[논문 리뷰] Scalable Digital Compute-in-Memory Ising Machines for Robustness Verification of Binary Neural Networks

Madhav Vadlamani, Rahul K Singh외 3명|arXiv (Cornell University)|2026. 03. 05.

Physical Unclonable Functions (PUFs) and Hardware Security인용 수 0

한 줄 요약

본 논문은 BNN 강건성 검증을 QUBO로 재구성하고 SRAM 기반 디지털 compute-in-memory Ising 머신으로 해결하며, 불완전한 해를 이용해 적대적 섭동을 추출하고 높은 효율로 비강건성을 검증한다.

ABSTRACT

Verification of binary neural network (BNN) robustness is NP-hard, as it can be formulated as a combinatorial search for an adversarial perturbation that induces misclassification. Exact verification methods therefore scale poorly with problem dimension, motivating the use of hardware-accelerated heuristics and unconventional computing platforms, such as Ising solvers, that can efficiently explore complex energy landscapes and discover high-quality solutions. In this work, we reformulate BNN robustness verification as a quadratic unconstrained binary optimization (QUBO) problem and solve it using a digital compute-in-memory (DCIM) SRAM-based Ising machine. Instead of requiring globally optimal solutions, we exploit imperfect solutions produced by the DCIM Ising machine to extract adversarial perturbations and thereby demonstrate the non-robustness of the BNN. The proposed architecture stores quantized QUBO coefficients in approximately 9.1~Mb of SRAM and performs annealing in memory via voltage-controlled pseudo-read dynamics, enabling iterative updates with minimal data movement. Experimental projections indicate that the proposed approach achieves a $178 imes$ acceleration in convergence rate and a $1538 imes$ improvement in power efficiency relative to conventional CPU-based implementations.

연구 동기 및 목표

• BNN( Binary Neural Networks )의 강건성 검증과 적대적 섭동 탐색으로 인한 NP-완전성 문제를 동기화한다.
• Ising 하드웨어에 적합한 BNN 강건성 검증의 QUBO 형식 제안.
• 메모리 내 어닐링을 갖춘 SRAM 기반 디지털 compute-in-memory(DCIM) Ising 아키텍처 설계.
• 전방향 BNN 추론을 통해 불완전한 Ising 해가 유효한 적대적 섭동을 제공할 수 있음을 시연.
• CPU 기반 검증 대비 수렴성, 에너지 및 확장성 측면에서 하드웨어 의존적 성능 향상을 보인다.

제안 방법

• 강건성 검증을 perturbation 예산 내에서 적대적 섭동을 찾는 최적화 문제로 설정한다.
• QCBO/제약조건을 페널티와 제곱화로 QUBO로 변환하여 H(q)=q^T Q q를 얻는다.
• QUBO를 이징 해밀토니안으로 매핑하고, 대각선을 다루기 위한 pinned-one 접근법으로 DCIM SRAM 구현에 매핑한다.
• 외부 RNG 하드웨어 없이 확률적성을 주입하기 위해 메모리 내 어닐링 중 전압 제어 가짜 읽기 노이즈를 사용한다.
• 메모리 내 MAC를 이용한 순차 스핀 업데이트로 로컬 플립 비용 Delta E_i를 계산하고 어닐링 흐름에서 업데이트를 수락한다.
• 재구성과 전방 추론을 통해 적대적 예를 식별하여 perturbation을 평가한다.

실험 결과

연구 질문

• RQ1 BNN 강건성 검증이 Ising 하드웨어에 적합한 QUBO로 효과적으로 표현될 수 있는가?
• RQ2 SRAM 기반 DCIM Ising 머신이 CPU 기반 또는 시뮬레이티드 어닐링 방식과 비교하여 적대적 섭동 발견에서 어떤 성능을 보이는가?
• RQ3 Ising 하드웨어의 불완전한(전역 최적이 아닌) 해가 전방 추론을 통해 유효한 적대적 예를 식별하는 데 충분한가?
• RQ4 QUBO 기반 BNN 강건성 검증을 더 높은 차원으로 확장할 때 하드웨어적 함의(면적, 에너지, 타이밍)는 어떠한가?

주요 결과

• DCIM Ising 머신은 거의 최적 해에 근접한 해를 식별하고 제약 조건이 완벽하게 충족되지 않아도 BNN 출력이 뒤집히는 적대적 섭동을 산출한다.
• DCIM 기반 최적화는 CPU 기반 구현 대비 수렴이 최대 178× 빠르고 에너지 효율은 최대 1538× 향상될 수 있는 것으로 예측된다.
• 여러 BNN 구성에서 다수의 양질 해와 고유한 섭동이 생성된다(예: 63x7x1, 127x7x1, 1023x3x1).
• 불완전한 해는 전방 추론 후 자주 유효한 적대적 공격을 생성하여 실용적 강건성 검증의 유용성을 입증한다.
• 8-bit 양자화는 Coefficient 양자화로 인한 일부 분산이 있음에도 에너지 수렴 거동의 많은 부분을 보존하며 거의 전역 최소 영역에 도달한다.
• 제안된 방법은 고차원 입력(전체 크기 28×28 MNIST 유사 BNN 포함)까지 확장 가능하며 검증 능력을 유지한다.