ASU与马里兰大学提出SEAL安全感知层映射框架

亚利桑那州立大学与马里兰大学研究人员发表 SEAL 框架，用于异构 3D 存内计算加速器的多租户场景：把关键神经网络层分配到更抗故障的器件与堆叠层组合，联合优化功耗、性能、面积与故障脆弱性。 基于 ResNet-18 和 Qwen2.5-3B 的评估显示，相比安全盲映射，故障脆弱性分别最多降低 3.9 倍和 7.8 倍；两种方法都生成了可用映射。在 ReRAM 占比较高的配置中，SEAL 将所有高关键性层放在低脆弱性层，把故障脆弱性降至表征下限。 精度方面，ResNet-18 准确率与无故障基线的差距在 0.06 个百分点以内，Qwen2.5-3B 困惑度与无故障基线的差距在 0.06 以内。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。