Newest papers

Injection of Space Radiation Errors on Low-power NVM using Generative Deep Learning

Eleonora Giudici, Antonio Miele, Luca Mottola · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26724 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Chúng tôi phát triển một mô hình lỗi xác suất cho một thiết bị bộ nhớ không biến động (NVM) đại diện cho các hiệu ứng của các lỗi vật lý trải qua trong một sứ mệnh CubeSat ở quỹ đạo Trái đất thấp (LEO). CubeSat mang một chip Ferroelectric RAM (FRAM) công suất thấp ngoài quỹ đạo và chạy các bài kiểm tra đọc / viết lặp đi lặp lại theo mô hình được xác định trước. Chúng tôi so sánh mỗi ảnh chụp nhanh bộ nhớ nhận được từ vệ tinh với một bản đồ bit tham chiếu để xác định các lỗi bit. Chúng tôi phân tích trực quan phân phối các giá trị sai trong các bản ghi nhớ và chúng tôi hiểu rằng chúng thường được phân phối theo các mô hình không gian thông thường. Chúng tôi xác định một kỹ thuật học tập sâu để tự động tìm hiểu các mô hình không gian này và tổng hợp tạo ra các mẫu lỗi

Machine translation (Meta M2M100); the English original follows.

Abstract

We develop an error model for a Non-Volatile Memory (NVM) device that represents the effects of physical faults experienced in a CubeSat mission in Low Earth Orbit (LEO). The CubeSat carries an off-the-shelf low-power Ferroelectric RAM (FRAM) chip and runs repeated read/write tests according to a predefined pattern. We compare every memory snapshot received from the satellite with a reference bitmap to identify bit errors. We visually analyze erroneous values distributions in the memory snapshots and we understand that they are frequently distributed according to regular spatial patterns. We define a generative deep learning technique to automatically learn these spatial patterns and to synthetically generate additional error patterns mimicking the observed ones. The model is capable at producing memory errors for general application-level experimentation. Our preliminary validation indicates that when comparing the model output with the data we collect, 0.92 of the generated bit flips correspond to bit flips in the memory snapshots and the model captures 0.91 of the observed bit flips. A comparison of the spatial distribution of bit flips in 10,000 generated error patterns also provides a Wasserstein distance of 0.073, indicating that the two distributions differ by roughly 7% of the maximum possible displacement of their probability masses.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Artificial intelligence, Deep learning, Bitmap, Algorithm, CubeSat

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange