La IA y los problemas difíciles del mundo · Astronomía y espacio · arXiv · 2026-10-21
Una red neuronal cuantizada resistente a la radiación y consciente de fallos que se autorrepara
Título original: A Radiation-Hardened, Fault-Aware Quantized Neural Network That Self-Heals
Los modelos de aprendizaje profundo desplegados en entornos desafiantes por la radiación, como naves espaciales y aceleradores de partículas, se degradan a medida que las partículas de alta energía corrompen los datos, lo que motiva un método en tiempo de ejecución para reparar los pesos cuantizados de redes neuronales tras inversiones de bits. El método, llamado Projection Healing, extiende Fault-Aware Training con una penalización de alineación que concentra las activaciones y los pesos no dañados en un subespacio de rango bajo, a partir del cual se reconstruyen en hardware convencional las coordenadas corruptas marcadas, sin almacenar réplicas adicionales. En seis benchmarks de regresión, extendió el intervalo operativo de scrub una mediana de 2.04× con una degradación del RMSE de +5% (frente a 1.62× para el SECDED clásico), y mantener fijo el checkpoint de FAT mientras se conmutaba únicamente la reparación en tiempo de ejecución aportó una reducción adicional de ~23% en la integral de exceso en unidades nativas.