Errors in Deep Neural Networks for Deep Space: Observations, Explorations, and Remedies

Piani e missioni sempre più ambiziosi vengono concepiti da lungimiranti ricercatori che si occupano dell'esplorazione spaziale e l'AI nell'ingegneria spaziale sicuramente contribuisce a realizzare importanti progressi. Dato che nello spazio i dispositivi non sono più protetti dalle radiazioni solari dall'atmosfera terrestre, questo può causare errori o alterazioni nella circuiteria del dispositivo. In questa tesi si discutono i problemi delle Deep Neural Networks (DNN) che lavorano nello spazio profondo. L'obiettivo della mia tesi è studiare e investigare come funzionano le DNN all'accumulo della dose radioattiva, scoprendone i punti deboli e i punti di forza, attraverso lo sviluppo di una piattaforma di fault injection (FI) che emula i guasti causati da radiazione. Lo studio esplora i punti deboli delle DNN e sfrutta il pruning come nuovo approccio di difesa contro gli errori. I risultati hanno dimostrato che il pruning non solo migliora l'efficienza delle risorse delle NN, ma anche la resilienza ai guasti. In particolare, abbiamo scoperto che la resilienza dipende dal livello di pruning.