arXiv:2306.04645

Special Session: Approximation and Fault Resiliency of DNN Accelerators

Mohammad Hasan Ahmadilivani, Mario Barbareschi, Salvatore Barone, Alberto Bosio, Masoud Daneshtalab, Salvatore Della Torca, Gabriele Gavarini, Maksim Jenihhin, Jaan Raik, Annachiara Ruospo, Ernesto Sanchez, Mahdi Taheri

제출 2023-05-31

원문 초록

Deep Learning, and in particular, Deep Neural Network (DNN) is nowadays widely used in many scenarios, including safety-critical applications such as autonomous driving. In this context, besides energy efficiency and performance, reliability plays a crucial role since a system failure can jeopardize human life. As with any other device, the reliability of hardware architectures running DNNs has to be evaluated, usually through costly fault injection campaigns. This paper explores the approximation and fault resiliency of DNN accelerators. We propose to use approximate (AxC) arithmetic circuits to agilely emulate errors in hardware without performing fault injection on the DNN. To allow fast evaluation of AxC DNN, we developed an efficient GPU-based simulation framework. Further, we propose a fine-grain analysis of fault resiliency by examining fault propagation and masking in networks

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.10071v1cs.CV공통 태그 GPU, Autonomous Driving

FlashBEV: IO 인식 기반의 빠르고 메모리 효율적인 정확한 BEV 변환

FlashBEV: Fast and Memory-Efficient Exact BEV Transformation with IO-Awareness

버드아이뷰(BEV) 인식은 자율주행에서 카메라 기반 3D 이해의 핵심 구성 요소로, 뷰 변환(VT)은 다중 카메라 이미지 특징을 통합된 BEV 표현으로 매핑한다. 샘플링 기반 뷰 변환(Sampling-VT)은 고해상도 및 장거리 인식을 위한 조밀하고 연속적인 BEV 집계를 지원하기 때문에 매력적이다. 그러나 그 배포 병목은 시스템 수준에 있다: Sampling-VT의 표준 텐서화 구현 -- 이를 텐서화된 샘플링-VT(Tensorized Sampling-VT)라 칭한다 -- 은 높이 의존적인 대규모 중간 텐서를 명시적으로 구체화하여, 수직 해상도와 카메라 수에 따라 메모리 및 지연 비용이 크게 증가한다. 우리는 연산자 실행 관점에서 텐서화된 샘플링-VT를 재검토하고, 이것이 수집-축소(gather-reduction) 패턴을 따른다는 것을 보인다: 각 BEV 쿼리는 카메라와 높이 구간에 걸쳐 독립적으로 기여를 누적하므로, 높이 및 카메라 의존적 중간 결과물의 구체화를 없애는 즉석 재계산을 통한 스레드 로컬 누적이 가능하다. 이 통찰을 바탕으로, 텐서화된 샘플링-VT와 수학적으로 동등하면서도(동일한 연산자 출력) 전역 메모리 트래픽과 커널 실행 오버헤드를 크게 줄이는, 완전히 융합된 IO 인식 실행 전략인 FlashBEV를 제안한다. 실험 결과, FlashBEV는 GPU 최대 메모리를 한 자릿수 이상 감소시키고 추론 지연 시간을 크게 단축하며, 메모리 사용량은 높이 구간 수와 무관하여 연산자의 최대 메모리를 O(BCXY)(출력만)로 줄인다. 이는 메모리 제약 장치에서 고정된 배포 예산 내에 더 높은 BEV 범위/해상도 및 수직 이산화를 가능하게 한다. 본 연구의 기여는 실행 재설계 -- 동일한 수학, 다른 실행 -- 로, 배포 준비된 샘플링-VT의 핵심 확장성 장벽을 제거한다. 코드는 https://github.com/yokosyun/FlashBEV 에서 확인할 수 있다.

arXiv:2607.14203v2cs.GR공통 태그 Autonomous Driving

Instant NuRec: 주행 장면 시뮬레이션을 위한 피드포워드 3D Gaussian 재구성

Instant NuRec: Feed-Forward 3D Gaussian Reconstruction for Driving Scene Simulation

3D 시뮬레이션 플랫폼은 end-to-end 정책 평가(evaluation)를 가능하게 하여 개발 비용을 줄이고 안전성을 향상시키기 때문에 자율주행에 핵심적이다. 최근 몇 년간 신경 시뮬레이션이 주류가 되었고, NuRec와 같은 방법이 중심적인 역할을 하고 있다. 그러나 이러한 방법들은 여전히 상대적으로 느리고, 일반적으로 장면별 튜닝이 필요하다. 본 연구에서는 단일 순전파(forward pass)로 짧은 다시점(multi-view) 주행 로그를 완전히 시뮬레이션 가능한 3D Gaussian Splatting(3DGS) 세계로 변환하는 피드포워드 신경 재구성 모델인 Instant NuRec를 제안한다. 이 모델은 보정된 카메라 리그의 다시점 입력을 받아 정적 및 동적 3DGS 레이어, 스카이 큐브맵(sky cubemap), 카메라별 ISP 보정으로 구성된 계층적 출력을 생성하며, 3DGUT를 통해 비 핀홀(non-pinhole) 카메라 모델에 대한 네이티브 지원을 제공한다. 이 모델은 10–20초 길이의 다중 카메라 장면을 약 1.5초 만에 재구성하며, Waymo Open 데이터셋에서 평가된 가장 강력한 기준선보다 PSNR이 2.01 dB 높은 성능을 달성한다. Instant NuRec는 NuRec에 깊이 통합되어 있으며, 폐루프(closed-loop) 시뮬레이션을 위해 AlpaSim과 호환된다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.