FsimNNs: An Open-Source Graph Neural Network Platform for SEU Simulation-based Fault Injection
Li Lu, Jianan Wen, Milos Krstic
基于模拟的故障注入是一种被广泛采用的方法来评估电路漏洞到单事件响应(SEU);然而,其计算成本随着电路复杂性而显着增长。 为了解决这一限制,这项工作引入了一个开源平台,利用时空图神经网络(STGNN)来加速SEU故障模拟。 该平台包括三个STGNN架构,其中包含先进的组件,如Atrous Spatial Pyramid Pooling(ASPP)和注意力机制,从而改善了时空特征提取。 此外,SEU故障模拟数据集由六个具有不同复杂程度的开源电路构建,为性能评估提供了全面的基准。 在这些数据集上分析和比较了STGNN模型的预测能力。 此外,为了进一步调查该方法的效率,我们评估了STGNN在多个测试用例中的预测能力,并讨论了它们的泛化能力。 开发的平台和数据集作为开源发布,以支持可重复性和对https : / /github.com/luli2021/FsimNNs的进一步研究。
Simulation-based fault injection is a widely adopted methodology for assessing circuit vulnerability to Single Event Upsets (SEUs); however, its computational cost grows significantly with circuit complexity. To address this limitation, this work introduces an open-source platform that exploits Spatio-Temporal Graph Neural Networks (STGNNs) to accelerate SEU fault simulation. The platform includes three STGNN architectures incorporating advanced components such as Atrous Spatial Pyramid Pooling ...
