Ⅰ. 本期重点精读
01 / 跨厂商 GPU · 故障注入
BitIR: Cross-Architecture Fault Injection for Resilience Analysis of Heterogeneous GPU Applications
arXiv:2610.04037 · 2026-10-02 · 预印本
在 LLVM IR 层注入确定性单比特故障，使扰动在后端 lowering 前保持语义等价，BitIR 跨 NVIDIA、Intel 和 AMD GPU 比较。实验在 A100、Intel GPU Max 1550 和 MI250X 上运行基准，把结果分为掩蔽、静默数据损坏和失效。同一故障表现差异明显：Intel 最常掩蔽，逃逸后易挂起；NVIDIA 更多硬失效；AMD 依负载和故障位置在静默数据损坏与失效间切换。结果显示 GPU 韧性依赖后端和负载。
在 LLVM 中间表示层固定同一故障位点，在 NVIDIA、Intel 和 AMD GPU 上重复注入，按掩蔽、静默数据损坏和失效分类记录后端差异如何转化为输出错误和挂起。
02 / GPU 集群 · 错误异质性与调度
The GPU Resilience Lottery: Understanding and Taming Real-World Hardware Errors in Heterogeneous AI Infrastructure
ACM Transactions on Architecture and Code Optimization · 2026-10-03 · DOI: 10.1145/3849815
对 50 万+ GPU 生产集群中真实硬件错误的分析，按空间模式区分架构和部件来源，按时间模式关联部署年龄，并量化硬件宕机、软件异常和系统指标的严重性。基于这些统计，作者设计 LotteRig，做风险感知的 GPU 选择和成本感知的错误缓解，在多种场景下减少 9.9% 软件中断，提高 12.1% 硬件可用性。大规模数据表明错误分布并不均匀，调度不能只看平均故障率。
把生产集群里的错误按架构、部件和部署年龄分层统计，同时分别记录硬件宕机、软件异常和系统指标；这些分布可用于挑选高风险部件和故障模式。
03 / SoC 单粒子 · 脆弱性预测与加固
SSRESF-OPT: A Sensitivity-Aware Framework for Single-Particle Radiation Effects Simulation and Optimization in SoC Platforms Using Machine Learning
ACM Transactions on Design Automation of Electronic Systems · 2026-10-02 · DOI: 10.1145/3849812
面对 SoC 单粒子辐射效应仿真中穷举门级故障注入太慢的问题，SSRESF-OPT 组合加速动态故障注入与机器学习预测。框架用跨层静态绑定消除运行时字符串解析，用结构聚类引导的 SVM 分类管线，根据网表特征预测未仿真节点的辐射脆弱性，再用 OPT 做 top-k 加固。评估覆盖 15 个门级网表，包括 AES 子系统和 RISC-V PULP SoC。模型辅助方法相对优化基线平均端到端加速 6.35 倍，预测准确率 94.58%；只加固前 10% 节点，系统软错误率降低 85%。
先用网表结构做聚类，再用分类器筛出可能脆弱的节点，只对这些节点做故障注入验证；记录预测命中率和加固前后软错误率，可以判断哪些架构瓶颈值得优先加固。
Ⅱ. 计算平台与软错误
01 / DNN 剪枝 · SEU 可靠性权衡
Exploring the Trade-Off Between Structured Pruning and Fault Tolerance in Deep Neural Networks for Space Applications
arXiv:2610.03117 · 2026-10-02 · 预印本
结构化剪枝如何改变 DNN 对单粒子翻转的鲁棒性，目标是为空间 AI 选择模型宽度和冗余水平？方法是对基线模型逐步结构化剪枝，在尽量保持任务性能的同时减小宽度；每个剪枝阶段运行定向位翻转故障注入，评估模型输出。结果显示，剪枝减少参数冗余，使单次推断对故障更敏感；但模型变窄后执行时间缩短，遇到 SEU 的概率下降，两者在整体可靠性上大致抵消。因此，结构化剪枝能在节省能耗和延迟的同时不破坏整体可靠性。新意在于把单次推断敏感度和任务级遭遇概率放在同一个权衡里，同时纳入执行时间对遭遇概率的影响。
故障注入时同时记录每次推断的敏感度和执行时间，按剪枝阶段计算任务级错误概率；这能把模型冗余与遭遇概率分开看。
Ⅲ. 其他值得跟踪的前沿
01 / 金刚石 FET · 质子辐照退化
Proton radiation effects on hydrogen-terminated diamond field-effect transistors
Applied Physics Letters · 2026-10-05 · DOI: 10.1063/5.0353883
用 5 MeV 质子以 1e11、1e12 和 1e13 p/cm2 的注量辐照氢终端金刚石 FET，追踪电学退化并分离损伤来源。最高注量下，开态电流下降约 43%，峰值跨导从 7.74 降到 2.77 mS/mm，亚阈值摆幅从 300 升到 960 mV/dec，栅漏电流增加约四个数量级。电容-电压测量显示正平带电压漂移，与辐射诱导的负陷阱电荷一致；栅控深能级瞬态谱识别出三个空穴陷阱能级，其中两个辐照后出现。栅堆叠电离损伤主要影响阈值电压、漏电和载流子稳定，金刚石位移缺陷关联迁移率和跨导退化。
用质子注量序列配合电容-电压和深能级瞬态谱，把栅堆叠电离损伤与金刚石位移缺陷分开；同时记录开态电流、跨导和栅漏等多项电学参数。
02 / ReRAM 存内计算 · 故障脆弱性
An Empirical Fault Vulnerability Exploration of ReRAM-based Process-in-Memory CNN Accelerators
arXiv:2610.07029 · 2026-10-04 · 预印本
ReRAM 存内计算 CNN 加速器的故障脆弱性，聚焦推理阶段软件和硬件层面的错误如何影响分类精度。作者把 CNN 学习参数映射到 ReRAM 交叉阵列，再注入 stuck-at high 和 stuck-at low 故障，分析不同层、深度以及参数在层内位置的影响。大量注入结果显示，脆弱性受层类型、层深度、参数位置、故障值和故障类型共同影响；不同 CNN 模型的脆弱性也不同。一个关键结果是 stuck-at low 比 stuck-at high 更严重地降低分类精度。分析粒度落到层和参数位置，覆盖大规模 CNN。
把 CNN 权重映射到 ReRAM 交叉阵列后，按层、层内位置和故障类型分别注入固定高电平和固定低电平故障，记录分类精度变化；比较不同层和不同模型的敏感区域，可定位最该保护的权重。
03 / 忆阻器神经网络 · 非理想性感知训练
Nonideality-aware training pipeline via noise modeling and I-V nonlinearity embedding for robust memristive neural networks
预印本/未标注刊源 · 2026-10-06 · DOI: 10.1117/12.3125713
面向忆阻器神经网络的非理想性感知训练流程被提出，同时处理编程诱导的电导误差和器件本征 I-V 非线性。方法把噪声感知的电导映射和物理驱动的非线性忆阻器模型嵌入神经节点运算，训练过程直接包含这两类非理想性，补偿发生在训练回路内。仿真在 VGG 和 ResNet 两个图像分类基准上进行，在 I-V 非线性和不同编程误差水平下，推理精度平均提高 26%。把编程噪声和器件非线性联合建模并放进训练回路，提升了对器件变异的鲁棒性。
训练时把电导噪声映射和电流-电压非线性模型嵌入神经节点运算，让补偿发生在训练回路内；用不同编程误差水平比较推理精度，可检验模型对器件非理想性的鲁棒性。
04 / 分割计算 · 可靠性与安全联合评估
JASPER: Special Session on Joint Reliability And Security Assessment of SPlit Computing for Edge Robustness
arXiv:2610.04396 · 2026-10-03 · 预印本
面向边缘-云分割计算，JASPER 联合评估 DNN 推理的可靠性和安全性。分割计算把中间特征表示暴露给硬件故障和对抗攻击，传统做法分别评价两者。框架用神经元级故障注入计算平均相对精度退化，用特征图感知的对抗攻击计算攻击成功率，并提出联合脆弱性评分和置信度感知扩展，把预测错误和置信度下降一起看。评估基于十个分割计算配置，模型为 ResNet-50、数据集 ILSVRC-2012。不同压缩策略差异很大，故障注入下平均相对精度退化在 44.3% 到 61.2% 之间，对抗攻击成功率最高 98.8%。联合指标揭示了单独看可靠性或安全性时看不到的脆弱趋势。
故障注入时同时记录精度退化和置信度变化，按分割点或压缩策略比较中间特征暴露；联合评分能把可靠性和安全性放在同一张表里。