来自亚利桑那州立大学和马里兰大学的研究团队发表了一篇技术论文，提出了一种名为 SEAL 的创新框架，旨在解决 3D 存内计算 (Compute-in-Memory - CiM) 处理器中的安全挑战。该创新旨在减少因多租户环境中共享电源分配网络而导致的错误漏洞。
SEAL 框架带来了哪些改变？
3D 存内计算处理器依赖于堆叠不同的内存层来加速深度神经网络的推理。然而，不同用户之间共享电源资源（多租户）会产生可被利用的安全漏洞。SEAL 框架通过智能优化神经网络层在处理器物理层上的分布，将神经网络中最重要和最敏感的层与最稳健、抗错误能力最强的物理层进行关联。
性能与安全结果
使用 ResNet-18 和 Qwen2.5-3B 等模型进行的评估显示，抗错误能力有了显著提高：
- ResNet-18 模型的错误漏洞降低了高达 3.9 倍。
- Qwen2.5-3B 模型的错误漏洞降低了高达 7.8 倍。
- 在严重依赖 ReRAM 内存的配置中，SEAL 成功地将所有高重要性层放置在低错误敏感度的层中，将发生错误的概率降低到了技术上可能的最低水平。
这对用户意味着什么？
该方法确保了智能模型精度的保持；ResNet-18 的精度保持在无错误基准的 0.06 个百分点范围内，而 Qwen2.5-3B 模型则保持了相同范围内的困惑度 (Perplexity)。这一进展代表了在保护运行人工智能的硬件基础设施方面迈出的重要一步，特别是在依赖先进内存技术的数据中心，其性能不仅取决于速度，还包括针对通过电源网络攻击系统稳定性的安全可靠性。