空间辐照干扰尤其是单粒子翻转(SEU)效应对神经网络芯片的正常稳定运行造成了很大影响,它会导致存储在芯片SRAM存储器的权重参数随机发生比特位翻转,进而神经元的权重参数值就会发生变化,这会直接影响神经网络芯片输出的准确度。近年来,随着人工智能技术的发展,原有的微控制单元(MCU)早已无法满足深度学习对海量数据运算和高速运算的要求,人工智能(AI)芯片便应运而生。对于应用在复杂空间的芯片例如卫星上的应用,对芯片的稳定运行则提出了更高的要求。本文在研究和分析针对传统芯片的加固技术上,例如硬件加固发面有三模冗余电路的方法,软件加固方面主要有擦洗方法和纠错编码。虽然这些方法能在一定程度上提升芯片的一个抗干扰能力,但对于神经网络芯片这种强调硬件开销少、恢复时间短与处理速度快等性能的芯片,传统的加固技术并不能起到一个很好的作用并且传统的加固技术也没有充分利用神经网络芯片中神经网络各个神经元相互之间连接的特性。基于以上芯片硬件开销、恢复时间与处理速度的问题,提出采用dropout算法构建新的网络框架,以一定概率屏蔽受到SEU影响的神经元,并进行了相关实验的仿真验证。本论文主要工作如下:1、本文对芯片的空间辐照干扰环境做了详细的研究与分析,分析了单粒子翻转效应产生的机理,总结了现有的一些芯片抗辐照干扰加固技术:工艺加固、屏蔽加固和设计加固的原理,并就常用的设计加固方法详细列举几种常见的加固方法如三模冗余、擦洗方法和纠错编码的原理以及不足之处。2、在手写字体数据集上,训练卷积神经网络(Convolutional Neural Networks,CNN)和脉冲神经网络(Spiking Neuron Networks,SNN),从准确度上验证不受干扰的神经网络对数据集的识别的准确度。对于训练好的神经网络,进行一个网络参数和模型结构的提取,并对SNN网络进行了损伤分析。3、软件仿真模拟空间辐照干扰效应,先后随机选取1‰,1%,5%,10%的比例参数进行随机位的注错干扰,这样便可得到一部分出错的参数,并使该错误参数替换原来的参数,并传回网络相应的层,赋值给对应的神经元所表示的权重,结合dropout算法和CNN网络,测试神经网络芯片在受到辐照干扰的准确度,验证算法的可行性。