DE102021130117A1

DE102021130117A1 - Diagnosemuster-erzeugungsverfahren und computer

Info

Publication number: DE102021130117A1
Application number: DE102021130117.3A
Authority: DE
Inventors: Takumi UEZONO; Tadanobu Toba; Kenichi Shimbo; Hiroaki ITSUJI
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2021-02-15
Filing date: 2021-11-18
Publication date: 2022-08-18
Also published as: JP2022124240A; US20220261986A1

Abstract

Eine Erhöhung einer Diagnoselast kann abgemildert werden. Eine Diagnosemuster-Erzeugungseinheit erzeugt ein Diagnosemuster, das mehrere Datensätze zur Diagnose, ob ein Verarbeitungsergebnis einer Berechnungsverarbeitung durch eine Teilmenge mehrerer in einem erlernten neuronalen Netz enthaltener Zwischenknoten korrekt ist, aufweist. Eine Zwischenknoten-Berechnungskomponenten-Identifizierungseinheit identifiziert eine Knoten-Kern-Beziehung, wobei es sich um eine Entsprechungsbeziehung zwischen dem Zwischenknoten und einer die Berechnungsverarbeitung des Zwischenknotens ausführenden Berechnungskomponente handelt. Eine Diagnosemuster-Reduzierungseinheit verringert die Anzahl der mehreren Datensätze auf der Grundlage der Knoten-Kern-Beziehung.

Description

HINTERGRUND DER ERFINDUNG
1. Gebiet der Erfindung
Die vorliegende Offenbarung betrifft ein Diagnosemuster-Erzeugungsverfahren und einen Computer.
2. Beschreibung des Stands der Technik
Bei einem System in der Art eines autonom fahrenden Systems und eines Industrieinfrastruktursystems nimmt die Verwendung durch die Technologie der künstlichen Intelligenz (KI) repräsentierter komplexer Systeme auch für eine Edge-Vorrichtung zu. Daher gibt es viele Edge-Vorrichtungen, die Hardware in der Art einer Graphikverarbeitungseinheit (GPU) und hochintegrierter Schaltungen (LSI) als Beschleuniger aufweisen. Bei diesem Typ einer Edge-Vorrichtung kann infolge eines Umgebungseinflusses, einer Alterungsverschlechterung oder dergleichen eine Abnormität in der Hardware auftreten, weshalb es zur Gewährleistung der Sicherheit des Systems und zur Implementation eines stabilen Betriebs wichtig ist, eine Diagnose der Hardware auszuführen.
Ein Diagnoseverfahren zur Diagnose von Hardware umfasst

(*) ein Verfahren zum Multiplexieren von Hardware und zum Vergleichen von Berechnungsergebnissen jeder Hardware,
(*) ein Verfahren zum Vergleichen von Berechnungsergebnissen mehrerer Bestandteile der unter Verwendung derselben Hardware ausgeführten Berechnungsverarbeitung,
(*) ein Verfahren zum Prüfen, ob Originaldaten durch Ausführen einer Umkehroperation an einem Berechnungsergebnis erhalten werden,
(*) ein Verfahren zum periodischen Eingeben eines Diagnosemusters in eine zu diagnostizierende Schaltung und zum Vergleichen eines Ausgangswerts der zu diagnostizierenden Schaltung mit einem Erwartungswert (LBIST: Logik mit eingebautem Selbsttest) und dergleichen.

Ferner offenbart W02016/132468 (Patentliteratur 1) ein Diagnoseverfahren zum Bereitstellen eines wiederherstellenden neuronalen Netzes, das eine Umkehroperation an einem identifizierenden neuronalen Netz ausführt. Bei diesem Diagnoseverfahren wird festgestellt, ob unter Verwendung des wiederherstellenden neuronalen Netzes wiederhergestellte Eingangsdaten innerhalb eines durch Lernen vorab erhaltenen Bereichs liegen und wird Hardware diagnostiziert, indem ein Feststellungsergebnis des identifizierenden neuronalen Netzes beurteilt wird.
Weil in den letzten Jahren der Umfang und die Komplexität der zu diagnostizierenden Hardware zugenommen haben, ist eine Erhöhung der Diagnoselast in der Art der Diagnosezeit, des Stromverbrauchs und der Schaltungsfläche einer Diagnoseschaltung bei einem Diagnoseverfahren aus dem Stand der Technik zu einem Problem geworden.
Beim Diagnoseverfahren, bei dem die Hardware multiplexiert wird, nimmt beispielsweise der Hardwareumfang zu, so dass auch der Stromverbrauch und die Schaltungsfläche zunehmen. Daher kann bei einer Edge-Vorrichtung, bei der ein geringer Stromverbrauch, eine Miniaturisierung und dergleichen erforderlich sind, eine gewünschte Spezifikation nicht erfüllt werden. Ferner wird bei der LBIST die Anzahl der einzugebenden Diagnosemuster durch die Komplikation der zu diagnostizierenden Schaltung erhöht und wird die Diagnoselast in der Art der Diagnosezeit, des Stromverbrauchs und der verwendeten Speicherkapazität erhöht.
Bei der in Patentliteratur 1 beschriebenen Technik können infolge einer Erhöhung des Umfangs des identifizierenden neuronalen Netzes die Diagnosezeit, der Stromverbrauch, die Schaltungsfläche und dergleichen zunehmen, weil der Umfang des wiederherstellenden neuronalen Netzes vom Umfang des identifizierenden neuronalen Netzes abhängt.
KURZFASSUNG DER ERFINDUNG
Eine Aufgabe der vorliegenden Offenbarung besteht darin, ein Diagnosemuster-Erzeugungsverfahren und einen Computer, der eine Diagnoselast verringern kann, bereitzustellen.
Ein Diagnosemuster-Erzeugungsverfahren gemäß einem Aspekt der vorliegenden Offenbarung ist
ein Diagnosemuster-Erzeugungsverfahren zum Erzeugen eines Diagnosemusters zur Diagnose eines Prozessors, der eine Berechnungsverarbeitung eines neuronalen Netzes unter Verwendung mehrerer Berechnungskomponenten ausführt, wobei das Diagnosemuster-Erzeugungsverfahren Folgendes aufweist:

(A) Erzeugen des Diagnosemusters, das mehrere Datensätze zur Diagnose, ob ein Verarbeitungsergebnis einer Berechnungsverarbeitung durch eine Teilmenge mehrerer im neuronalen Netz enthaltener Knoten korrekt ist, aufweist,
(B) Identifizieren einer Knoten-Kern-Beziehung, wobei es sich um eine Entsprechungsbeziehung zwischen dem Knoten und der die Berechnungsverarbeitung des Knotens ausführenden Berechnungskomponente handelt, und
(C) Verringern der Anzahl der Datensätze auf der Grundlage der Knoten-Kern-Beziehung.

Gemäß der vorliegenden Offenbarung kann die Diagnoselast verringert werden.
Figurenliste
Es zeigen:

1 ein Diagramm eines Konfigurationsbeispiels eines Diagnosepunkt-Reduzierungssystems gemäß einer ersten Ausführungsform der vorliegenden Offenbarung,
2 ein Flussdiagramm eines Beispiels einer Reduzierungsverarbeitung einer Diagnosemuster-Reduzierungseinheit,
3 ein Diagramm eines Beispiels einer Hardwarekonfiguration eines Cloud-Servers,
4 ein Diagramm einer Hardwarekonfiguration einer Edge-Vorrichtung,
5 ein Diagramm einer Hardwarekonfiguration eines Client-Computers,
6 ein Diagramm eines Konfigurationsbeispiels eines Diagnosepunkt-Reduzierungssystems gemäß einer zweiten Ausführungsform der vorliegenden Offenbarung und
7 ein Flussdiagramm eines Beispiels der durch eine Diagnoseausschlussknoten-Identifizierungseinheit ausgeführten Verarbeitung.

BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Nachstehend werden Ausführungsformen der vorliegenden Offenbarung mit Bezug auf die Zeichnungen beschrieben.
[Erste Ausführungsform]
1 ist ein Diagramm, das ein Konfigurationsbeispiel eines Diagnosepunkt-Reduzierungssystems gemäß einer ersten Ausführungsform der vorliegenden Offenbarung zeigt. Ein in 1 dargestelltes Diagnosepunkt-Reduzierungssystem 10 weist eine Diagnosemuster-Erzeugungseinheit 1, eine Zwischenknoten-Diagnosemuster-Identifizierungseinheit 2, eine Zwischenknoten-Berechnungskomponenten-Identifizierungseinheit 3, eine Zwischenknoten-Identifizierungseinheit 4 und eine Diagnosemuster-Reduzierungseinheit 5 auf.
Die Diagnosemuster-Erzeugungseinheit 1 erzeugt auf der Grundlage eines erlernten neuronalen Netzes 11 ein Diagnosemuster 12 zur Diagnose eines Prozessors und gibt das Diagnosemuster aus.
Das erlernte neuronale Netz 11 wird durch Lernen erhalten und weist

(*) eine Anzahl von Knoten,
(*) eine Anzahl zwischen der Anzahl von Knoten festgelegter Gewichtsparameter und
(*) einen Biasparametersatz für jeden von der Anzahl von Knoten auf. Das erlernte neuronale Netz ist in 1 als erlerntes NN dargestellt.
Insbesondere weisen die Knoten
(*) einen Eingangsknoten, der einen Eingangswert empfängt,
(*) einen Ausgangsknoten, der einen Ausgangswert ausgibt, und
(*) einen Zwischenknoten, der zwischen dem Eingangsknoten und dem Ausgangsknoten bereitgestellt ist,

Der zu diagnostizierende Prozessor führt die Berechnungsverarbeitung des erlernten neuronalen Netzes 11 aus. Gemäß der vorliegenden Ausführungsform ist der zu diagnostizierende Prozessor eine Graphikverarbeitungseinheit (GPU) und insbesondere eine Mehrkern-GPU mit mehreren die Berechnungsverarbeitung ausführenden Berechnungskomponenten. Die Berechnungskomponente wird auch als Kern bezeichnet. Ferner ist der zu diagnostizierende Prozessor nicht auf eine GPU beschränkt und kann beispielsweise eine andere Vorrichtung in der Art eines feldprogrammierbaren Gate-Arrays (FPGA) oder Prozessors für allgemeine Zwecke sein.
Gemäß der vorliegenden Ausführungsform ist das Diagnosemuster 12 ein Diagnosemuster für eine LBIST. Für die Erzeugung des Diagnosemusters für die LBIST kann ein Verfahren zur Erzeugung eines LSI-Diagnosemusters verwendet werden. Die Diagnosemuster-Erzeugungseinheit 1 erzeugt als Diagnosemuster 12 beispielsweise ein LSI-Diagnosemuster, das durch Ersetzen jedes Knotens des erlernten neuronalen Netzes 11 durch eine dem Knoten entsprechende Logikschaltung gebildet wird. In diesem Fall kann die Diagnosemuster-Erzeugungseinheit 1 das Diagnosemuster 12 beispielsweise auf der Grundlage der Gewichtsparameter und der Biasparameter, die im erlernten neuronalen Netz 11 enthalten sind, erzeugen.
Für die Erzeugung des LSI-Diagnosemusters kann beispielsweise ein existierendes Werkzeug in der Art eines Elektronikentwurfsautomatisierungs-(EDA)-Werkzeugs oder ein existierender Testmustererzeugungsalgorithmus in der Art eines D-Algorithmus verwendet werden.
Das Diagnosemuster 12 weist mehrere Datensätze zur Diagnose, ob die durch jeden Knoten (insbesondere jeden Zwischenknoten) des erlernten neuronalen Netzes 11 ausgeführte Berechnungsverarbeitung korrekt ist, auf. Es ist nicht auf eine Diagnose beschränkt, ob die Berechnungsverarbeitung eines Zwischenknotens bei einem Datensatz korrekt ist, und es kann im Allgemeinen die gesamte Berechnungsverarbeitung der mehreren Zwischenknoten mit einem Datensatz diagnostiziert werden. Daher kann ausgesagt werden, dass jeder Datensatz verwendet wird, um zu diagnostizieren, ob die Berechnungsverarbeitung eines oder mehrerer in einer Teilmenge eines Satzes, der alle Zwischenknoten aufweist, enthaltener Zwischenknoten korrekt ist.
Ferner weist der Datensatz

(*) einen Diagnoseeingangswert, der in das erlernte neuronale Netz 11 eingegeben wird, und
(*) einen Erwartungswert eines Ausgangswerts, der vom erlernten neuronalen Netz 11 ausgegeben wird, wenn der Diagnoseeingangswert in das erlernte neuronale Netz 11 eingegeben wird, auf.

Die Zwischenknoten-Diagnosemuster-Identifizierungseinheit 2 identifiziert eine Knoten-Daten-Beziehung, wobei es sich um eine Entsprechungsbeziehung zwischen dem im Diagnosemuster 12 enthaltenen Datensatz und einem diagnostizierbaren Knoten, der ein Zwischenknoten ist, dessen Berechnungsverarbeitung durch den Datensatz als korrekt oder nicht korrekt diagnostiziert werden kann, handelt. Die Zwischenknoten-Diagnosemuster-Identifizierungseinheit 2 erzeugt einen die Knoten-Daten-Beziehung angebenden Zwischenknoten-Diagnosemuster-Datensatz 13 und gibt diesen aus.
Beispiele eines Verfahrens zur Bestimmung des diagnostizierbaren Knotens umfassen ein Verfahren, bei dem eine Fehlerinjektionssimulation verwendet wird.
Wenn die Fehlerinjektionssimulation verwendet wird, führt die Zwischenknoten-Diagnosemuster-Identifizierungseinheit 2 die folgende Verarbeitung (A) bis (C) für jede Kombination des Datensatzes und des Zwischenknotens aus.

(A) Eingabeverarbeitung. Bei der Eingabeverarbeitung wird ein Diagnoseeingangswert eines Zieldatensatzes unter der Annahme, dass ein Fehler (beispielsweise ein Blockierfehler) in einem Zielzwischenknoten auftritt, in das erlernte neuronalen Netz 11 eingegeben.
(B) Vergleichsverarbeitung. Bei der Vergleichsverarbeitung wird ein vom erlernten neuronalen Netz 11 ausgegebener Wert mit einem Erwartungswert des Zieldiagnosemusters verglichen.
(C) Identifizierungsverarbeitung. Bei der Identifizierungsverarbeitung wird der Zielzwischenknoten als diagnostizierbarer Knoten identifiziert, wenn der Ausgangswert und der Erwartungswert nicht übereinstimmen.

Die Zwischenknoten-Berechnungskomponenten-Identifizierungseinheit 3 identifiziert auf der Grundlage von Berechnungssequenzdaten 14 eine Knoten-Kern-Beziehung, wobei es sich um eine Entsprechungsbeziehung zwischen dem Zwischenknoten des erlernten neuronalen Netzes 11 und einer Ausführungskomponente, welche die Berechnungskomponente ist, welche die Berechnungsverarbeitung durch den Zwischenknoten ausführt, handelt.
Insbesondere identifiziert die Zwischenknoten-Berechnungskomponenten-Identifizierungseinheit 3 für jeden Zwischenknoten des erlernten neuronalen Netzes 11 anhand der Berechnungskomponenten des zu diagnostizierenden Prozessors die Ausführungskomponente, wobei es sich um die Berechnungskomponente handelt, welche die Berechnungsverarbeitung des Zwischenknotens ausführt. Die Zwischenknoten-Berechnungskomponenten-Identifizierungseinheit 3 erzeugt Ausführungskomponenteninformationen 15, welche die Ausführungskomponente für jeden Zwischenknoten angeben, und gibt diese aus.
Die Berechnungssequenzdaten 14 geben eine Verarbeitungsreihenfolge der Berechnungsverarbeitung des erlernten neuronalen Netzes 11 und eine Entsprechungsbeziehung zwischen der Berechnungsverarbeitung und der Berechnungskomponente, welche die Berechnungsverarbeitung ausführt, an. Die Berechnungssequenzdaten werden beispielsweise durch Kompilieren eines Programms zur Ausführung der Berechnungsverarbeitung durch das erlernte neuronale Netz 11 erzeugt.
Die Zwischenknoten-Identifizierungseinheit 4 identifiziert für jede zu diagnostizierende Berechnungskomponente des Prozessors einen Berechnungsknoten, wobei es sich um den der Berechnungsverarbeitung, die von der Berechnungskomponente ausgeführt wird, entsprechenden Zwischenknoten handelt. Dann erzeugt die Zwischenknoten-Identifizierungseinheit 4 Berechnungsknoteninformationen 16, welche den Berechnungsknoten für jede Berechnungskomponente angeben, und gibt diese aus.
Wenn die Ausführungskomponenteninformationen 15 aus Tabellendaten mit dem Zwischenknoten als Schlüssel und der Berechnungskomponente als Wert bestehen, entspricht die von der Zwischenknoten-Identifizierungseinheit 4 ausgeführte Verarbeitung der Verarbeitung des Erzeugens von Tabellendaten mit der Berechnungskomponente als Schlüssel und dem Zwischenknoten als Wert durch Austauschen des Schlüssels und des Werts.
Die Diagnosemuster-Reduzierungseinheit 5 verringert die Anzahl der im Diagnosemuster 12 enthaltenen Datensätze auf der Grundlage des Zwischenknoten-Diagnosemuster-Datensatzes 13, der Ausführungskomponenteninformationen 15 und der Berechnungsknoteninformationen 16. Dann erzeugt die Diagnosemuster-Reduzierungseinheit 5 das Diagnosemuster, worin die Anzahl der Datensätze verringert ist, als reduziertes Diagnosemuster 17 und gibt dieses aus.
Die Diagnosemuster-Reduzierungseinheit 5 verringert die Anzahl der Datensätze durch Ausführen einer Diagnose, ob die Berechnungsverarbeitung wenigstens eines Berechnungsknotens von den den Berechnungskomponenten entsprechenden Berechnungsknoten korrekt ist, auf der Grundlage der Annahme, dass dann angenommen werden kann, dass die Berechnungsverarbeitung aller den Berechnungskomponenten entsprechenden Berechnungsknoten korrekt ist. Dementsprechend kann die Diagnoselast in Bezug auf die Diagnose verringert werden, während die Verringerung der Genauigkeit der Diagnose abgemildert wird.
2 ist ein Flussdiagramm, das ein Beispiel der von der Diagnosemuster-Reduzierungseinheit 5 ausgeführten Reduzierungsverarbeitung zeigt.
Bei der Reduzierungsverarbeitung initialisiert die Diagnosemuster-Reduzierungseinheit 5 zuerst ein reduziertes Diagnosemuster P zu einer leeren Menge (P = {}). Ferner initialisiert die Diagnosemuster-Reduzierungseinheit 5 Elemente eines zu verarbeitenden Komponentensatzes C auf alle zu diagnostizierenden Berechnungskomponenten des Prozessors (C = {alle Berechnungskomponenten}) (Schritt S101).
Die Diagnosemuster-Reduzierungseinheit 5 wählt eine der Berechnungskomponenten, wobei es sich um die Elemente des zu verarbeitenden Komponentensatzes C handelt, als Berechnungskomponente c aus (Schritt S102).
Die Diagnosemuster-Reduzierungseinheit 5 erfasst einen Satz Nc von der Berechnungskomponente c entsprechenden Berechnungsknoten auf der Grundlage der Berechnungsknoteninformationen 16 (Schritt S103). Insbesondere sind die den Berechnungskomponenten c entsprechenden Berechnungsknoten Zwischenknoten, die der von der Berechnungskomponente c ausgeführten Berechnungsverarbeitung entsprechen.
Die Diagnosemuster-Reduzierungseinheit 5 wählt einen der Berechnungsknoten, wobei es sich um Elemente des Satzes Nc der Berechnungsknoten handelt, als Berechnungsknoten n aus (Schritt S104). Das Verfahren zur Auswahl des Berechnungsknotens n ist nicht besonders beschränkt. Beispielsweise kann die Diagnosemuster-Reduzierungseinheit 5 den Berechnungsknoten n zufällig aus dem Satz Nc von Berechnungsknoten auswählen.
Auf der Grundlage des Zwischenknoten-Diagnosemuster-Datensatzes 13 erfasst die Diagnosemuster-Reduzierungseinheit 5 als Diagnosedatensatz p einen Datensatz, mit dem diagnostiziert werden kann, ob die Berechnungsverarbeitung des Berechnungsknotens n korrekt ist, und fügt den Diagnosedatensatz p dem reduzierten Diagnosemuster P hinzu (Schritt S105).
Auf der Grundlage des Zwischenknoten-Diagnosemuster-Datensatzes 13 erfasst die Diagnosemuster-Reduzierungseinheit 5 einen Satz Np von Diagnoseknoten, wobei es sich um Zwischenknoten handelt, die diagnostizieren können, ob die Berechnungsverarbeitung mit dem Diagnosedatensatz p korrekt ist (Schritt S106). Der Satz Np der Diagnoseknoten weist auch den vorstehend beschriebenen Berechnungsknoten n auf.
Auf der Grundlage der Ausführungskomponenteninformationen 15 identifiziert die Diagnosemuster-Reduzierungseinheit 5 eine Berechnungskomponente, welche die Berechnungsverarbeitung jedes im Satz Np der Diagnoseknoten enthaltenen Diagnoseknotens ausführt, und löscht die identifizierte Berechnungskomponente aus dem zu verarbeitenden Komponentensatz C (Schritt S107).
Die Diagnosemuster-Reduzierungseinheit 5 stellt fest, ob der zu verarbeitende Komponentensatz C leer ist (Schritt S108). Wenn der zu verarbeitende Komponentensatz C nicht leer ist, kehrt die Diagnosemuster-Reduzierungseinheit 5 zur Verarbeitung von Schritt S102 zurück, und wenn der zu verarbeitende Komponentensatz C leer ist, beendet die Diagnosemuster-Reduzierungseinheit 5 die Verarbeitung.
Wie vorstehend beschrieben, erzeugt die Diagnosemuster-Erzeugungseinheit 1 gemäß der vorliegenden Ausführungsform das Diagnosemuster, das die mehreren Datensätze für die Diagnose, ob das Ergebnis der Berechnungsverarbeitung durch die Teilmenge der mehreren im erlernten neuronalen Netz 11 enthaltenen Zwischenknoten korrekt ist, aufweist. Die Zwischenknoten-Berechnungskomponenten-Identifizierungseinheit 3 identifiziert die Knoten-Kern-Beziehung, wobei es sich um die Entsprechungsbeziehung zwischen dem Zwischenknoten und der Berechnungskomponente, welche die Berechnungsverarbeitung durch den Zwischenknoten ausführt, handelt. Die Diagnosemuster-Reduzierungseinheit 5 verringert die Anzahl der Datensätze auf der Grundlage der Knoten-Kern-Beziehung. Daher kann die Diagnoselast verringert werden, während die Verringerung der Genauigkeit der Diagnose abgemildert wird.
Ferner wird gemäß der vorliegenden Ausführungsform für jede Berechnungskomponente der Datensatz ausgewählt, mit dem diagnostiziert werden kann, ob die Berechnungsverarbeitung eines der der Berechnungskomponente entsprechenden Zwischenknoten korrekt ist. Durch Löschen der vom ausgewählten Datensatz verschiedenen Datensätze für jede Berechnungskomponente wird die Anzahl der Datensätze verringert. Daher kann die Diagnoselast verringert werden, während die Verringerung der Genauigkeit der Diagnose abgemildert wird.
Ferner wird gemäß der vorliegenden Ausführungsform auf der Grundlage des Diagnoseeingangswerts und des Erwartungswerts, die im Datensatz enthalten sind, der Datensatz identifiziert, mit dem diagnostiziert werden kann, ob die Berechnungsverarbeitung jedes der Berechnungskomponente entsprechenden Zwischenknotens korrekt ist. Daher kann die Verringerung der Genauigkeit der Diagnose geeigneter abgemildert werden.
3 ist ein Diagramm, das ein Hardwarekonfigurationsbeispiel eines Cloud-Servers zeigt, wobei es sich um ein Beispiel eines das in 1 dargestellte Diagnosepunkt-Reduzierungssystem 10 implementierenden Computers handelt.
Ein in 3 dargestellter Cloud-Server 20 weist eine Aufzeichnungsvorrichtung 21, einen Prozessor 22, einen Hauptspeicher 23, eine Kommunikationsvorrichtung 24, eine Eingabevorrichtung 25 und eine Anzeigevorrichtung 26 auf, die über einen Bus 27 miteinander verbunden sind.
Die Aufzeichnungsvorrichtung 21 zeichnet Daten beschreibbar und lesbar auf, wobei es sich um verschiedene Daten in der Art eines Programms zum Definieren des Betriebs des Prozessors 22, das erlernte neuronale Netz 11 und die Berechnungssequenzdaten 14 handelt. Der Prozessor 22 liest das auf der Aufzeichnungsvorrichtung 21 aufgezeichnete Programm in den Hauptspeicher 23 und führt eine Verarbeitung gemäß dem Programm unter Verwendung des Hauptspeichers 23 aus, wodurch die Einheiten 1 bis 5 des in 1 dargestellten Diagnosepunkt-Reduzierungssystems 10 implementiert werden. Es wird davon ausgegangen, dass Beispiele des Prozessors 22 eine CPU oder eine GPU einschließen und dass andere Halbleitervorrichtungen verwendet werden können, solange sie die vorgegebene Verarbeitung ausführen.
Die Kommunikationsvorrichtung 24 ist mit einer externen Vorrichtung in der Art einer Edge-Vorrichtung 30 und eines Client-Computers 40, die in den 4 und 5 dargestellt sind und später beschrieben werden, kommunikativ verbunden und sendet Informationen zur externen Vorrichtung und empfängt Informationen von dieser. Die Eingabevorrichtung 25 empfängt verschiedene Arten von Informationen von einem Benutzer des Cloud-Servers 20. Die Anzeigevorrichtung 26 zeigt die verschiedenen Informationsarten an.
Mit der vorstehend beschriebenen Konfiguration kann der Prozessor 22 das durch das Diagnosepunkt-Reduzierungssystem 10 erzeugte reduzierte Diagnosemuster 17 über die Kommunikationsvorrichtung 24 zur Edge-Vorrichtung 30 übermitteln. Dabei kann der Prozessor 22 das reduzierte Diagnosemuster 17 zusammen mit einem Programm für ein erlerntes neuronales Netz, wobei es sich um ein Programm handelt, um den Prozessor zu veranlassen, die Berechnungsverarbeitung des erlernten neuronalen Netzes 11 auszuführen, übermitteln. Die Zeit, zu der das reduzierte Diagnosemuster 17 übermittelt wird, ist beispielsweise die Zeit, zu der das Programm für das erlernte neuronale Netz aktualisiert wird.
Das Programm zur Definition des Betriebs des Prozessors 22 kann auf einem Aufzeichnungsmedium 28 aufgezeichnet werden, das die Daten nichtflüchtig speichert, beispielsweise einem Halbleiterspeicher, einer Magnetplatte, einer optischen Scheibe, einem Magnetband oder einer magnetooptischen Scheibe. In diesem Fall liest der Cloud-Server 20 das auf dem Aufzeichnungsmedium 28 aufgezeichnete Programm und führt eine Verarbeitung gemäß dem gelesenen Programm aus, wodurch die Einheiten 1 bis 5 des in 1 dargestellten Diagnosepunkt-Reduzierungssystems 10 implementiert werden. Das Aufzeichnungsmedium 28 kann im Cloud-Server 20 bereitgestellt werden.
4 ist ein Diagramm, das ein Hardwarekonfigurationsbeispiel der Edge-Vorrichtung zeigt, wobei es sich um ein Beispiel des Computers handelt, der die Diagnose unter Verwendung des vom Diagnosepunkt-Reduzierungssystem 10 erzeugten reduzierten Diagnosemusters 17 ausführt. Die in 4 dargestellte Edge-Vorrichtung 30 ist beispielsweise eine elektronische Steuereinheit (ECU). Die Edge-Vorrichtung 30 kann beispielsweise an einem Fahrzeug in der Art eines Kraftfahrzeugs montiert werden.
Die in 4 dargestellte Edge-Vorrichtung 30 weist eine Aufzeichnungsvorrichtung 31, einen ersten Prozessor 32, einen Hauptspeicher 33, eine Kommunikationsvorrichtung 34, eine Eingabevorrichtung 35, eine Anzeigevorrichtung 36 und einen zweiten Prozessor 37 auf, die über einen Bus 38 miteinander verbunden sind.
Die Aufzeichnungsvorrichtung 31 zeichnet Daten beschreibbar und lesbar auf, wobei es sich um verschiedene Daten handelt, wie ein Programm zur Definition des Betriebs des ersten Prozessors 32, ein Programm für ein erlerntes neuronales Netz und das reduzierte Diagnosemuster 17 zur Definition des Betriebs des zweiten Prozessors 37.
Das Programm für das erlernte neuronale Netz dient der Ausführung der Berechnungsverarbeitung des in 1 dargestellten erlernten neuronalen Netzes 11.
Der erste Prozessor 32 liest das auf der Aufzeichnungsvorrichtung 21 aufgezeichnete Programm in den Hauptspeicher 33 und führt die Verarbeitung gemäß dem den Hauptspeicher 33 verwendenden Programm aus. Es wird davon ausgegangen, dass Beispiele des ersten Prozessors 32 eine CPU oder eine GPU einschließen und dass andere Halbleitervorrichtungen verwendet werden können, solange sie die vorgegebene Verarbeitung ausführen.
Die Kommunikationsvorrichtung 34 ist mit der externen Vorrichtung in der Art des in 3 dargestellten Cloud-Servers 20 kommunikativ verbunden und sendet Informationen zur externen Vorrichtung und empfängt Informationen von dieser. Beispielsweise empfängt die Kommunikationsvorrichtung 34 das Programm für das erlernte neuronale Netz, das reduzierte Diagnosemuster 17 und dergleichen vom Cloud-Server 20. Das Programm für das erlernte neuronale Netz und das reduzierte Diagnosemuster 17, die von der Kommunikationsvorrichtung 34 empfangen werden, werden beispielsweise über den ersten Prozessor 32 in der Aufzeichnungsvorrichtung 31 gespeichert.
Die Eingabevorrichtung 35 empfängt verschiedene Arten von Informationen von einem Benutzer der Edge-Vorrichtung 30. Die Anzeigevorrichtung 36 zeigt die verschiedenen Informationsarten an.
Der zweite Prozessor 37 ist ein Hardwarebeschleuniger, der eine vorgegebene Berechnungsverarbeitung ausführt. Insbesondere ist der zweite Prozessor 37 ein Beispiel eines Zielprozessors, der die Berechnungsverarbeitung des erlernten neuronalen Netzes 11 gemäß dem Programm für das erlernte neuronale Netz ausführt.
Gemäß der vorliegenden Ausführungsform ist der zweite Prozessor 37 eine Mehrkern-GPU. Der zweite Prozessor 35 weist mehrere Kerne 35A auf, welche die mehreren Berechnungskomponenten zur Ausführung der Berechnungsverarbeitung sind. Beim Beispiel aus 4 sind vier Kerne 35A dargestellt, wenngleich die Anzahl der Kerne 35A nicht auf vier beschränkt ist und zwei oder größer sein kann.
Der erste Prozessor 32 führt die folgende Verarbeitung (1) und (2) aus.

(1) Ausführungsverarbeitung. Bei der Ausführungsverarbeitung wird der zweite Prozessor 37 veranlasst, das Programm für das erlernte neuronale Netz zu lesen und den Berechnungsprozess durch das erlernte neuronale Netz 11 auszuführen.
(2) Diagnoseverarbeitung. Bei der Diagnoseverarbeitung wird der zweite Prozessor 37 diagnostiziert, indem er veranlasst wird, das reduzierte Diagnosemuster 17 zu einer vorgegebenen Zeit zu laden.

Bei der vom erlernten neuronalen Netz 11 bei der Ausführungsverarbeitung (1) durchgeführten Berechnungsverarbeitung werden beispielsweise Informationen zum Steuern einer vorgegebenen Maschine erzeugt. In diesem Fall führt der erste Prozessor 32 die Ausführungsverarbeitung (1) und die Maschinensteuerverarbeitung zur Steuerung der vorgegebenen Maschine auf der Grundlage der Steuerinformationen, die sich aus der Berechnungsverarbeitung des erlernten neuronalen Netzes 11 ergeben, alternierend aus. Ferner führt der erste Prozessor 32 die Diagnoseverarbeitung (2) während der Ausführung der Maschinensteuerverarbeitung aus.
Die vorgegebene Maschine ist beispielsweise ein Fahrzeug, an dem die Edge-Vorrichtung 30 montiert ist. Die Maschinensteuerverarbeitung bezieht sich beispielsweise auf die Steuerung des automatischen Fahrens des Fahrzeugs. Die Steuerung des automatischen Fahrens umfasst eine Bremssteuerung, eine Beschleunigungssteuerung und dergleichen.
Wie vorstehend beschrieben, diagnostiziert der erste Prozessor 32 gemäß der vorliegenden Ausführungsform den zweiten Prozessor 37 auf der Grundlage des reduzierten Diagnosemusters 17. Daher kann die Diagnoselast verringert werden.
Gemäß der vorliegenden Ausführungsform diagnostiziert der erste Prozessor 32 den zweiten Prozessor 37 während der Ausführung der Maschinensteuerverarbeitung. Daher kann der zweite Prozessor 37 diagnostiziert werden, ohne die Berechnungsverarbeitung des erlernten neuronalen Netzes 11 zu unterbrechen.
5 ist ein Diagramm, das ein Beispiel einer Hardwarekonfiguration des Client-Computers, der mit dem Cloud-Server 20 kommunizieren kann, zeigt.
Der in 5 dargestellte Client-Computer 40 weist eine Aufzeichnungsvorrichtung 41, einen Prozessor 42, einen Hauptspeicher 43, eine Kommunikationsvorrichtung 44, eine Eingabevorrichtung 45 und eine Anzeigevorrichtung 46 auf, die über einen Bus 47 miteinander verbunden sind.
Die Aufzeichnungsvorrichtung 41 zeichnet Daten beschreibbar und lesbar auf, wobei es sich um verschiedene Daten in der Art eines Programms zum Definieren des Betriebs des Prozessors 42 handelt. Der Prozessor 42 liest das auf der Aufzeichnungsvorrichtung 41 aufgezeichnete Programm in den Hauptspeicher 43 und führt die Verarbeitung gemäß dem den Hauptspeicher 43 verwendenden Programm aus. Es wird davon ausgegangen, dass Beispiele des Prozessors 42 eine CPU oder eine GPU einschließen und dass andere Halbleitervorrichtungen verwendet werden können, solange sie die vorgegebene Verarbeitung ausführen.
Die Kommunikationsvorrichtung 44 ist beispielsweise mit der externen Vorrichtung in der Art des vorstehend beschriebenen in 3 dargestellten Cloud-Servers 20 kommunikativ verbunden und sendet Informationen zur externen Vorrichtung und empfängt Informationen von dieser. Die Eingabevorrichtung 45 empfängt verschiedene Informationsarten von einem Benutzer des Client-Computers 40. Die Anzeigevorrichtung 46 zeigt die verschiedenen Informationsarten an.
Beispielsweise führt der Prozessor 42 eine Erzeugungsanforderungsverarbeitung zum Anfordern der Erzeugung des reduzierten Diagnosemusters 17 auf der Grundlage eines über die Eingabevorrichtung 45 empfangenen Mustererzeugungsbefehls aus. Beispielsweise sendet der Prozessor 42 eine Erzeugungsanforderung zum Anfordern der Erzeugung des reduzierten Diagnosemusters 17 zum Cloud-Server 20. Wenn der Cloud-Server 20 die Erzeugungsanforderung empfängt, erzeugt er beispielsweise das mit Bezug auf die 1 bis 3 beschriebene reduzierte Diagnosemuster 17 und sendet eine Anzeigeanforderung zum Anfordern der Anzeige des reduzierten Diagnosemusters 17 zum Client-Computer 40.
Der Prozessor 42 führt beispielsweise eine Anzeigeverarbeitung zum Anzeigen des reduzierten Diagnosemusters 17 auf der Grundlage eines über die Kommunikationsvorrichtung 44 vom Cloud-Server 20 empfangenen Anzeigebefehls aus. Der Prozessor 42 zeigt beispielsweise eine Web-Bildschirmdarstellung, welche das reduzierte Diagnosemuster 17 angibt, auf der Anzeigevorrichtung 26 an.
[Zweite Ausführungsform]
Die vorliegende Ausführungsform beschreibt ein Beispiel, bei dem eine Reduktion eines Diagnosemusters auf der Grundlage des Grads des Einflusses eines Ausgangswerts jedes Zwischenknotens auf ein Berechnungsergebnis eines erlernten neuronalen Netzes ausgeführt wird.
6 ist ein Diagramm, das ein Konfigurationsbeispiel eines Diagnosepunkt-Reduzierungssystems gemäß einer zweiten Ausführungsform der vorliegenden Offenbarung zeigt. Verglichen mit dem in 1 dargestellten Diagnosepunkt-Reduzierungssystem 10 gemäß der ersten Ausführungsform unterscheidet sich ein in 6 dargestelltes Diagnosepunkt-Reduzierungssystem 50 in der Hinsicht, dass es eine Fehlereinflussgrad-Analyseeinheit 51, eine Diagnoseausschlussknoten-Identifizierungseinheit 52 und eine Diagnosemuster-Reduzierungseinheit 53 an Stelle der Zwischenknoten-Berechnungskomponenten-Identifizierungseinheit 3, der Zwischenknoten-Identifizierungseinheit 4 und der Diagnosemuster-Reduzierungseinheit 5 aufweist. Ferner wird an Stelle der Berechnungssequenzdaten 14 eine angeforderte Diagnosespezifikation 54 in das Diagnosepunkt-Reduzierungssystem 50 eingegeben.
Die Fehlereinflussgrad-Analyseeinheit 51 berechnet auf der Grundlage des erlernten neuronalen Netzes 11 einen Fehlereinflussgrad, wobei es sich um den Grad des Einflusses des Ausgangswerts jedes Zwischenknotens auf das Berechnungsergebnis des erlernten neuronalen Netzes 11 handelt. Die Fehlereinflussgrad-Analyseeinheit 51 erzeugt Einflussgraddaten 55, welche den Fehlereinflussgrad für jeden Zwischenknoten angeben, und gibt diese aus.
Gemäß der vorliegenden Ausführungsform berechnet die Fehlereinflussgrad-Analyseeinheit 51 beispielsweise als Fehlereinflussgrad einen als Architekturverwundbarkeitsfaktor (AVF) bezeichneten Index für jeden Zwischenknoten des erlernten neuronalen Netzes 11 unter Verwendung einer Fehlerinjektionssimulation.
Der AVF wird durch eine Fehlerrate des Berechnungsergebnisses des erlernten neuronalen Netzes 11, wenn im Zwischenknoten ein Nur-Fehler-Modus auftritt, definiert. Beim Nur-Fehler-Modus sind alle Bits des Ausgangswerts des Zwischenknotens fehlerhaft. Die Fehlerrate des Berechnungsergebnisses ist das Verhältnis zwischen einem Fehlerbit und allen Bits des Berechnungsergebnisses. Ein Fehler des Bits bedeutet, dass ein Wert des Bits von einem Erwartungswert verschieden ist. Wenn das Berechnungsergebnis beispielsweise 64 Bits ist, 50 Bits des Berechnungsergebnisses mit den Erwartungswerten übereinstimmen und 14 Bits des Berechnungsergebnisses von den Erwartungswerten verschieden sind, ist AVF 14/64.
Die Diagnoseausschlussknoten-Identifizierungseinheit 52 identifiziert auf der Grundlage der geforderten Diagnosespezifikation 54 und der Einflussgraddaten 55 Diagnoseausschlussknoten, die von Diagnoseknoten verschieden sind, die unter den Zwischenknoten zu diagnostizieren sind. Dann wird ein Satz der Diagnoseausschlussknoten erzeugt und als Diagnoseausschlussknotensatz 56 ausgegeben. Die Verarbeitung der Diagnoseausschlussknoten-Identifizierungseinheit 52 wird später mit Bezug auf 17 beschrieben.
Die geforderte Diagnosespezifikation 54 gibt eine Randbedingung an, die sich auf die Genauigkeit der von einem Benutzer geforderten Diagnose bezieht. Gemäß der vorliegenden Ausführungsform ist die geforderte Diagnosespezifikation 54 eine Schwelle für ein Diagnoseabdeckungsverhältnis C, wie später beschrieben.
Die Diagnosemuster-Reduzierungseinheit 53 erzeugt das reduzierte Diagnosemuster 17 auf der Grundlage des Zwischenknoten-Diagnosemuster-Datensatzes 13 und des Diagnoseausschlussknotensatzes 56 und gibt dieses aus.
Insbesondere führt die Diagnosemuster-Reduzierungseinheit 53 die folgende Verarbeitung (a) bis (c) aus.

(a) Identifizierungsverarbeitung. Bei der Identifizierungsverarbeitung wird auf der Grundlage des Zwischenknoten-Diagnosemuster-Datensatzes 13 ein Datensatz als Ausschlussdatensatz identifiziert, mit dem nur diagnostiziert werden kann, ob die Berechnungsverarbeitung des im Diagnoseausschlussknotensatz 56 enthaltenen Diagnoseausschlussknotens korrekt ist.
(b) Reduzierungsverarbeitung. Bei der Reduzierungsverarbeitung wird die Anzahl der im Diagnosemuster 12 enthaltenen Datensätze durch Ausschließen des Ausschlussdatensatzes aus dem Diagnosemuster 12 verringert.
(c) Erzeugungsverarbeitung. Bei der Erzeugungsverarbeitung wird ein durch Verringern der Anzahl der Datensätze erhaltenes Diagnosemuster als reduziertes Diagnosemuster 17 erzeugt und ausgegeben.

7 ist ein Flussdiagramm, das ein Beispiel der Verarbeitung der Diagnoseausschlussknoten-Identifizierungseinheit 52 zeigt.
Zuerst berechnet die Diagnoseausschlussknoten-Identifizierungseinheit 52 auf der Grundlage der Einflussgraddaten 55 einen durch Addieren der AVFs aller Zwischenknoten erhaltenen Gesamtwert AVF_all. Dann initialisiert die Diagnoseausschlussknoten-Identifizierungseinheit 52 einen Satz N zu diagnostizierender Knoten auf alle Zwischenknoten (N = {alle Berechnungsknoten}) (Schritt S201).
Die Diagnoseausschlussknoten-Identifizierungseinheit 52 wählt einen Zwischenknoten mit dem kleinsten AVF-Wert als Zwischenknoten n aus dem Satz N zu diagnostizierender Knoten aus (Schritt S202).
Die Diagnoseausschlussknoten-Identifizierungseinheit 52 berechnet das Diagnoseabdeckungsverhältnis C des Satzes N zu diagnostizierender Knoten auf der Grundlage eines AVF_n, wobei es sich um einen AVF des Zwischenknotens n handelt, und stellt fest, ob das Diagnoseabdeckungsverhältnis C größer als die geforderte Diagnosespezifikation 54 ist (Schritt S203).
Das Diagnoseabdeckungsverhältnis C wird durch die folgende Gleichung (1) ausgedrückt. $C = \frac{\sum_{a \in N} A V F_{a} - A V F_{n}}{A V F_{a l l}}$
Hier ist a ein Zwischenknoten als Element des Satzes N zu diagnostizierender Knoten, ist AVF_a ein AVF des Zwischenknotens a und ist AVF_N ein AVF des ausgewählten Zwischenknotens n.
Wenn das Diagnoseabdeckungsverhältnis C größer als die geforderte Diagnosespezifikation 54 ist, löscht die Diagnoseausschlussknoten-Identifizierungseinheit 52 den Zwischenknoten n aus dem Satz N zu diagnostizierender Knoten (Schritt S204) und kehrt zur Verarbeitung von Schritt S202 zurück.
Wenn das Diagnoseabdeckungsverhältnis C kleiner oder gleich der geforderten Diagnosespezifikation 54 ist, erzeugt die Diagnoseausschlussknoten-Identifizierungseinheit 52 einen komplementären Satz zu dem Satz N zu diagnostizierender Knoten als Diagnoseausschlussknotensatz 56 (Schritt S205) und beendet die Verarbeitung.
Die Hardwarekonfigurationen des Cloud-Servers 20, der Edge-Vorrichtung 30 und des Client-Computers 40 ähneln jenen gemäß der ersten Ausführungsform.
Wie vorstehend beschrieben, wird gemäß der vorliegenden Ausführungsform die Anzahl der im Diagnosemuster enthaltenen Datensätze auf der Grundlage des Fehlereinflussgrads, wobei es sich um den Grad des Einflusses des Ausgangswerts jedes Zwischenknotens auf das Berechnungsergebnis des erlernten neuronalen Netzes 11 handelt, verringert. Daher kann die Diagnoselast verringert werden, während die Verringerung der Genauigkeit der Diagnose abgemildert wird.
Gemäß der vorliegenden Ausführungsform kann der Einfluss des Ausgangswerts jedes Zwischenknotens auf das Berechnungsergebnis des erlernten neuronalen Netzes 11 geeignet widergespiegelt werden, weil der Fehlereinflussgrad der AVF ist.
Ferner wird gemäß der vorliegenden Ausführungsform, wenn das Diagnoseabdeckungsverhältnis C kleiner oder gleich der Schwelle ist, der Datensatz, mit dem nur diagnostiziert werden kann, ob die Berechnungsverarbeitung der im komplementären Satz des Diagnoseausschlussknotensatzes 56 enthaltenen Zwischenknoten korrekt ist, gelöscht. Daher kann die Diagnoselast verringert werden, während die Verringerung der Genauigkeit der Diagnose abgemildert wird.
Die vorstehend beschriebenen Ausführungsformen der vorliegenden Offenbarung sind Beispiele, die der Erklärung der vorliegenden Offenbarung dienen, und der Schutzumfang der vorliegenden Offenbarung soll nicht auf diese Ausführungsformen beschränkt sein. Fachleute könnten die vorliegende Offenbarung in verschiedenen anderen Ausführungsformen implementieren, ohne vom Schutzumfang der Offenbarung abzuweichen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

WO 2016/132468 [0004]

Claims

Diagnosemuster-Erzeugungsverfahren zum Erzeugen eines Diagnosemusters zur Diagnose eines Prozessors, der eine Berechnungsverarbeitung eines neuronalen Netzes unter Verwendung mehrerer Berechnungskomponenten ausführt, wobei das Diagnosemuster-Erzeugungsverfahren Folgendes aufweist: (A) Erzeugen des Diagnosemusters, das mehrere Datensätze zur Diagnose, ob ein Verarbeitungsergebnis einer Berechnungsverarbeitung durch eine Teilmenge mehrerer im neuronalen Netz enthaltener Knoten korrekt ist, aufweist, (B) Identifizieren einer Knoten-Kern-Beziehung, wobei es sich um eine Entsprechungsbeziehung zwischen dem Knoten und der die Berechnungsverarbeitung des Knotens ausführenden Berechnungskomponente handelt, und (C) Verringern der Anzahl der Datensätze auf der Grundlage der Knoten-Kern-Beziehung.
Diagnosemuster-Erzeugungsverfahren nach Anspruch 1, wobei (C) Folgendes aufweist: (C1) Identifizieren eines Satzes der der Berechnungskomponente entsprechenden Knoten auf der Grundlage der Knoten-Kern-Beziehung für jede der Berechnungskomponenten, (C2) Auswählen des Datensatzes, mit dem diagnostiziert wird, ob die Berechnungsverarbeitung eines der im Satz enthaltenen Knoten korrekt ist, für jede der Berechnungskomponenten, und (C3) Verringern der Anzahl der Datensätze durch Löschen des vom erhaltenen Datensatz verschiedenen Datensatzes für jede der Berechnungskomponenten.
Diagnosemuster-Erzeugungsverfahren nach Anspruch 2, wobei der Datensatz Folgendes aufweist: (X1) einen Diagnoseeingangswert, der in das neuronale Netz einzugeben ist, und (X2) einen Erwartungswert eines vom neuronalen Netz ausgegebenen Werts, wenn der Diagnoseeingangswert in das neuronale Netz eingegeben wird, und (C2) Folgendes aufweist: (C21) Spezifizieren einer Knoten-Daten-Beziehung, wobei es sich um eine Entsprechungsbeziehung zwischen dem Datensatz und dem Knoten zur Diagnose, ob die Berechnungsverarbeitung mit dem Datensatz korrekt ist, handelt, auf der Grundlage des Diagnoseeingangswerts und des Erwartungswerts und (C22) Auswählen eines der Datensätze auf der Grundlage der Knoten-Daten-Beziehung.
Diagnosemuster-Erzeugungsverfahren zum Erzeugen eines Diagnosemusters zur Diagnose eines Prozessors, der eine Berechnungsverarbeitung eines neuronalen Netzes unter Verwendung mehrerer Berechnungskomponenten ausführt, wobei das Diagnosemuster-Erzeugungsverfahren Folgendes aufweist: (A) Erzeugen des Diagnosemusters, das mehrere Datensätze zur Diagnose, ob ein Verarbeitungsergebnis einer Berechnungsverarbeitung durch eine Teilmenge mehrerer im neuronalen Netz enthaltener Knoten korrekt ist, aufweist, (B) Berechnen des Grads des Einflusses eines Ausgangswerts jedes Knotens auf ein Berechnungsergebnis des neuronalen Netzes und (C) Verringern der Anzahl der Datensätze auf der Grundlage des Einflussgrads.
Diagnosemuster-Erzeugungsverfahren nach Anspruch 4, wobei der Einflussgrad ein Architekturverwundbarkeitsfaktor (AVF) ist, wobei es sich um das Verhältnis eines Fehlerbits zu allen Bits des Berechnungsergebnisses, wenn alle Bits des Ausgangswerts des Knotens fehlerhaft sind, handelt.
Diagnosemuster-Erzeugungsverfahren nach Anspruch 5, wobei (C) Folgendes aufweist: (C1) Auswählen eines Knotens aus einem jeden Knoten aufweisenden Satz in aufsteigender Reihenfolge des AVF und Löschen des ausgewählten Knotens aus dem Satz, wenn das Diagnoseabdeckungsverhältnis durch den Satz größer als eine Schwelle ist, und (C2) wenn das Diagnoseabdeckungsverhältnis kleiner oder gleich der Schwelle ist, Verringern der Anzahl der Datensätze durch Löschen eines Datensatzes, mit dem nur diagnostiziert wird, ob die Berechnungsverarbeitung eines in einem komplementären Satz des Satzes enthaltenen Knotens korrekt ist, und das Diagnoseabdeckungsverhältnis durch die folgende Gleichung (1) $C = \frac{\sum_{a \in N} A V F_{a} - A V F_{n}}{A V F_{a l l}}$
ausgedrückt wird, wobei AVF_all die Summe der Einflussgrade aller Knoten ist, N ein Satz ist, a ein Knoten als Element des Satzes ist, AVF_a ein AVF des Knotens a ist und AVF_N ein AVF eines ausgewählten Knotens n ist.
Computer, welcher Folgendes aufweist: einen ersten Prozessor, einen zweiten Prozessor, der mehrere für die Ausführung einer Berechnungsverarbeitung ausgelegte Berechnungskomponenten aufweist, und eine Speichereinheit, wobei die Speichereinheit Folgendes speichert: (A) ein Neuronales-Netz-Programm, um den zweiten Prozessor zu veranlassen, die Berechnungsverarbeitung des neuronalen Netzes auszuführen, und (B) das Diagnosemuster, in dem die Anzahl der Datensätze durch das Diagnosemuster-Erzeugungsverfahren nach Anspruch 1 verringert wird, und wobei der erste Prozessor dafür ausgelegt ist, Folgendes auszuführen: (1) Veranlassen des zweiten Prozessors, das Neuronales-Netz-Programm zu lesen und die Berechnungsverarbeitung auszuführen, und (2) Veranlassen des zweiten Prozessors, das Diagnosemuster zu einer vorgegebenen Zeit für die Diagnose des zweiten Prozessors zu laden.
Computer nach Anspruch 7, wobei der erste Prozessor dafür ausgelegt ist, in (1) die Verarbeitung des Veranlassens des zweiten Prozessors, die Berechnungsverarbeitung auszuführen, und die Maschinensteuerverarbeitung zum Steuern einer vorgegebenen Maschine auf der Grundlage eines Verarbeitungsergebnisses der Berechnungsverarbeitung alternierend auszuführen, und in (2) den zweiten Prozessor während der Ausführung der Maschinensteuerverarbeitung zu diagnostizieren.