[发明专利]一种基于神经架构搜索的抗单粒子翻转网络结构优化方法及系统

权利要求书

1.一种基于神经架构搜索的抗单粒子翻转网络结构优化方法，其特征在于，包括如下步骤：

根据单粒子翻转干扰模型获取模拟函数；

根据模拟函数构建抗单粒子模型架构搜索空间；

根据抗单粒子模型架构搜索空间构建超网络；

根据构建的超网络确定搜索策略，实现抗单粒子翻转网络结构优化。

2.根据权利要求1所述的基于神经架构搜索的抗单粒子翻转网络结构优化方法，其特征在于，获取单粒子翻转干扰模型的方法如下：

将需要进行单粒子翻转模拟的参数由十进制转换为二进制；

随机采样该数据的二进制位并确定需要翻转的二进制位，进而对选定的二进制位进行位翻转操作；

将翻转后的二进制数据重新转换为十进制数据，最终得到单粒子翻转干扰模型。

3.根据权利要求2所述的基于神经架构搜索的抗单粒子翻转网络结构优化方法，其特征在于，单粒子翻转干扰模型中数据的受干扰概率是均等的。

4.根据权利要求1所述的基于神经架构搜索的抗单粒子翻转网络结构优化方法，其特征在于，构建抗单粒子翻转优化模型的搜索空间的具体步骤如下：

第一步：限定搜索空间

限定搜索空间满足以下条件：每个基本单元由六个节点组成，其中前两个节点为输入层固定不变，后四个节点为中间节点需要通过搜索确定；每个基本单元的输入为前两个基本单元的输出，每个基本单元的输出为其中间节点计算结果在深度通道上的连接；

第二步：构建搜索空间

在限定搜索空间条件后，选取avg_pool、max_pool、skip_connect、sep_conv、dil_conv和conv操作作为搜索空间operations的可选基本操作，同时在各节点中引入单粒子翻转模拟函数，首先在operations可选操作模块中引入单粒子翻转干扰模拟模块seu_float_simple的Seu函数，然后在operations可选操作模块forward函数中遍历self.op里定义的每一层并使用Seu函数进行单粒子翻转模拟操作，最后在模型初始化处定义一个全局变量self.count以计算修改值的数量。

5.根据权利要求4所述的基于神经架构搜索的抗单粒子翻转网络结构优化方法，其特征在于，若self.classifier封装了线性层和激活函数，则遍历每一层并进行单粒子翻转。

6.根据权利要求1所述的基于神经架构搜索的抗单粒子翻转网络结构优化方法，其特征在于，构建超网络的方法如下：

第一步、针对不同节点之间数据的流动，采用搜索空间中的可选基本操作与节点构成基本单元；在此基础上随机选取1/4该基本单元的中间节点计算结果并在通道维度上连接成搜索块，剩余的3/4特征与搜索块的输出进行concat结合组成新的特征描述；

第二步、对concat得到的特征图进行一次Softmax操作，使其组成连续可微分的操作，该部分操作能够实现网络边缘归一化，得到引入单粒子翻转模拟函数的超网络。

7.根据权利要求1所述的基于神经架构搜索的抗单粒子翻转网络结构优化方法，其特征在于，使用梯度下降的搜索策略，把架构搜索参数视为待优化的参数，每完成一个epoch的网络参数训练之后，固定得到的网络模型参数，根据评估结果进行一次架构搜索参数的更新。

8.一种基于神经架构搜索的抗单粒子翻转网络结构优化系统，其特征在于，包括：

模拟函数获取模块，所述模拟函数获取模块用于根据单粒子翻转干扰模型获取模拟函数；

搜索空间构建模块，所述搜索空间构建模块用于根据模拟函数构建抗单粒子模型架构搜索空间；

构建超网络模块，所述构建超网络模块用于根据抗单粒子模型架构搜索空间构建超网络；

搜索策略确定模块，所述搜索策略确定模块用于根据构建的超网络确定搜索策略，实现抗单粒子翻转网络结构优化。