机器学习模型抗辐射可靠性研究：关键变量与粒子无关性分析

《IEEE Transactions on Nuclear Science》：Key Variables in the Reliability of ML Models Exposed to Neutrons, Protons, and Heavy Ions

本文针对机器学习（ML）模型在辐射环境下可靠性评估的复杂性，研究了不同粒子（中子、质子、重离子）对Google Coral Edge TPU上运行的视觉变换器（ViT）和分割卷积神经网络（CNN）等模型的影响。研究发现，虽然重离子引起的静默数据损坏（SDC）截面比大气中子高8个数量级，但SDC特征与粒子种类和线性能量转移（LET）无关，而模型复杂度和输入选择是导致错误分类的关键因素。该研究为高效规划辐射实验提供了重要指导，成果发表于《IEEE Transactions on Nuclear Science》。

　　

随着人工智能技术的飞速发展，机器学习（ML）模型在图像分类、语义分割等任务中展现出卓越性能，这些模型通常被部署在高效的低成本商用现成品（COTS）硬件加速器上。然而，在自动驾驶、无人机和星载处理等安全关键领域应用这些系统时，其可靠性评估面临巨大挑战。由于ML模型架构多样、配置复杂、输入选择多变，加之加速器硬件架构各异，通过辐射实验穷尽测试所有组合几乎不可能。此外，针对特定模型-加速器组合获得的辐射数据难以推广到其他配置，而辐射设施资源有限、成本高昂，使得全面可靠性表征变得异常困难。

正是在这样的背景下，一项发表于《IEEE Transactions on Nuclear Science》的研究应运而生。该研究团队进行了一项大规模实验，旨在揭示影响ML模型可靠性的关键因素，并探索实验数据的可推广性。他们提出了三个核心研究问题（RQ）：不同辐射设施获得的数据能否相互推演？特定ML模型的实验数据能否用于估计其他模型在同一设备上的故障率？输入图像有哪些关键特征能提高实验效率？为了回答这些问题，研究人员开展了一项涵盖6个辐射设施、多种粒子类型和多个ML模型的综合性实验研究。

研究采用了几个关键技术方法：在Google Coral Edge TPU（张量处理单元）上部署了视觉变换器（ViT-8, ViT-16）、语义分割CNN（U-Net128, U-Net256）及微基准测试；在ChipIR、TRIUMF（中子）、RADEF、UCL（重离子）、CNAO（质子、碳离子）、TIFPA（质子）等设施进行辐照；通过自动化测试系统监测静默数据损坏（SDC）和系统崩溃；使用32张具有不同分类置信度的输入图像分析错误特征；采用Weibull曲线拟合截面数据并分析模型复杂度和硬件利用率的影响。

A. Impact of LET on the reliability

实验结果显示，重离子引起的SDC截面比大气中子高出6-8个数量级，而质子的影响介于两者之间。有趣的是，不同模型的相对截面差异在不同辐射源间保持恒定。Weibull曲线分析表明，截面饱和值（平台期）取决于模型复杂度，而曲线的其他参数（尺度=1.55，宽度=13.5）则与Coral TPU硬件特性相关。对于充分占用硬件资源的模型（如ViT-16、U-Net256），其饱和截面值相近，而资源利用率较低的ViT-8则显示出较低的SDC概率。

B. Impact of LET on error characteristics

对13,000多个SDC事件的深入分析揭示了一个关键发现：粒子种类和LET并不影响SDC的特征特性。无论是错误分类概率、输出向量中错误元素的数量，还是错误幅度，在不同辐射条件下都保持一致。例如，只有2%-12%的SDC会导致错误分类，且这一比例在不同粒子间无显著差异。这意味着辐射仅影响错误发生的概率，而不改变错误的本质特征。

C. Impact of input selection

研究发现，输入图像的分类置信度是影响错误分类概率的关键因素。对于分类置信度低的图像，辐射诱导的错误分类概率显著更高。ViT-16几乎只对置信度非常低的图像产生错误分类（约30%的错误率），而ViT-8则对低置信度和中等置信度图像都较敏感。这表明模型训练和输入特性共同决定了系统对辐射错误的脆弱性。

研究结论部分强调，SDC特征与粒子种类和LET无关这一发现具有重要实践意义。它意味着研究人员可以选择最便利的辐射设施进行测试，而不必严格匹配目标部署环境的粒子类型。例如，即使是为太空应用 qualifying DUT（受试设备），也可以利用大气中子实验来深入了解辐射对模型输出的影响模式，从而更高效地利用重离子束时间进行针对性表征。

此外，研究证实模型复杂度是影响SDC截面的主要因素，而输入选择则主导了错误分类概率。这一认识为标准化辐射实验方法提供了理论基础：通过测试一两个具有代表性的复杂模型配置，可以合理推演其他类似架构模型的可靠性表现。同时，研究强调了精心选择输入数据集的重要性，不当的输入选择可能严重低估系统的实际错误分类风险。

这项研究为ML模型和加速器的可靠性评估提供了实用指导，使研究人员能够更智能地规划实验方案，最大化利用有限的辐射设施资源。研究结果尤其适用于基于脉动阵列（systolic array）的ML加速器（如TPU、Versal ACAP的AI引擎、NVIDIA GPU的Tensor Core等），为安全关键领域部署人工智能系统提供了重要的可靠性设计依据。