SiPT：基于签名的RRAM交叉阵列预测性测试，用于深度神经网络

《IEEE Transactions on Emerging Topics in Computing》：SiPT: Signature-Based Predictive Testing of RRAM Crossbar Arrays for Deep Neural Networks

　　针对基于RRAM的DNN在制造变异下性能评估与测试效率问题，提出基于签名的预测测试方法（SiPT），通过优化测试图像集合和分层测试结构，显著提升效率，实验验证效率提升达48倍。

　　

摘要：

基于阻变随机存取存储器（RRAM）交叉阵列的深度神经网络（DNNs）在实现人工智能的超低功耗计算方面越来越具有吸引力。然而，基于RRAM的DNNs面临着制造过程变异性的固有挑战，这可能会影响其性能（分类准确性）和功能安全性。测试这些DNN的一种方法是应用所有测试图像来评估其性能，但这既昂贵又耗时。我们提出了一种基于特征的预测性测试（SiPT）方法，该方法仅对每个DNN应用一小部分测试图像，并根据网络中间层和输出层的观测结果直接预测其分类准确性。这种方法既降低了测试成本，又便于对基于RRAM的DNN进行性能分类。为了进一步提高SiPT的测试效率，我们创建了优化后的紧凑型测试图像集，利用图像滤波器和增强技术合成图像，并开发了一种级联测试结构，该结构结合了多组在不同大小紧凑型测试子集上训练的SiPT模块。通过在不同测试案例中的实验，我们证明了我们的SiPT框架在RRAM工艺变异性下的可行性，显示出相比使用全部测试图像数据集，测试效率提高了多达48倍。