Edge AI 需要在功耗、可靠性和输入分布动态变化的环境下持续适应，常见于自动驾驶、工业监控、卫星等长期运行场景。
传统容错方法假设运行条件固定，持续学习方法忽略硬件故障，且在可编程加速器上实现运行时自适应可靠性框架的研究不足。
WARD 提出一种运行时自适应 Vision Transformer 框架，核心包括通道级子网络划分、可靠性感知的持续学习以及动态模式调度，三者共同在运行时优化性能、容错和适应性。
系统将网络划分为两个物理隔离的子网络，在四种模式下运行：全精度模式、低功耗模式、高可靠性模式和自适应模式。不同模式通过调整计算精度和冗余程度实现计算成本和可靠性的动态平衡，且保证实时推理不中断。
为验证可部署性，WARD 在轻量级 FPGA 加速器上实现，并在硬件中加入模式调度与资源管理单元。实验表明，在高比特错误率下，分割架构的网络级失效率仅为 1.79%。硬件额外面积小于 5%，模式切换仅需数个时钟周期。
结果证明，可靠性自适应管理可以以极低开销集成到可编程边缘 AI 加速器。
点评