摘要
深度神经网络越来越被应用于工业领域中那些对安全性要求极高的自主系统设计中，比如自动驾驶车辆、工业机器人以及医疗仪器和控制系统。由于用于推理的深度神经网络硬件加速器结构复杂，容易受到多重故障、共同原因故障模型、数据不确定性以及不可预测的错误行为的影响，因此确保这类基于深度神经网络的安全关键系统的可靠稳定运行颇具挑战性。此外，临时性故障、永久性故障以及时序故障会影响到处理单元、内存阵列和数据路径的加速器设计，这些故障会在深度神经网络计算过程中传播，进而可能导致系统层面出现灾难性故障。本文旨在系统地评估现有的容错型深度神经网络加速器架构，重点探讨其在工业领域安全关键自主系统中的应用前景。研究从架构视角、故障建模、平台级权衡、运行时弹性、验证方法以及认证准备情况等方面展开，采用了PRISMA方法论，通过证据驱动的综合分析以及无偏见的文献筛选。通过在IEEE Xplore、Scopus和Web of Science等数据库中的检索，共找到200篇相关记录，根据预先设定的纳入和排除标准，最终选取了82篇符合要求的文献，这些标准侧重于工业领域的安全关键性、硬件层面的故障建模以及架构层面的实现方式。研究结果表明，目前的趋势是从传统的基于冗余的方法转向跨层且具有自适应能力的方案，这类方案能在性能、可靠性与硬件开销之间实现更好的平衡。不过，现有研究大多基于简化的故障模型，验证流程也不完善，而且对系统级需求和认证要求考虑不足，往往未能涵盖诸如静默数据损坏之类的严重故障模式。这就导致了研究层面的解决方案与实际工业应用需求之间存在较大差距。本文强调，需要采用可扩展、集成化且具备认证意识的设计方法，将故障建模、架构弹性、验证机制以及安全保障有机结合，从而为下一代工业领域安全关键自主系统开发出可靠且可投入使用的深度神经网络加速器系统。
