IA e os Problemas Difíceis do Mundo · Astronomia e espaço · arXiv · 2026-10-21
Uma rede neural quantizada endurecida à radiação e ciente de falhas que se autorrepara
Título original: A Radiation-Hardened, Fault-Aware Quantized Neural Network That Self-Heals
Modelos de aprendizado profundo implantados em ambientes desafiados por radiação, como naves espaciais e aceleradores de partículas, se degradam à medida que partículas de alta energia corrompem os dados, o que motiva um método de tempo de execução para reparar pesos de redes neurais quantizadas após bit flips. O método, chamado Projection Healing, estende o Fault-Aware Training com uma penalidade de alinhamento que concentra ativações e pesos não danificados em um subespaço de baixo posto, do qual as coordenadas corrompidas sinalizadas são reconstruídas em hardware comum sem armazenar réplicas extras. Em seis benchmarks de regressão, o método estendeu o intervalo de scrub operacional por uma mediana de 2.04× com +5% de degradação de RMSE (versus 1.62× para o SECDED clássico), e manter o checkpoint do FAT fixo enquanto se alterna apenas a correção em tempo de execução resultou em uma redução adicional de ~23% no integral de excesso em unidades nativas.