Warum Interoperabilität für Autos entscheidend ist

Athavale begann ihre Ausführungen auf der Automotive Computing Conference US mit einer Analyse der sich wandelnden Zuverlässigkeit von Halbleitern. Da Chips, selbstredend auch im Automobilbereich, immer leistungsfähiger werden, steigt ihre Anfälligkeit für Ausfälle. Sie nannte eine Vielzahl von Fehlerursachen: von Elektromigration über Verformungen bis hin zu Kontaktinstabilität und thermischer Degradation.

Diese Herausforderungen wachsen durch steigende Rechenanforderungen, KI-Workloads und die zunehmende Verbreitung von „Always-on“-Anwendungen wie Robotaxis weiter. Während ein herkömmliches Fahrzeug auf etwa 8.000 Betriebsstunden über 15 Jahre ausgelegt ist, kann ein Fahrzeug in einer Robo-Flotte rund um die Uhr im Einsatz sein. Dies führt zu völlig anderen Einsatzprofilen und höherem Verschleiß.

Zentrales Thema von Athavales Vortrag war der IEEE P2851 Standard, ein Rahmen für funktionale Sicherheits-Interoperabilität über verschiedene Anwendungsbereiche hinweg – darunter Automotive.

Der Standard definiert einen sogenannten „Dependability Lifecycle“, der Aspekte wie Zuverlässigkeit, Verfügbarkeit, Wartbarkeit, Cybersicherheit und Echtzeitverhalten berücksichtigt – alles subsumiert unter funktionaler Sicherheit. Innerhalb dieses Standards wird Interoperabilität auf drei Ebenen behandelt:

1. Systemhierarchieübergreifend – Vom IP-Block bis hin zum Fahrzeug.
2. Disziplinübergreifend – Abwägung von Leistung, Sicherheit, Zuverlässigkeit und Schutz in jeder Entwicklungsphase.
3. Anwendungsübergreifend – Wiederverwendbarkeit von Ergebnissen in Bereichen wie Automotive, Luftfahrt oder Industrie.

Ziel ist es, Sicherheitsanalysen von Beginn an technologie- und toolübergreifend abzustimmen.

Athavale stellte anschließend einen – aus ihrer Sicht – essenziellen Baustein für sichere, langlebige KI-Systeme vor: Silicon Lifecycle Management (SLM). Statt Chips als Black Boxes zu betrachten, soll SLM eine kontinuierliche Überwachung ihres Zustands ermöglichen – von der Fertigung bis zum Einsatz.

Mit integrierten Sensoren und Überwachungseinheiten für Parameter wie Spannungsmargen, Taktverzögerungen und Temperaturverläufe kann SLM eine Degradation erkennen, bevor es zu tatsächlichen Ausfällen kommt. Dies ermöglicht vorausschauende Wartung, sodass Probleme frühzeitig erkannt und entschärft werden können.

Laut Athavale reicht die Datenpipeline von On-Chip-Sensoren über Edge-Controller bis zu Analyseplattformen. Korrekturmaßnahmen könnten dabei unter anderem Spannungsregelung, thermisches Management oder Lastverlagerung umfassen – alles mit dem Ziel, die Lebensdauer der Komponenten zu verlängern und die funktionale Sicherheit zu stärken.

Ein weiterer Aspekt ihres Vortrags war die Auswirkung KI-spezifischer Workloads auf die Systemzuverlässigkeit. Athavale verwies auf eine Meta-Studie, laut der über die Hälfte der Ausfälle in großen KI-Clustern auf GPUs zurückzuführen waren – mit deutlich höheren „Soft Error“-Raten als bei klassischen Aufgaben.

Im Automobilkontext hat dies weitreichende Folgen. Es unterstreicht die Notwendigkeit neuer Sicherheitskonzepte und der Integration von KI-Fehlverhalten in Sicherheitsanalysen. SLM kann laut Athavale den SPFM (Single Point Fault Metric) erhöhen und den PMHF (Probabilistic Metric for Hardware Failures) verbessern, da es auf realen Degradationsdaten statt auf Annahmen basiert.