ソフトエラーとは、宇宙線中性子や放射性物質からのアルファ線などが半導体メモリやプロセッサに衝突し、回路の物理的な破損を伴わずにデータが一時的に反転する現象です。AIの学習や推論における計算ミスを引き起こす要因となります。
ソフトエラーとは
一言でいうと、放射線などの影響で半導体内のデータが一時的に書き換わってしまい、誤動作を引き起こす現象のことです。
詳しく解説
ソフトエラーは、宇宙から降り注ぐ宇宙線中性子や、半導体パッケージに含まれる微量な放射性物質から放出されるアルファ線が、シリコン基板上のトランジスタに衝突することによって発生します。ハードウェア自体は物理的に破損していないため、データを再書き込みしたり再起動したりすることで正常な状態に戻すことができます。近年、AIモデルの大規模化に伴い、GPUやTPUなどのAIハードウェアが高集積化・微細化しているため、ソフトエラーが発生する確率が高まっており、AIシステムの信頼性向上における大きな課題となっています。
具体例・使われ方
ディープラーニングの大規模な学習を行っている最中に、GPU内のメモリ上でソフトエラーが発生すると、ニューラルネットワークの重みパラメータが意図せず書き換わることがあります。これにより、突然の学習の収束不良や、推論結果の致命的な精度低下が引き起こされます。
似た用語との違い
物理的な破損によって二度と元に戻らない「ハードエラー（永久故障）」とは異なります。ハードエラーは半導体チップ自体の劣化や熱破壊などが原因であるのに対し、ソフトエラーは一時的なデータの反転である点が大きな違いです。
注意点
ソフトエラーは突発的かつランダムに発生するため、事前の予測や完全に防ぐことが困難です。そのため、AIハードウェアの設計段階におけるパリティチェックやECC（誤り訂正符号）の導入、あるいはソフトウェアレベルでのチェックポイント機構などを用いた耐障害性の確保が不可欠です。