[发明专利]一种针对空间应用的神经网络芯片抗辐照系统及方法

说明书

本发明公开一种针对空间应用的神经网络芯片抗辐照系统及方法，包括神经网络芯片及FPGA芯片。针对神经网络芯片，采用退网的方法，在网络训练过程中以一定概率丢弃一些神经元，然后，在将神经网络配置到神经网络芯片中进行网络推断的过程中，通过对单粒子翻转造成的错误参数进行错误定位并将其置0，并重新写入神经网络芯片的权值存储区，实现神经网络芯片的权值参数刷新工作，减少错误参数对整个网络的准确率的影响，进而实现抗辐照功能。

技术领域

本发明涉及航空航天技术领域，特别涉及针对空间应用的神经网络芯片抗辐照技术。

背景技术

近些年，随着人工智能技术的快速发展，其在深度学习、自然语言处理与计算机视觉等领域都取得了巨大成就。同时，人工智能也开始从智能化工具逐渐向智能机器进军，这就使得原有的微控制单元(MCU)早已无法满足深度学习的海量数据运算和高速运算的要求,因此，人工智能(AI)芯片应运而生。搭载神经网络的人工智能芯片随着网络复杂度的提高，其功能也越来越强大，同时，随着芯片工艺的发展，现有神经网络芯片大都为专用集成芯片，其尺寸越来越小，电路集成度逐步提高。其中，比较有代表性的包括：IBM仿人脑TrueNorth芯片、英伟达的GPU芯片系列、以寒武纪的DianNao芯片以及地平线机器人的BPU芯片。

由于人工智能芯片可以大幅提升卫星大数据的快速提取、智能处理与分析等效率,因此，其在卫星应用领域也取得了广泛的应用。但是，由于空间环境相对复杂，空间粒子造成的辐射和冲击会对集成芯片的正常稳定运行产生诸多的影响。为了较大程度的减少这些辐照效应的影响，目前通常采用一些加固技术，如增加冗余存储节点或SOI工艺。其中，增加冗余存储节点的电路级加固技术需要额外的面积开销，这与神经网络芯片集成度的提高趋势相违背，而SOI结构虽然可以通过其埋氧化层使器件之间完全隔离，从根本上消除了单粒子闩锁(SEL)效应。但是SOI工艺成本较高，同时该结构相对较厚的衬底和埋氧层依然无法阻止质子的穿透，从底部入射的质子同样可以在耗尽区产生能量沉积从而产生单粒子翻转效应(SEU)，另外纳米器件的直径可能小于重离子入射径迹的直径，导致的SEU效应通常会对邻近的几个器件同时造成影响，进而发生多点同时翻转。因此当神经网络芯片的尺寸达到纳米级后，电荷共享引起的单粒子翻转概率不容忽略，这将导致原本存储在芯片存储器的部分权重参数随机发生比特位翻转，进而神经元的权重参数值就会发生变化，这就会直接影响神经网络输出结果的准确度。

发明内容

为了减小空间辐照引起的单粒子翻转对于神经网络输出结果准确率的影响，本发明一方面提供一种针对空间应用的神经网络芯片抗辐照系统，包括：

神经网络芯片，用于存储经训练的神经网络，其中所述神经网络芯片包括权值存储区，所述权值存储区用于存储神经网络的权值参数的参数值；以及

FPGA芯片，所述FPGA芯片用于在所定义的时间段内两次读取所述神经网络芯片的权值存储区的权值参数的参数值，并将两次读取的权值参数的参数值进行比较，其中如果两次读取的权值参数的参数值不同，则将读取的数值不同的权值参数的所述参数值置为0，并且如果两次读取的权值参数的参数值一致，则不做操作。

进一步的，所述系统还包括计算机，用于对神经网络的神经元进行退网，并进行神经网络训练；以及将经训练的神经网络配置到神经网络芯片中。

本发明另一方面提供一种针对空间应用的神经网络芯片抗辐照方法，包括：

神经网络训练；

配置神经网络芯片，将训练好的神经网络配置到神经网络芯片中；以及

当所述神经网络芯片稳定工作后，每隔一定时间连续两次读取所述神经网络芯片的权值存储区的权值参数，并比较：

若前后读取的权值参数的数值不同，则判定有单粒子翻转错误的发生，此时，将前后读取不同的权值参数的参数值置为0；以及

若前后读取的权值参数的数值一致，则不更改。