Mitigation of Single Event Effects (SEEs) Through TMR Implementation in Multi-Core Processors with LLM-Assisted Assembly Code Generation
Notice bibliographique
Résumé
Radiation can disrupt semiconductor devices, creating significant challenges for safety-critical computing. This work investigates multi-threaded Triple Modular Redundancy (TMR) as a mitigation strategy for radiation-induced soft errors in multi-core processors. The research has two primary objectives: (1) Develop and integrate a multi-threaded TMR approach tailored for a multicore processor, OpenPiton, leveraging its architectural features to enhance error detection and correction capabilities. (2) Leverage Large Language Models (LLMs) to automatically generate application-specific SPARCV9 assembly programs, for applications including Fibonacci Series (FS), Matrix Multiplication (MxM), 2D Image Convolution, and sequences with read-after-write (RAW) hazards. For evaluation, faults are injected systematically in the general-purpose register and the Error Correction Code (ECC) of a general-purpose register in one core, two cores, and three random cores and processor behavior with TMR protection is evaluated against the processor behavior without TMR protection. The proposed methodology demonstrates significant improvements of 13.5 % for the Fibonacci Series (FS), 20.4 % for Matrix Multiplication (MxM), <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\text{1 3. 4 1 \%}$</tex> for RAW Hazards Sequence, and 9.35% for 2D Convolution of Images benchmarks, respectively. This is achieved with minimal time overhead, ranging from 5 % to 11 %, with no additional area overhead.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».