分享一篇关于硬件实现的机器学习技术在中子辐射下性能评估的研究论文。
标题： 《Assessment of a Hardware-Implemented Machine Learning Technique Under Neutron Irradiation》在中子辐射下评估硬件实现的机器学习技术
作者： Matheus Garay Trindade, Alexandre Coelho, Carlos Valadares, Raphael A. C. Viera, Solenne Rey, Benjamin Cheymol, Maud Baylac, Raoul Velazco, Rodrigo Possamai Bastos
摘要： 本文首次评估了在辐射影响下，基于现场可编程门阵列（FPGA）设计的支撑向量机（SVM）架构的运行情况。通过使用14-MeV中子发生器进行的故障仿真活动和辐射测试实验，结果显示，目标SVM架构中27%的中子辐射引起的错误导致了关键性故障。
关键词： 机器学习技术，FPGA上的中子辐射效应，电路辐射效应，支撑向量机（SVM），瞬态故障。
引言： 机器学习算法因其从现有数据中学习和预测未来结果的能力而在学术和工业界越来越受欢迎。SVM是一种在数据分类和回归中具有高泛化能力和鲁棒性的突出机器学习解决方案，尤其在数据集大小和复杂性不断增加的情况下，加速SVM分类性能的需求仍然存在。FPGA上的SVM实现是加速SVM分类的有效替代方案。
SVM算法： SVM是一种分类算法，属于监督学习技术。算法包括两个阶段：训练（使用序列最小优化算法）和分类（使用SVM算法）。SVM的目标是找到一个超平面，最好地将数据集分为不同的类别。
案例研究SVM架构： 本研究实现了一个SVM架构，专注于分类部分。数据集是通过蒙特卡洛模拟获得的，代表了从好的集成电路（IC）和有缺陷的IC获得的电流峰值和全局延迟。
故障仿真活动： 本研究使用一种故障注入方法来模拟FPGA实现的SVM架构中的瞬态故障。通过在SVM架构的不同节点注入故障，并观察结果，将故障分为三类：无故障、可容忍故障和关键性故障。
辐射测试实验和结果： 在GENEPi2中子源进行的辐射测试活动使用了14-MeV中子发生器束。测试结果显示，大多数单瞬态故障（超过70%）在SVM架构中导致可容忍故障或无故障。
结论： 辐射测试结果表明，目标FPGA设计的SVM架构对大多数瞬态故障具有鲁棒性，但仍有一定比例的辐射引起的错误（超过25%）会导致关键性故障。本文的研究对于安全关键应用中的SVM架构的内在容错性提供了有价值的见解。
