Efficient Error-Resilient Methods for Automotive Edge Computing Systems

Abstract

With the deployment of machine learning (ML) applications, edge devices emerged as a new area in electronics industry. Recently, various ML techniques (e.g., convolutional neural network (CNN), deep neural network (DNN), recurrent neural network (RNN)) are developed to commercial products. Especially, self-driving vehicle is one of the most complex edge device that adopts numbers of ML applications to implement self-driving technique. For automotive system, functional integrity is the most important issue to prevent the fatal accidents. Since the automotive semiconductor technology has downscaled under 20 nm, automotive systems suffer from various potential defects that occur after reliable lifetime (e.g., soft error, aging-induced defects, retention error). Also the reliable lifetime of automotive semiconductor is expected to be even shorter due to these reasons. Thus, ISO 26262 introduced the strict criteria for testing of automotive electronics to guarantee the safety of passengers. However, these potential defects are hard to be detected by currently available testing methods. In addition, automotive system is more prone to potential errors since it is exposed to harsh environments (e.g., high temperature and continuous shocks). In this dissertation, several methods have been proposed to improve the reliability of automotive edge devices by providing error resilience to both system logic and memory. First, CAN-based aging monitoring technique with ARFF (aging monitoring and soft error resilience flip-flop) design is proposed to enable the test access to automotive ASICs after manufacturing and monitor the aging-induced delay faults at aging monitoring mode while providing soft error resilience during functional mode. A simple use case analysis and simulation is presented to show the effectiveness of proposed methods. For automotive system, both system logic and memory part require high reliability to ensure safety of passengers. Therefore, two methods for improving reliability of NAND flash in automotive edge devices are also introduced in this work: (1) input BER optimization method for LDPC decoder and (2) periodic maintenance mechanism of trained weights based on in-place reprogramming at system-level. The system-level in-place reprogramming operations verified in our lab environment are utilized for both proposed methods. The proposed methods are described in detail and simulations using randomly-generated codewords and trained weights are presented to show the effectiveness. The results presented in this work showed that the reliability of automotive edge devices is improved both in logic part and memory part of system by proposed error-resilient methods. |머신 러닝 기술의 등장으로 인해 엣지 디바이스는 새로운 산업 영역으로 부상하였다. 최근에는 합성곱 신경망 (CNN), 딥 러닝 신경망 (DNN), 순환 신경망 (RNN) 등의 다양한 머신러닝 기술이 상용 제품에 구현되고 있다. 특히, 자율주행차는 다양한 머신러닝 기술을 필요로 하는 가장 복잡한 엣지 장치 중 하나이다. 차량용 시스템에서 기능상의 무결성은 치명적인 사고를 예방하기 위해 가장 중요한 평가 항목이다. 특히 차량용 반도체의 제조 공정이 20nm대 이하로 미세화됨에 따라 안정적 수명주기 이후에 발생하는 오류들이 신뢰성에 큰 영향을 주고 있다. 이러한 이유로 인해 차량용 반도체의 안정적 수명은 더욱 짧아질 것으로 예측되고 있다. 따라서 ISO 26262는 승객의 안전성을 보장하기 위해 차량용 시스템에 대한 엄격한 테스트 기준을 도입하였다. 그러나 출고 이후 안정적인 수명이 지나 발생하는 여러 결함들은 현재 적용 가능한 테스트 방법들을 이용해 감지하기 어렵다는 문제가 있다. 하지만, 차량용 시스템은 고온이나 지속적인 충격 등의 열악한 환경에 노출되므로 다양한 오류(예: 반도체 노화에 의한 결함, 소프트 오류, 유지 오류)에 더욱 취약하다. 또한 이러한 환경은 오류 발생을 더욱 가속화하여 시스템의 치명적 오류를 초래할 수 있다.

본 논문에서는 차량용 엣지 컴퓨팅 시스템의 신뢰성을 향상시키기 위한 오류 복원 기술들을 제안한다. 첫째, 출고 이후의 차량용 ASIC에 대한 테스트 접근이 가능한 CAN 기반 노화고장 모니터링 기술을 소개하며, 정상 동작 시 소프트 오류 복원력을 제공하면서 노화고장 진단 모드에서는 노화로 인한 지연 오류를 검출할 수 있는 플립플롭 (ARFF) 설계를 제안한다. 제안한 방법의 효과를 보여줄 수 있는 간단한 사용 사례와 분석이 소개되었다. 두 번째로 차량용 인공지능 엣지 디바이스의 신뢰성을 향상시키기 위해 시스템 수준에서의 인플레이스 재프로그래밍 (덮어쓰기) 기반의LDPC 디코더의 최적화 방법과 학습된 가중치 데이터에 대한 주기적 유지보수 메커니즘을 제안한다. 제안한 방법들은 시스템 수준에서 NAND 플래시의 덮어쓰기 동작을 검증한 후, (1) LDPC 디코더에 대한 정확한 입력 BER 값의 제공 및 (2) 오류가 포함된 훈련 가중치 값의 오류 정정 모두에 이를 활용한다. 무작위로 생성된 코드워드 데이터 및 사전 훈련된 가중치 데이터를 이용한 실험을 통해 제안한 방법의 효과를 보여준다. 결과적으로, 제안한 방법들을 통해 시스템 로직 및 메모리의 오류 복원력을 향상시켜 차량용 엣지 디바이스들의 신뢰성을 향상시킨다.