Miriam Grasso
Errors in Deep Neural Networks for Deep Space: Observations, Explorations, and Remedies.
Rel. Luca Sterpone. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering), 2021
|
Preview |
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (5MB) | Preview |
Abstract
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
Relatori
Anno Accademico
Tipo di pubblicazione
Numero di pagine
Corso di laurea
Classe di laurea
URI
![]() |
Modifica (riservato agli operatori) |
