本论文针对嵌入式安全关键系统中部署深度神经网络等复杂算法时面临的安全性与资源效率矛盾问题展开研究。现有硬件（GPU、NPU、TPU）以吞吐量为设计目标，忽视计算正确性，易受故障注入攻击（特别是比特翻转攻击）；而软件量化方案要么静态且正确但功耗非最优，要么动态但不够安全（不适用于安全关键应用）。为此，论文提出了一种全新的实时、动态且正确（sound）的量化方法及其配套硬件架构。核心创新点包括：1）采用从左到右（left-to-right）的算术运算，优先传递最高有效位（MSB），从而实现实时自适应精度量化；2）在线动态调整精度，并同步执行敏感性分析，量化和管理决策边界交叉的风险；3）提出使用脉动阵列（systolic arrays）实现从左到右算术的硬件方法，确保关键比特的高可靠性。该方案不仅支持资源高效的边缘神经网络推理，还提供广泛正确且资源高效的高精度数学运算，从根本上增强对最关键比特的比特翻转攻击的韧性。论文目前属于进行中工作（work-in-progress），软件实现已完成，硬件设计正在进行中。该工作对于需要在受限硬件上安全运行AI模型的领域（如医疗设备、自动驾驶）具有重要参考价值。