JP2022124240A - 診断パターン生成方法及び計算機 - Google Patents

診断パターン生成方法及び計算機 Download PDF

Info

Publication number
JP2022124240A
JP2022124240A JP2021021893A JP2021021893A JP2022124240A JP 2022124240 A JP2022124240 A JP 2022124240A JP 2021021893 A JP2021021893 A JP 2021021893A JP 2021021893 A JP2021021893 A JP 2021021893A JP 2022124240 A JP2022124240 A JP 2022124240A
Authority
JP
Japan
Prior art keywords
node
diagnostic
diagnostic pattern
processor
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2021021893A
Other languages
English (en)
Inventor
巧 上薗
Takumi Uezono
忠信 鳥羽
Tadanobu Toba
健一 新保
Kenichi Shinpo
宏章 井辻
Hiroaki Itsuji
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2021021893A priority Critical patent/JP2022124240A/ja
Priority to DE102021130117.3A priority patent/DE102021130117A1/de
Priority to US17/535,779 priority patent/US20220261986A1/en
Publication of JP2022124240A publication Critical patent/JP2022124240A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/16—Error detection or correction of the data by redundancy in hardware
    • G06F11/20—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements
    • G06F11/202—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements where processing functionality is redundant
    • G06F11/2023—Failover techniques
    • G06F11/2028—Failover techniques eliminating a faulty processor or activating a spare
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/26—Functional testing
    • G06F11/261—Functional testing by simulating additional hardware, e.g. fault simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】診断負荷の増大化を抑制することが可能になる。【解決手段】診断パターン生成部１は、学習済ニューラルネットワーク１１に含まれる複数の中間ノードの部分集合による演算処理の処理結果の正誤を診断するための複数のデータセットを含む診断パターンを生成する。中間ノード演算コンポーネント特定部３は、中間ノードと、中間ノードによる演算処理を実行する演算コンポーネントとの対応関係であるノード・コア関係を特定する。診断パターン縮減部５は、ノード・コア関係に基づいて、複数のデータセットの数を縮減する。【選択図】図１

Description

本開示は、診断パターン生成方法及び計算機に関する。
自動運転システム及び産業インフラシステムなどのシステムでは、ＡＩ（Artificial Intelligence：人工知能）技術に代表される複雑系の活用がエッジ機器に対しても進んでいる。このため、ＧＰＵ（Graphics Processing Unit）及びＬＳＩ（Large Scale Integration）のようなハードウェアをアクセラレータとして備えたエッジ機器が多くなっている。この種のエッジ機器では、環境及び経年変化などの影響でハードウェアに異常が生じることがあるため、システムの安全性の担保及び安定稼働の実現のためには、ハードウェアの診断が重要である。
ハードウェアを診断する診断方法としては、
（＊）ハードウェアを多重化して各ハードウェアによる演算結果を比較する方法
（＊）同一のハードウェアを用いて行った複数の演算処理の演算結果を比較する方法
（＊）演算結果を逆演算して元のデータに戻るか否かを確認する方法
（＊）診断対象回路に対して診断パターンを定期的に入力し、診断対象回路の出力値を期待値と比較する方法（ＬＢＩＳＴ：Logic Built-In Self-Test）
などが知られている。
また、特許文献１には、識別型ニューラルネットワークに対して、逆演算を行う復元型ニューラルネットワークを提供する診断方法が開示されている。この診断方法では、復元型ニューラルネットワークを用いて復元した入力データが予め学習した範囲内にあるか否かが判定され、その判定結果を用いて識別型ニューラルネットワークによる判定結果を評価することでハードウェアが診断される。
国際公開第２０１６／１３２４６８号
近年、診断対象となるハードウェアの規模増大及び複雑化などのために、従来の診断方法では、診断時間、消費電力及び診断用回路の回路面積のような診断負荷の増加が問題となっている。
例えば、ハードウェアを多重化する診断方法では、ハードウェアの規模が増大するため、消費電力及び回路面積が増加する。このため、低消費電力及び小形化などが求められるエッジ機器においては、所望のスペックが満たせなくなることがある。また、ＬＢＩＳＴでは、診断対象回路が複雑化することにより、入力する診断パターン数が増加し、診断時間、消費電力及び使用メモリ容量などの診断負荷が増加する。
また、特許文献１に記載の技術では、復元型ニューラルネットワークの規模は、識別型ニューラルネットワークの規模に依存するため、識別型ニューラルネットワークの規模が増大することにより、診断時間、消費電力及び回路面積などが増加するという問題がある。
本開示の目的は、診断負荷を軽減することが可能な診断パターン生成方法及び計算機を提供することである。
本開示の一態様に従う診断パターン生成方法は、
ニューラルネットワークによる演算処理を複数の演算コンポーネントを用いて実行するプロセッサを診断するための診断パターンを生成する診断パターン生成方法であって、
（Ａ）前記ニューラルネットワークに含まれる複数のノードの部分集合による演算処理の処理結果の正誤を診断するための複数のデータセットを含む前記診断パターンを生成し、
（Ｂ）前記ノードと、前記ノードによる演算処理を実行する前記演算コンポーネントとの対応関係であるノード・コア関係を特定し、
（Ｃ）前記ノード・コア関係に基づいて、前記データセットの数を縮減する。
本発明によれば、診断負荷を軽減することが可能になる。
本開示の実施例１の診断ポイント縮減システムの構成例を示す図である。 診断パターン縮減部の縮減処理の一例を説明するためのフローチャートである。 クラウドサーバのハードウェア構成の一例を示す図である。 エッジ装置のハードウェア構成を示す図である。 クライアント計算機のハードウェア構成を示す図である。 本開示の実施例２の診断ポイント縮減システムの構成例を示す図である。 診断除外ノード特定部の処理の一例を説明するためのフローチャートである。
以下、本開示の実施形態について図面を参照して説明する。
図１は、本開示の実施例１の診断ポイント縮減システムの構成例を示す図である。図１に示す診断ポイント縮減システム１０は、診断パターン生成部１と、中間ノード診断パターン特定部２と、中間ノード演算コンポーネント特定部３と、中間ノード特定部４と、診断パターン縮減部５とを有する。
診断パターン生成部１は、学習済ニューラルネットワーク１１に基づいて、診断対象プロセッサを診断するための診断パターン１２を生成して出力する生成部である。
学習済ニューラルネットワーク１１は、学習済みのニューラルネットワークであり、
（＊）複数のノードと、
（＊）複数のノード間に設定された複数の重みパラメータと、
（＊）複数のノードのそれぞれに設定されたバイアスパラメータと、
を含む。なお、学習済ニューラルネットワークは、図１では、学習済ＮＮと表記されている。
ノードは、具体的には、
（＊）入力値が入力される入力ノードと、
（＊）出力値を出力する出力ノードと、
（＊）入力ノードと出力ノードとの間に設けられる中間ノードと、
を含む。また、少なくとも中間ノードは、複数ある。
診断対象プロセッサは、学習済ニューラルネットワーク１１による演算処理を実行するプロセッサである。診断対象プロセッサは、本実施例では、ＧＰＵ（Graphics Processing Unit）であり、より具体的には、演算処理を行う複数の演算コンポーネントを含むマルチコアＧＰＵである。なお、演算コンポーネントは、コアとも呼ばれる。また、診断対象プロセッサは、ＧＰＵに限定されるものではなく、例えば、ＦＰＧＡ（Field-Programmable Gate Array）のような他のデバイスや汎用プロセッサでもよい。
診断パターン１２は、本実施例では、ＬＢＩＳＴ向けの診断パターンである。ＬＢＩＳＴ向け診断パターンを生成する生成方式としては、ＬＳＩ向けの診断パターンを生成する生成方式を適用することができる。例えば、診断パターン生成部１は、学習済ニューラルネットワーク１１の各ノードをそのノードと同等な倫理回路で置き替えることで生成されるＬＳＩに対する診断パターンを診断パターン１２として生成する。この場合、診断パターン生成部１は、例えば、学習済ニューラルネットワーク１１に含まれる重みパラメータ及びバイアスパラメータに基づいて、診断パターン１２を生成することができる。
なお、ＬＳＩ向け診断パターンの生成には、例えば、ＥＤＡ（Electronic Design Automation）ツールのような既存のツール、又は、Ｄアルゴリズムのような既存のテストパターン生成アルゴリズムを使用することができる。
診断パターン１２は、学習済ニューラルネットワーク１１の各ノード（具体的には、各中間ノード）による演算処理の正誤を診断するための複数のデータセットを含む。なお、１つのデータセットで１つの中間ノードの演算処理の正誤を診断できるとは限らず、通常、１つのデータセットでは、複数の中間ノードの演算処理全体が診断される。このため、各データセットは、全ての中間ノードを含む集合の部分集合に含まれる１以上の中間ノードによる演算処理の正誤を診断するものといえる。
また、データセットは、
（＊）学習済ニューラルネットワーク１１に入力する診断用入力値と、
（＊）診断用入力値を学習済ニューラルネットワーク１１に入力した場合に学習済ニューラルネットワーク１１から出力される出力値の期待値と、
を含む。
中間ノード診断パターン特定部２は、診断パターン１２に含まれるデータセットと、データセットによって演算処理の正誤の診断が可能な中間ノードである診断可能ノードとの対応関係であるノード・データ関係を特定する。中間ノード診断パターン特定部２は、ノード・データ関係を示す中間ノード診断パターンデータセット１３を生成して出力する。
診断可能ノードを判別する方法としては、例えば、エラーインジェクションシミュレーションを用いる方法などが挙げられる。
エラーインジェクションシミュレーションを用いる場合、中間ノード診断パターン特定部２は、データセットと中間ノードの組み合わせごとに、以下の処理（Ａ）～処理（Ｃ）を行う。
（Ａ）入力処理。入力処理は、対象の中間ノードに故障（例えば、縮退故障）が発生したと仮定して、対象のデータセットの診断用入力値を学習済ニューラルネットワーク１１に入力する処理である。
（Ｂ）比較処理。比較処理は、学習済ニューラルネットワーク１１からの出力値を対象の診断パターンの期待値と比較する処理である。
（Ｃ）特定処理。特定処理は、出力値と期待値とが一致していない場合、対象の中間ノードを診断可能ノードとして特定する処理である。
中間ノード演算コンポーネント特定部３は、演算シーケンスデータ１４に基づいて、学習済ニューラルネットワーク１１の中間ノードと、その中間ノードによる演算処理を実行する演算コンポーネントである実行コンポーネントとの対応関係であるノード・コア関係を特定する。
具体的には、中間ノード演算コンポーネント特定部３は、学習済ニューラルネットワーク１１の中間ノードごとに、診断対象プロセッサの演算コンポーネントから、その中間ノードの演算処理を実行する演算コンポーネントである実行コンポーネントを特定する。中間ノード演算コンポーネント特定部３は、実行コンポーネントを中間ノードごとに示す実行コンポーネント情報１５を生成して出力する。
演算シーケンスデータ１４は、学習済ニューラルネットワーク１１による演算処理の処理順番と、演算処理とその演算処理を実行する演算コンポーネントとの対応関係とを示す。なお、演算シーケンスデータは、例えば、学習済ニューラルネットワーク１１による演算処理を実行するためのプログラムをコンパイルすることにより生成される。
中間ノード特定部４は、診断対象プロセッサの演算コンポーネントごとに、その演算コンポーネントが実行する演算処理に対応する中間ノードである演算ノードを特定する。そして、中間ノード特定部４は、演算ノードを演算コンポーネントごとに示す演算ノード情報１６を生成して出力する。
なお、実行コンポーネント情報１５が中間ノードをキーとし演算コンポーネントをバリューとするテーブルデータであるとすると、中間ノード特定部４が行う処理は、キーとバリューとを互いに入れ替えて、演算コンポーネントをキーとし中間ノードをバリューとするテーブルデータを生成する処理と同等である。
診断パターン縮減部５は、中間ノード診断パターンデータセット１３、実行コンポーネント情報１５及び演算ノード情報１６に基づいて、診断パターン１２に含まれるデータセットの数を縮減する。そして、診断パターン縮減部５は、データセットの数を縮減した診断パターンを縮減診断パターン１７として生成して出力する。
なお、診断パターン縮減部５は、演算コンポーネントに対応する演算ノードのうち少なくとも１つの演算ノードの演算処理の正誤を診断することで、その演算コンポーネントに対応する全ての演算ノードの演算処理の正誤を診断したと見なせることを利用して、データセットの数を縮減する。これにより、診断の正確性の低下を抑制しながら、診断に係る診断負荷を低減することができる。
図２は、診断パターン縮減部５が行う縮減処理の一例を説明するためのフローチャートである。
縮減処理では、診断パターン縮減部５は、先ず、縮減診断パターンＰを空集合に初期化（Ｐ＝｛｝）する。さらに、診断パターン縮減部５は、処理対象コンポーネント集合Ｃの要素を診断対象プロセッサの全ての演算コンポーネントに初期化（C={全ての演算コンポーネント}）する（ステップＳ１０１）。
診断パターン縮減部５は、処理対象コンポーネント集合Ｃの要素である演算コンポーネントのいずれか１つを演算コンポーネントｃとして選択する（ステップＳ１０２）。
診断パターン縮減部５は、演算ノード情報１６に基づいて、演算コンポーネントｃに対応する演算ノードの集合Ｎｃを取得する（ステップＳ１０３）。なお、演算コンポーネントｃに対応する演算ノードは、具体的には、演算コンポーネントｃが実行する演算処理に対応する中間ノードである。
診断パターン縮減部５は、演算ノードの集合Ｎｃから要素である演算ノードのいずれか１つを演算ノードｎとして選択する（ステップＳ１０４）。演算ノードｎの選択方法は、特に限定されない。例えば、診断パターン縮減部５は、演算ノードの集合Ｎｃからランダムに演算ノードｎを選択することができる。
診断パターン縮減部５は、中間ノード診断パターンデータセット１３に基づいて、演算ノードｎの演算処理の正誤を診断可能なデータセットを診断データセットｐとして取得し、その診断データセットｐを縮減診断パターンＰに加える（ステップＳ１０５）。
診断パターン縮減部５は、中間ノード診断パターンデータセット１３に基づいて、診断パターンｐで演算処理の正誤が診断可能な中間ノードである診断ノードの集合Ｎｐを取得する（ステップＳ１０６）。なお、診断ノードの集合Ｎｐには、上述の演算ノードｎも含まれる。
診断パターン縮減部５は、実行コンポーネント情報１５に基づいて、診断ノードの集合Ｎｐに含まれる各診断ノードの演算処理を実行する演算コンポーネントを特定し、その特定した演算コンポーネントを処理対象コンポーネント集合Ｃから削除する（ステップＳ１０７）。
診断パターン縮減部５は、処理対象コンポーネント集合Ｃが空集合か否かを判断する（ステップＳ１０８）。診断パターン縮減部５は、処理対象コンポーネント集合Ｃが空集合でない場合、ステップＳ１０２の処理に戻り、処理対象コンポーネント集合Ｃが空集合である場合、処理を終了する。
以上説明したように本実施例によれば、診断パターン生成部１は、学習済ニューラルネットワーク１１に含まれる複数の中間ノードの部分集合による演算処理の処理結果の正誤を診断するための複数のデータセットを含む診断パターンを生成する。中間ノード演算コンポーネント特定部３は、中間ノードと、中間ノードによる演算処理を実行する演算コンポーネントとの対応関係であるノード・コア関係を特定する。診断パターン縮減部５は、ノード・コア関係に基づいて、複数のデータセットの数を縮減する。したがって、診断の正確性の低下を抑制しながら、診断に係る診断負荷を低減することができる。
また、本実施例では、演算コンポーネントごとに、その演算コンポーネントに対応する中間ノードのいずれかの中間ノードの演算処理の正誤を診断可能なデータセットが選択される。また、演算コンポーネントごとに、選択されたデータセット以外のデータセットが削除されることで、複数のデータセットの数が縮減される。このため、診断の正確性の低下を抑制しながら、診断負荷の増加を抑制することが可能になる。
また、本実施例では、データセットに含まれる診断用入力値及び期待値に基づいて、演算コンポーネントに対応する中間ノードのそれぞれの演算処理の正誤を診断可能なデータセットが特定される。このため、診断の正確性の低下をより適切に抑制することができる。
図３は、図１に示した診断ポイント縮減システム１０を実現する計算機の一例であるクラウドサーバのハードウェア構成例を示す図である。
図３に示すクラウドサーバ２０は、記録装置２１、プロセッサ２２、メインメモリ２３、通信装置２４、入力装置２５及び表示装置２６を有し、それらがバス２７を介して互いに接続されている。
記録装置２１は、書き込み及び読み出しが可能にデータを記録する装置であり、プロセッサ２２の動作を規定するためのプログラム、及び、学習済ニューラルネットワーク１１及び演算シーケンスデータ１４などの種々のデータを記録する。プロセッサ２２は、記録装置２１に記録されたプログラムをメインメモリ２３に読み出し、メインメモリ２３を利用してプログラムに応じた処理を実行することで、図１に示した診断ポイント縮減システム１０の各部１～５を実現する。プロセッサ２２の一例としてはＣＰＵやＧＰＵが考えられるが、所定の処理を実行する主体であれば他の半導体デバイスでもよい。
通信装置２４は、例えば、後述の図４及び図５に示すエッジ装置３０及びクライアント計算機４０のような外部装置と通信可能に接続し、外部装置との間で情報の送受信を行う。入力装置２５は、クラウドサーバ２０のユーザなどから種々の情報が入力される装置である。表示装置２６は、種々の情報を表示する装置である。
上記構成により、プロセッサ２２は、通信装置２４を介して、診断ポイント縮減システム１０で生成した縮減診断パターン１７をエッジ装置３０に配信することができる。このとき、プロセッサ２２は、学習済ニューラルネットワーク１１の演算処理をプロセッサに実行させるためのプログラムである学習済ニューラルネットワークプログラムと共に、縮減診断パターン１７を配信してもよい。縮減診断パターン１７を配信するタイミングは、例えば、学習済ニューラルネットワークプログラムが更新されたタイミングなどである。
なお、プロセッサ２２の動作を規定するためのプログラムは、例えば、半導体メモリ、磁気ディスク、光ディスク、磁気テープ及び光磁気ディスクなどのような、非一時的にデータを記憶する記録媒体２８に記録させることもできる。この場合、クラウドサーバ２０は、記録媒体２８に記録されたプログラムを読み込み、その読み込んだプログラムに応じた処理を実行することで、図１に示した診断ポイント縮減システム１０の各部１～５を実現する。記録媒体２８は、クラウドサーバ２０内に備わっていてもよい。
図４は、診断ポイント縮減システム１０にて生成された縮減診断パターン１７による診断を行う計算機の一例であるエッジ装置のハードウェア構成例を示す図である。図４に示すエッジ装置３０は、例えば、ＥＣＵ（Electronic Control Unit：エレクトロニックコントロールユニット）などである。エッジ装置３０は、例えば、自動車などの車両に搭載されてもよい。
図４に示すエッジ装置３０は、記録装置３１、第１のプロセッサ３２、メインメモリ３３、通信装置３４、入力装置３５、表示装置３６及び第２のプロセッサ３７を有し、それらがバス３８を介して接続されている。
記録装置３１は、書き込み及び読み出しが可能にデータを記録する装置であり、第１のプロセッサ３２の動作を規定するためのプログラム、及び、第２のプロセッサ３７の動作を規定するための学習済ニューラルネットワークプログラム及び縮減診断パターン１７などの種々のデータを記録する。
学習済ニューラルネットワークプログラムは、図１に示した学習済ニューラルネットワーク１１の演算処理を実行させるためのプログラムである。
第１のプロセッサ３２は、記録装置２１に記録されたプログラムをメインメモリ３３に読み出し、メインメモリ３３を利用してプログラムに応じた処理を実行する。第１のプロセッサ３２の一例としてはＣＰＵやＧＰＵが考えられるが、所定の処理を実行する主体であれば他の半導体デバイスでもよい。
通信装置３４は、図３に示したクラウドサーバ２０のような外部装置と通信可能に接続し、外部装置との間で情報の送受信を行う。例えば、通信装置３４は、クラウドサーバ２０から学習済ニューラルネットワークプログラム及び縮減診断パターン１７などを受信する。通信装置３４が受信した学習済ニューラルネットワークプログラム及び縮減診断パターン１７は、例えば、第１のプロセッサ３２を介して記録装置３１に記憶される。
入力装置３５はエッジ装置３０のユーザなどから種々の情報が入力される装置である。表示装置３６は、種々の情報を表示する装置である。
第２のプロセッサ３７は、所定の演算処理を実行するハードウェアアクセラレータである。より具体的には、第２のプロセッサ３７は、学習済ニューラルネットワークプログラムに従って学習済ニューラルネットワーク１１による演算処理を実行する対象プロセッサの一例である。
第２のプロセッサ３７は、本実施例では、マルチコアＧＰＵである。第２のプロセッサ３５は、演算処理を行う複数の演算コンポーネントである複数のコア３５Ａを含む。図４の例では、コア３５Ａは４つ示されているが、コア３５Ａの数は、４に限らず、２以上であればよい。
第１のプロセッサ３２は、以下の処理（１）及び（２）を実行する。
（１）実行処理。実行処理は、第２のプロセッサ３７に対して、学習済ニューラルネットワークプログラムを読み込ませて、学習済ニューラルネットワーク１１による演算処理を実行させる処理である。
（２）診断処理。診断処理は、所定のタイミングで縮減診断パターン１７を第２のプロセッサ３７にロードさせて、第２のプロセッサ３７を診断する処理である。
実行処理（１）における学習済ニューラルネットワーク１１による演算処理は、例えば、所定の機械を制御するための制御情報を生成する処理である。この場合、第１のプロセッサ３２は、実行処理（１）と、学習済ニューラルネットワーク１１による演算処理の処理結果である制御情報に基づいて、所定の機械を制御する機械制御処理とを交互に実行する。また、第１のプロセッサ３２は、機械制御処理の実行中に診断処理（２）を実行する。
所定の機械は、例えば、エッジ装置３０が搭載された車両である。機械制御処理は、例えば、車両の自動運転制御に係る処理などである。自動運転制御は、ブレーキ制御及びアクセル制御などである。
以上説明したように本実施例によれば、第１のプロセッサ３２は、縮減診断パターン１７に基づいて第２のプロセッサ３７を診断する。このため、診断負荷の増加を抑制することが可能になる。
また、本実施例では、第１のプロセッサ３２は、機械制御処理の実行中に第２のプロセッサ３７を診断する。このため、学習済ニューラルネットワーク１１による演算処理を停止させることなく、第２のプロセッサ３７を診断することが可能となる。
図５は、クラウドサーバ２０と通信可能なクライアント計算機のハードウェア構成の一例を示す図である。
図５に示すクライアント計算機４０は、記録装置４１、プロセッサ４２、メインメモリ４３、通信装置４４、入力装置４５及び表示装置４６を有し、それらがバス４７を介して接続されている。
記録装置４１は、書き込み及び読み出しが可能にデータを記録する装置であり、プロセッサ４２の動作を規定するためのプログラムなどの種々のデータを記録する。プロセッサ４２は、記録装置４１に記録されたプログラムをメインメモリ４３に読み出し、メインメモリ４３を利用してプログラムに応じた処理を実行する。プロセッサ４２の一例としてはＣＰＵやＧＰＵが考えられるが、所定の処理を実行する主体であれば他の半導体デバイスでもよい。
通信装置４４は、例えば、後述の図３に示したクラウドサーバ２０のような外部装置と通信可能に接続し、外部装置との間で情報の送受信を行う。入力装置４５は、クライアント計算機４０のユーザなどから種々の情報が入力される装置である。表示装置２６は、種々の情報を表示する装置である。
プロセッサ４２は、例えば、入力装置４５を介して受け付けたパターン作成指示に基づいて、縮減診断パターン１７の生成を要求する生成要求処理を行う。例えば、プロセッサ４２は、縮減診断パターン１７の生成を要求する生成要求をクラウドサーバ２０に送信する。なお、クラウドサーバ２０は、例えば、生成要求を受信すると、図１～図３を用いて説明したように縮減診断パターン１７を生成し、縮減診断パターン１７の表示を要求する表示要求をクライアント計算機４０に送信する。
プロセッサ４２は、例えば、クラウドサーバ２０から通信装置４４を介して受信した表示指示に基づいて、縮減診断パターン１７を表示する表示処理を行う。例えば、プロセッサ４２は、縮減診断パターン１７を示すＷｅｂ画面を表示装置２６に表示する。
本実施例では、診断パターンの縮減が学習済ニューラルネットワークの演算結果に対する各中間ノードの出力値の影響度に基づいて行われる例を説明する。
図６は、本開示の実施例２の診断ポイント縮減システムの構成例を示す図である。図６に示す診断ポイント縮減システム５０は、図１に示した実施例１の診断ポイント縮減システム１０と比較して、中間ノード演算コンポーネント特定部３、中間ノード特定部４及び診断パターン縮減部５の代わりに、故障影響度解析部５１、診断除外ノード特定部５２及び診断パターン縮減部５３を有する点で異なる。また、診断ポイント縮減システム５０には、演算シーケンスデータ１４の代わりに要求診断スペック５４が入力される。
故障影響度解析部５１は、学習済ニューラルネットワーク１１に基づいて、学習済ニューラルネットワーク１１の演算結果に対する各中間ノードの出力値の影響度である故障影響度を算出する。故障影響度解析部５１は、故障影響度を中間ノードごとに示す影響度データ５５を生成して出力する。
本実施例では、例えば、故障影響度解析部５１は、エラーインジェクションシミュレーションを用いて、学習済ニューラルネットワーク１１の中間ノードごとに、ＡＶＦ（Architectural Vulnerability Factor）と呼ばれる指標を故障影響度として算出する。
ＡＶＦは、中間ノードで全故障モードが生じた際の、学習済ニューラルネットワーク１１の演算結果の誤り率で定義される。全故障モードは、中間ノードの出力値の各ビットが全て誤りとなるモードである。演算結果の誤り率は、演算結果の全ビットに対する、誤りとなるビットが占めるの割合である。ビットの誤りとは、ビットの値が期待値とは異なることである。例えば、演算結果が６４ビットであり、演算結果が期待値と一致するビットが５０ビット、演算結果が期待値と異なるビットが１４ビットであるとすると、ＡＶＦは、１４／６４となる。
診断除外ノード特定部５２は、要求診断スペック５４及び影響度データ５５に基づいて、中間ノードのうち診断を行う診断ノード以外の診断除外ノードを特定する。そして、診断除外ノードの集合を診断除外ノード集合５６として生成して出力する。診断除外ノード特定部５２の処理は、図７を用いて後述する。
要求診断スペック５４は、ユーザから要求される診断の正確性に関する制約条件を示す。本実施例では、要求診断スペック５４は、後述する診断カバー率Ｃに対する閾値である。
診断パターン縮減部５３は、中間ノード診断パターンデータセット１３及び診断除外ノード集合５６に基づいて、縮減診断パターン１７を生成して出力する。
具体的には、診断パターン縮減部５３は、以下の処理（ａ）～（ｃ）を行う。
（ａ）特定処理。特定処理は、中間ノード診断パターンデータセット１３に基づいて、診断除外ノード集合５６に含まれる診断除外ノードの演算処理の正誤だけを診断可能なデータデータセットを除外データセットとして特定する処理である。
（ｂ）減縮処理。減縮処理は、診断パターン１２から除外データセットを除外することで、診断パターン１２に含まれるデータセットの数を縮減する処理である。
（ｃ）生成処理。生成処理は、データセットの数を縮減した診断パターンを縮減診断パターン１７として生成して出力する処理である。
図７は、診断除外ノード特定部５２の処理の一例を説明するためのフローチャートである。
先ず、診断除外ノード特定部５２は、影響度データ５５に基づいて、全ての中間ノードのＡＶＦを合算した合算値ＡＶＦａｌｌを算出する。また、診断除外ノード特定部５２は、診断対象ノード集合Ｎを全ての中間ノードに初期化（N={全ての演算ノード}）する（ステップＳ２０１）。
診断除外ノード特定部５２は、診断対象ノード集合Ｎから、ＡＶＦが最小の中間ノードを中間ノードｎとして選択する（ステップＳ２０２）。
診断除外ノード特定部５２は、中間ノードｎのＡＶＦであるＡＶＦｎに基づいて、診断対象ノード集合Ｎによる診断カバー率Ｃを算出し、その診断カバー率Ｃが要求診断スペック５４よりも大きいか否かを判断する（ステップＳ２０３）。
診断カバー率Ｃは、以下の式（１）で表される。
Figure 2022124240000002
 ここで、ａは診断対象ノード集合Ｎの要素としての中間ノード、ＡＶＦａは中間ノードａのＡＶＦ、ＡＶＦＮは選択した中間ノードｎのＡＶＦである。
診断カバー率Ｃが要求診断スペック５４よりも大きい場合、診断除外ノード特定部５２は、診断対象ノード集合Ｎから中間ノードｎを削除し（ステップＳ２０４）、ステップＳ２０２の処理に戻る。
診断カバー率Ｃが要求診断スペック５４以下の場合、診断除外ノード特定部５２は、診断対象ノード集合Ｎの補集合を診断除外ノード集合５６として生成して出力し（ステップＳ２０５）、処理を終了する。
なお、クラウドサーバ２０、エッジ装置３０及びクライアント計算機４０のハードウェア構成は、実施例１と同様である。
以上説明したように本実施例によれば、学習済ニューラルネットワーク１１の演算結果に対する各中間ノードの出力値の影響度である故障影響度に基づいて、診断パターンに含まれるデータセットの数が縮減される。このため、診断の正確性の低下を抑制しながら、診断に係る診断負荷を低減することができる。
また、本実施例によれば、故障影響度はＡＶＦであるため、学習済ニューラルネットワーク１１の演算結果に対する各中間ノードの出力値の影響を適切に反映することができる。
また、本実施例によれば、診断カバー率Ｃが閾値以下となった場合、診断除外ノード集合５６の補集合に含まれる中間ノードの演算処理の正誤だけを診断可能なデータセットが削除される。このため、診断の正確性の低下を抑制しながら、診断に係る診断負荷を低減することができる。
上述した本開示の実施例は、本開示の説明のための例示であり、本開示の範囲をそれらの実施形態にのみ限定する趣旨ではない。当業者は、本開示の範囲を逸脱することなしに、他の様々な態様で本開示を実施することができる。
１：診断パターン生成部 ２：中間ノード診断パターン特定部 ３：中間ノード演算コンポーネント特定部 ４：中間ノード特定部 ５：診断パターン縮減部 １０、５０：診断ポイント縮減システム ２０：クラウドサーバ ３０：エッジ装置 ４０：クライアント計算機 ５１：故障影響度解析部 ５２：診断除外ノード特定部 ５３：診断パターン縮減部

Claims (8)

  1. ニューラルネットワークによる演算処理を複数の演算コンポーネントを用いて実行するプロセッサを診断するための診断パターンを生成する診断パターン生成方法であって、
    （Ａ）前記ニューラルネットワークに含まれる複数のノードの部分集合による演算処理の処理結果の正誤を診断するための複数のデータセットを含む前記診断パターンを生成し、
    （Ｂ）前記ノードと、前記ノードによる演算処理を実行する前記演算コンポーネントとの対応関係であるノード・コア関係を特定し、
    （Ｃ）前記ノード・コア関係に基づいて、前記データセットの数を縮減する、
    診断パターン生成方法。
  2. 請求項１に記載の診断パターン生成方法において、
    前記（Ｃ）では、
    （Ｃ１）前記ノード・コア関係に基づいて、前記演算コンポーネントごとに、当該演算コンポーネントに対応する前記ノードの集合を特定し、
    （Ｃ２）前記演算コンポーネントごとに、前記集合に含まれるノードのいずれかの演算処理の正誤を診断可能な前記データセットを選択し、
    （Ｃ３）前記演算コンポーネントごとに、前記取得したデータセット以外の前記データセットを削除することで、前記データセットの数を縮減する、
    診断パターン生成方法。
  3. 請求項２に記載の診断パターン生成方法において
    前記データセットは、
    （Ｘ１）前記ニューラルネットワークに入力する診断用入力値と、
    （Ｘ２）前記診断用入力値を前記ニューラルネットワークに入力した場合に前記ニューラルネットワークから出力される出力値の期待値と、
    を含み、
    前記（Ｃ２）では、
    （Ｃ２１）前記診断用入力値及び前記期待値に基づいて、前記データセットと、当該データセットで演算処理の正誤の診断が可能な前記ノードとの対応関係であるノード・データ関係を特定し、
    （Ｃ２２）前記ノード・データ関係に基づいて、前記データセットのいずれかを選択する、
    診断パターン生成方法。
  4. ニューラルネットワークによる演算処理を複数の演算コンポーネントを用いて実行するプロセッサを診断するための診断パターンを生成する診断パターン生成方法であって、
    （Ａ）前記ニューラルネットワークに含まれる複数のノードの部分集合による演算処理の処理結果の正誤を診断するための複数のデータセットを含む前記診断パターンを生成し、
    （Ｂ）前記ニューラルネットワークの演算結果に対する各ノードの出力値の影響度を算出し、
    （Ｃ）前記影響度に基づいて、前記データセットの数を縮減する、
    診断パターン生成方法。
  5. 請求項４に記載の診断パターン生成方法において、
    前記影響度は、前記ノードの出力値の各ビットの全てが誤りの場合に、前記演算結果の全ビットに対する誤りとなるビットが占める割合であるＡＶＦ（Architectural Vulnerability Factor）である、
    診断パターン生成方法。
  6. 請求項５に記載の診断パターン生成方法において、
    前記（Ｃ）では、
    （Ｃ１）各ノードを含む集合から、前記ノードを前記ＡＶＦが小さい方から順に選択し、当該集合による診断カバー率が閾値よりも大きい場合、当該選択したノードを前記集合から削除し、
    （Ｃ２）前記診断カバー率が前記閾値以下となった場合、前記集合の補集合に含まれるノードの演算処理の正誤だけを診断可能なデータセットを削除することで、前記データセットの数を縮減し、
    前記診断カバー率は、以下の式（１）で表され、
    Figure 2022124240000003
     ここで、ＡＶＦａｌｌは全てのノードの影響度の合算値、Ｎは集合、ａは前記集合の要素としてのノード、ＡＶＦａはノードａのＡＶＦ、ＡＶＦＮは選択したノードｎのＡＶＦである、
    診断パターン生成方法。
  7. 第１のプロセッサと、演算処理を行う複数の演算コンポーネントを含む第２のプロセッサと、記憶部と、を有する計算機であって、
    前記記憶部は、
    （Ａ）前記第２のプロセッサに前記ニューラルネットワークの演算処理を実行させるためのニューラルネットワークプログラムと、
    （Ｂ）請求項１に記載の診断パターン生成方法にて前記データセットの数が縮減された前記診断パターンと、
    を記憶し、
    前記第１のプロセッサは、
    （１）前記第２のプロセッサに対して、前記ニューラルネットワークプログラムを読み込ませて前記演算処理を実行させ、
    （２）所定のタイミングで前記診断パターンを前記第２のプロセッサにロードさせて、前記第１のプロセッサを診断する、
    計算機。
  8. 請求項７に記載の計算機において、
    前記第１のプロセッサは、
    前記（１）では、前記第２のプロセッサに対して前記演算処理を実行させる処理と、前記演算処理の処理結果に基づいて、所定の機械を制御する機械制御処理とを交互に実行し、
    前記（２）では、前記機械制御処理の実行中に、前記第２のプロセッサを診断する、
    計算機。

JP2021021893A 2021-02-15 2021-02-15 診断パターン生成方法及び計算機 Pending JP2022124240A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021021893A JP2022124240A (ja) 2021-02-15 2021-02-15 診断パターン生成方法及び計算機
DE102021130117.3A DE102021130117A1 (de) 2021-02-15 2021-11-18 Diagnosemuster-erzeugungsverfahren und computer
US17/535,779 US20220261986A1 (en) 2021-02-15 2021-11-26 Diagnosis pattern generation method and computer

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021021893A JP2022124240A (ja) 2021-02-15 2021-02-15 診断パターン生成方法及び計算機

Publications (1)

Publication Number Publication Date
JP2022124240A true JP2022124240A (ja) 2022-08-25

Family

ID=82610620

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021021893A Pending JP2022124240A (ja) 2021-02-15 2021-02-15 診断パターン生成方法及び計算機

Country Status (3)

Country Link
US (1) US20220261986A1 (ja)
JP (1) JP2022124240A (ja)
DE (1) DE102021130117A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10454803B2 (en) * 2017-10-02 2019-10-22 Salesforce.Com, Inc. Inspecting network performance at diagnosis points

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016132468A1 (ja) 2015-02-18 2016-08-25 株式会社日立製作所 データ評価方法および装置、故障診断方法および装置

Also Published As

Publication number Publication date
DE102021130117A1 (de) 2022-08-18
US20220261986A1 (en) 2022-08-18

Similar Documents

Publication Publication Date Title
Cousineau et al. TLA+ proofs
US8997065B2 (en) Automatic modularization of source code
US7500149B2 (en) Generating finite state machines for software systems with asynchronous callbacks
JP2001318804A (ja) 確率的な診断システム
US10275548B1 (en) Interactive diagnostic modeling evaluator
US20210318379A1 (en) System and method for optimizing fault coverage based on optimized test point insertion determinations for logical circuits
US20160335555A1 (en) Making a prediction regarding development of a software product
CN110245085B (zh) 利用在线模型检验的嵌入式实时操作系统验证方法及系统
US8868381B2 (en) Control system design simulation using switched linearization
US6339837B1 (en) Hybrid method for design verification
CN111367786A (zh) 一种符号执行方法、电子设备以及存储介质
US20220261986A1 (en) Diagnosis pattern generation method and computer
US9404972B2 (en) Diagnosis and debug with truncated simulation
CN116663491B (zh) 基于bdd求解功能覆盖组条件约束语句的方法、设备和介质
JP2000235507A (ja) システムの信頼性設計装置及び方法並びにシステムの信頼性設計用ソフトウェアを記録した記録媒体
US6845440B2 (en) System for preventing memory usage conflicts when generating and merging computer architecture test cases
US10747601B2 (en) Failure estimation in circuits
JP2016085152A (ja) 診断装置、診断プログラム及び診断方法
Zamani et al. Online missing/repeated gate faults detection in reversible circuits
CN114529001B (zh) 量子算法的指标评估方法、装置、终端及存储介质
CN113722143A (zh) 一种程序流监控方法、装置、电子设备以及存储介质
Biswas et al. A formal approach to on-line monitoring of digital VLSI circuits: theory, design and implementation
US10523186B1 (en) Vulnerability determination in circuits
Gupta et al. Probabilistic error propagation modeling in logic circuits
JP7274063B2 (ja) テストケース生成装置、テストケース生成方法及びテストケース生成プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230529

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240215

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240402

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240515

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240611