Im Oktober richtete der IEEE-Verband das 32. Symposium on Defect and Fault Tolerance in VLSI and Nanotechnology Systems (DFT) in Delft aus. Der Beitrag "Efficient Error-Tolerant Quantized Neural Network Accelerators" wurde mit dem Best Paper Award ausgezeichnet und entstand in Zusammenarbeit zwischen Dr. Giulio Gambardella, Johannes Kappauf, Michaela Blott, Christoph Doehring und Dr. Kees Vissers von der Firma Xilinx in Dublin, Prof. Dr. Martin Kumm von der Hochschule Fulda sowie Prof. Dr. Peter Zipf von der Universität Kassel.

In der Arbeit geht es um die Fehlertoleranz von Neuronalen Netzen, wie sie in Anwendungen der künstlichen Intelligenz (KI) verwendet werden. Die Fehlertoleranz ist ein wichtiges Maß für die Betriebssicherheit von eingebetteten Systemen in sicherheitskritischen Anwendungen wie sie z.B. in der Luftfahrt oder in Kraftfahrzeugen zum Einsatz kommen. Konkret wurde untersucht wie sich Verarbeitungsfehler auf die Genauigkeit auswirken. Mittels der vorgeschlagenen Hardware-unterstützten Evaluierung gelang die vollständige Analyse in wenigen Tagen pro Netzwerk, für die auf konventionellem Weg mehr als zwei Wochen benötigt wurden.

Entgegen der weit verbreiteten Annahme Neuronale Netze sind robust gegenüber Störungen wurde gezeigt, dass dies gerade in den Netzen die in modernen Deep Learning Anwendungen zu finden sind nicht der Fall ist. Es wurden weiterhin Verfahren vorgeschlagen, mit denen sich die Fehlertoleranz durch den gezielten Einsatz redundanter Schaltungsteile effizient steigern lässt.