L'IA face aux grands problèmes du monde · Astronomie et espace · arXiv · 2026-10-21
Un réseau de neurones quantisé, durci aux radiations et conscient des pannes, qui s'auto-répare
Titre original: A Radiation-Hardened, Fault-Aware Quantized Neural Network That Self-Heals
Les modèles d'apprentissage profond déployés dans des environnements soumis à de fortes radiations, tels que les vaisseaux spatiaux et les accélérateurs de particules, se dégradent lorsque des particules de haute énergie corrompent les données, ce qui motive une méthode à l'exécution pour réparer les poids de réseaux de neurones quantifiés après des inversions de bits. Cette méthode, appelée Projection Healing, étend le Fault-Aware Training avec une pénalité d'alignement qui concentre les activations et les poids non endommagés dans un sous-espace de faible rang, à partir duquel les coordonnées corrompues signalées sont reconstruites sur du matériel courant sans stocker de répliques supplémentaires. Sur six bancs d'essai de régression, elle a étendu l'intervalle opérationnel de scrub d'une médiane de 2.04× pour une dégradation du RMSE de +5% (contre 1.62× pour le SECDED classique), et en maintenant le point de contrôle FAT fixe tout en ne modifiant que la réparation à l'exécution, on a obtenu une réduction supplémentaire de ~23% de l'intégrale excédentaire en unités natives.