A lightweight multi-bit-width graph convolutional network system for safety-critical applications

doi:10.1016/j.eswa.2025.129488

A lightweight multi-bit-width graph convolutional network system for safety-critical applications

2025-08-23

0

PRE

AI

DOI：10.1016/j.eswa.2025.129488

原文链接

原文求助

摘要

En 中文

近年来，图卷积网络（GCNs）因其处理非欧几里得数据的优势，已被广泛应用于电网调度、卫星任务规划、自动驾驶等安全关键场景。为满足边缘部署中对高能效和可靠性的需求，本文提出了一种新型集群感知量化方案，并设计了一种支持混合精度计算、集成专用容错技术的多比特宽度GCN加速器架构。该架构集成于Versal AI边缘平台，并得到基于PyTorch的软硬件协同设计框架支持。引入细粒度的动态位级保护以及集群间故障检测器，以减轻位级和集群级软误差的影响，充分利用图结构的潜在容错特性。MBW GCN相比CPU和GPU实现分别实现最高91倍和16.5倍的加速，同时能效提升最高达2087倍和1081倍，性能与当前先进加速器相当。除卓越的性能和能效外，所提出的容错技术通过中子辐照实验证明，在资源使用增加不超过6.2%的情况下，可显著提高系统可靠性。与未受保护版本相比，在三个基准数据集上，总截面分别降低79.52%、82.53%和82.69%，显示出在安全关键边缘计算应用中的巨大部署潜力。

Keyword:

Graph Convolutional Networks

Quantization Scheme

Fault-Tolerant Design

Edge Computing

Multi-bit-width Accelerator

A lightweight multi-bit-width graph convolutional network system for safety-critical applications

摘要

期刊

机构