机构名称：
¥ 3.0
深度学习（DL）为实现航天器的自治，板载分析和智能应用程序提供了新的机会。然而，DL应用在计算密集型上，并且在辐射硬化（RAD-HARD）的处理器上通常不可行，传统上可以利用其商业商业现成的计算能力的一部分。商业FPGA和系统 - 芯片具有许多建筑优势，并提供了计算功能，以实现板载DL应用程序；但是，这些设备非常容易受到辐射诱导的单事件效率（SEE）的影响，可降低DL应用的可靠性。在本文中，我们提出了可重新配置的Convnet（Recon），这是可靠，高性能的语义分割的可重新配置加速框架。在侦察中，我们提出了选择性和自适应方法，以实现有效的方法，请参见缓解。在我们的选择性方法中，控制流部分受到三型冗余的有选择性保护，以最大程度地减少倾斜诱导的悬挂，并且在我们的自适应方法中，使用部分重新配置来调整数据流零件的缓解，以响应动态辐射环境。组合，这两种方法都使侦察能够最大程度地提高系统可行性，但要受到任务可用性约束。我们执行断层注射和中子照射，以观察侦察和使用可靠性建模的敏感性，以评估各种轨道案例研究中的侦察，以证明与静态方法相比，性能和能量效率的性能提高了1.5-3.0倍。
22可重构语义的可重构框架...
主要关键词
相关文件推荐
