弊社コンテンツの8月の検索結果です。

前のブログ 次のブログ

PMHFの算出法について以下の動画を見つけました。どうやらコンサル会社のビデオのようです。https://youtu.be/ndG1Kcc89hs

メディニアナライザを使用したようですが、PMHFの値は一見して誤っています。

表の数値を見る限り、計算方法はSPFとDPFを加えて $$ PMHF=\lambda_\text{SPF}+\lambda_\text{MPF, latent} $$ となっているようです。

この誤りは大変多く、過去にも

• https://fs-micro.com/post/show/id/324.html
• https://fs-micro.com/post/show/id/325.html
• https://fs-micro.com/post/show/id/326.html

と複数あり、それらの誤りは以下の論文$\dagger$が元凶のようです。

$\dagger$Y. Chang, L. Huang, H. Liu, C. Yang and C. Chiu, "Assessing automotive functional safety microprocessor with ISO 26262 hardware requirements," Technical Papers of 2014 International Symposium on VLSI Design, Automation and Test, Hsinchu, 2014, pp. 1-4, doi: 10.1109/VLSI-DAT.2014.6834876.

一方、以下に前記事にもあるようにPart 5のAnnex Fに掲載されている近似式を示します。 $$ PMHF=\lambda_\text{SPF}+\lambda_\text{MPF, latent}\cdot\lambda_\text{MPF, detected}\cdot T_\text{lifetime} $$ この式はSPFとDPFを正しく意識し、それぞれを確率に直してから加え、最後に車両寿命で割っています。

それにしてもPMHFを算出する人たちはなぜ規格Part 10の、もしくはPart 5(上記)の式を用いずに、誤りの論文$\dagger$の式を参照するのでしょうか？参考にするならせめて規格式を参考にすれば良いと思うのですが。

前のブログ 次のブログ

備忘のために表題の「2nd SMのASILの引き下げ」について記します。ISO 26262ではセレクトハイ原則やFFI等の原則で、低ASILエレメントが高ASILエレメントに影響を及ぼすことが禁止されています。そのような場合は低ASILエレメントはASILを引き上げるべきです。

一方その原則の例外があり、有名なものは「ASILデコンポジション」です。ところでこの用語は厳密には正しくなく、本来は「要求分割(デコンポジション)により結果的にASILが分割される」ものであり、ASILを任意に分割するものではありません。

この他に表記の場合の例外があります。Part 4 6.4.2はシステム設計における安全機構の要件を示したもので、6.4.2.1及び6.4.2.2が「フォールトを検出及び機能安全要求を侵害するシステムの出力に存在する故障を防止又は緩和する安全機構」、つまり1st SMについての要件です。さらに6.4.2.3～6.4.2.5が「フォールトがレイテント状態になるのを防止する安全機構」、つまり2nd SMについての要件です。

ここで6.4.2.5において、2nd SMとしてのみ働くエレメントのASILは以下のように引き下げることが可能と書かれています。以下は規格に書かれていない文言をカッコ内に補って記述しています。

Part 4 - 6.4.2.5

• (IFまたは1st SMに)割りつけられた安全要求のASILがASIL-Dのとき、その2nd SMはASIL-B
• (IFまたは1st SMに)割りつけられた安全要求のASILがASIL-BまたはASIL-Cのとき、その2nd SMはASIL-A
• (IFまたは1st SMに)割りつけられた安全要求のASILがASIL-Aのとき、その2nd SMはQM

すなわち、ASIL-Bを除きASILを2段階引き下げることが可能です。ASIL-Bの時は1段階となります。

前のブログ 次のブログ

$\theta$を深掘りしてみます。

ニューラルネットワークの各層には多数のニューロンが存在し、各ニューロン間の接続には重みが割り当てられています。パラメータ$\theta$は、これらの重み（および場合によってはバイアス項も含む）の総体として考えることができます。つまり、$\theta$はネットワークの全ての学習可能なパラメータを表し、これらのパラメータを通じてネットワークの出力が決定されます。

ニューラルネットワークの重み

• 重み：ニューロン間の接続の強さを表し、入力データが次の層へ伝播する際の重要度を決定します。これらの重みは学習プロセスを通じて更新され、データからパターンを学習するためのキーとなります。
• バイアス：各ニューロンに加えられる追加のパラメータで、ニューロンの出力がアクティベートされる（活性化関数を通過する）しきい値を調整します。

パラメータ$\theta$の役割

• 関数の近似：ニューラルネットワークは、基本的には入力から出力への複雑な関数を近似しています。パラメータ$\theta$（重みとバイアス）は、この関数の形状を決定します。
• 学習プロセス：学習データを使用して損失関数を最小化することにより、パラメータ$\theta$は適切な値に更新されます。このプロセスにより、ネットワークはタスク（例えば、画像の分類、行動価値の推定など）に最適なパラメータを見つけ出します。

ニューラルネットワークの学習可能なパラメータの総体としての$\theta$には、ネットワークが複雑な関数を近似するために必要な全ての情報が含まれています。したがって、$\theta$はネットワークの学習と予測能力の根幹をなすものと言えます。

前のブログ 次のブログ