، $E_a$ انرژی فعال‌سازی، $K$ ثابت بولتزمن، $T$ دما و $V$ ولتاژ گیت اوردرایو است.

2.2 مکانیزم‌های خرابی TDDB

شکست دی‌الکتریک وابسته به زمان (TDDB) نشان‌دهنده نگرانی حیاتی دیگری در قابلیت اطمینان است که در آن اکسید گیت به مرور زمان به دلیل تنش الکتریکی از کار می‌افتد. در کراس‌بارهای نورومورفیک، TDDB توسط میدان‌های الکتریکی بالا مورد نیاز برای کارکرد NVM تسریع می‌شود.

مدل طول عمر TDDB به صورت زیر است:

$MTTF_{TDDB} = \tau_0 \cdot e^{\frac{G}{E_{ox}}}$

که در آن $\tau_0$ یک ثابت ماده، $G$ پارامتر شتاب میدان و $E_{ox}$ میدان الکتریکی در سراسر اکسید است.

2.3 مدل ترکیبی قابلیت اطمینان

قابلیت اطمینان کلی سخت‌افزار نورومورفیک هر دو مکانیزم خرابی NBTI و TDDB را در نظر می‌گیرد. نرخ خرابی ترکیبی به صورت زیر است:

$\lambda_{total} = \lambda_{NBTI} + \lambda_{TDDB} = \frac{1}{MTTF_{NBTI}} + \frac{1}{MTTF_{TDDB}}$

3. روش‌شناسی آزمایشی

چارچوب آزمایشی ما قابلیت اطمینان طول عمر را با استفاده از یک معماری نورومورفیک DYNAP-SE اصلاح‌شده با کراس‌بارهای سیناپسی مبتنی بر PCM ارزیابی می‌کند. ما چندین معیار یادگیری ماشین از جمله طبقه‌بندی ارقام MNIST و تشخیص گفتار ارقام را برای ارزیابی تأثیرات قابلیت اطمینان تحت بارهای کاری واقعی پیاده‌سازی کردیم.

راه‌اندازی آزمایشی شامل موارد زیر است:

• گره فناوری CMOS 28nm برای مدارهای نورون
• دستگاه‌های سیناپسی PCM با ولتاژ خواندن 1.8 ولت
• نظارت بر دما از 25 درجه سانتی‌گراد تا 85 درجه سانتی‌گراد
• چرخه‌های تنش-بازیابی با چرخه‌های وظیفه متغیر

4. نتایج و تحلیل

4.1 تعادل قابلیت اطمینان-کارایی

نتایج ما یک تعادل اساسی بین قابلیت اطمینان سیستم و عملکرد محاسباتی را نشان می‌دهد. عملکرد پیوسته در ولتاژهای بالا حداکثر توان عملیاتی را فراهم می‌کند اما به شدت قابلیت اطمینان طول عمر را به خطر می‌اندازد. معرفی دوره‌های استراحت دوره‌ای به طور قابل توجهی MTTF را بهبود می‌بخشد در حالی که سطوح عملکرد قابل قبول را حفظ می‌کند.

4.2 تأثیر استراحت دوره‌ای

پیاده‌سازی یک رویکرد محاسباتی توقف-و-حرکت با چرخه وظیفه 30 درصدی، بهبود 3.2 برابری در MTTF را در مقایسه با عملکرد پیوسته نشان داد، با تنها 15 درصد کاهش در دقت طبقه‌بندی برای وظایف MNIST. این رویکرد به طور مؤثر نگرانی‌های قابلیت اطمینان را با الزامات محاسباتی متعادل می‌کند.

5. پیاده‌سازی فنی

5.1 فرمول‌بندی‌های ریاضی

الگوریتم زمان‌بندی آگاه از قابلیت اطمینان، تعادل بین توان عملیاتی محاسبات و فرسودگی مدار را بهینه می‌کند. مسئله بهینه‌سازی را می‌توان به صورت زیر فرمول‌بندی کرد:

$\max_{D} \quad \alpha \cdot Throughput(D) + \beta \cdot MTTF(D)$

$subject \ to: \quad D \in [0,1]$

که در آن $D$ چرخه وظیفه، $\alpha$ و $\beta$ عوامل وزنی برای اهداف عملکرد و قابلیت اطمینان هستند.

5.2 پیاده‌سازی کد

در زیر یک پیاده‌سازی شبه‌کد ساده‌شده از زمان‌بند آگاه از قابلیت اطمینان آمده است:

class ReliabilityAwareScheduler:
    def __init__(self, max_voltage=1.8, min_voltage=1.2):
        self.max_v = max_voltage
        self.min_v = min_voltage
        self.stress_time = 0
        
    def schedule_operation(self, computation_task, reliability_target):
        """زمان‌بندی محاسبات با محدودیت‌های قابلیت اطمینان"""
        
        # محاسبه چرخه وظیفه بهینه بر اساس هدف قابلیت اطمینان
        duty_cycle = self.calculate_optimal_duty_cycle(reliability_target)
        
        # اجرای محاسبات توقف-و-حرکت
        while computation_task.has_work():
            # فاز محاسباتی ولتاژ بالا
            self.apply_voltage(self.max_v)
            computation_time = duty_cycle * self.time_quantum
            self.execute_computation(computation_task, computation_time)
            self.stress_time += computation_time
            
            # فاز بازیابی ولتاژ پایین
            self.apply_voltage(self.min_v)
            recovery_time = (1 - duty_cycle) * self.time_quantum
            time.sleep(recovery_time)
            
    def calculate_optimal_duty_cycle(self, reliability_target):
        """محاسبه چرخه وظیفه برای برآورده کردن الزامات قابلیت اطمینان"""
        # پیاده‌سازی الگوریتم بهینه‌سازی
        # با در نظر گرفتن مدل‌های NBTI و TDDB
        return optimized_duty_cycle

6. کاربردها و جهت‌های آینده

رویکرد محاسبات نورومورفیک آگاه از قابلیت اطمینان، پیامدهای قابل توجهی برای سیستم‌های هوش مصنوعی لبه، وسایل نقلیه خودران و دستگاه‌های اینترنت اشیا دارد که در آن‌ها قابلیت اطمینان عملیاتی بلندمدت حیاتی است. جهت‌های تحقیقاتی آینده شامل موارد زیر است:

• مدیریت تطبیقی قابلیت اطمینان: تنظیم پویای پارامترهای عملیاتی بر اساس نظارت بلادرنگ فرسودگی
• مدل‌سازی چندمقیاسی: یکپارچه‌سازی مدل‌های قابلیت اطمینان در سطح دستگاه با بهینه‌سازی عملکرد در سطح سیستم
• فناوری‌های NVM نوظهور: کاوش ویژگی‌های قابلیت اطمینان در فناوری‌های حافظه نوین مانند ReRAM و MRAM
• یادگیری ماشین برای قابلیت اطمینان: استفاده از تکنیک‌های هوش مصنوعی برای پیش‌بینی و کاهش اثرات فرسودگی

همانطور که محاسبات نورومورفیک به سمت پذیرش گسترده‌تر در کاربردهای حیاتی از نظر ایمنی حرکت می‌کند، روش‌های طراحی آگاه از قابلیت اطمینان به طور فزاینده‌ای ضروری خواهند شد. یکپارچه‌سازی این تکنیک‌ها با پارادایم‌های محاسباتی نوظهور مانند محاسبات درون حافظه و محاسبات تقریبی، فرصت‌های هیجان‌انگیزی برای تحقیقات آینده ارائه می‌دهد.

7. مراجع

1. M. Davies et al., "Loihi: A Neuromorphic Manycore Processor with On-Chip Learning," IEEE Micro, 2018
2. P. A. Merolla et al., "A million spiking-neuron integrated circuit with a scalable communication network and interface," Science, 2014
3. S. K. Esser et al., "Convolutional networks for fast, energy-efficient neuromorphic computing," PNAS, 2016
4. G. W. Burr et al., "Neuromorphic computing using non-volatile memory," Advances in Physics: X, 2017
5. J. Zhu et al., "Reliability Evaluation and Modeling of Neuromorphic Computing Systems," IEEE Transactions on Computers, 2020
6. International Technology Roadmap for Semiconductors (ITRS), "Emerging Research Devices," 2015
7. Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, 2015