  

# تولید داده‌های مصنوعی با کارایی انرژی برای هوش مصنوعی لبه‌ای با محدودیت باتری  

هوش مصنوعی لبه‌ای از بارهای کاری صرفاً استنتاجی به سمت **خطوط لوله متمرکز بر داده** حرکت می‌کند؛ به‌طوری که دستگاه‌ها نه تنها داده مصرف می‌کنند بلکه **تولید** می‌کنند نیز. تولید داده‌های مصنوعی در لبه می‌تواند به‌طور چشمگیری تأخیر را کاهش دهد، حریم خصوصی را محافظت کند و هزینه‌های پهنای باند را کاهش دهد. با این حال، دستگاه‌های لبه‌ای—به‌ویژه آن‌هایی که با باتری تغذیه می‌شوند—بودجه انرژی سخت‌گیرانه‌ای دارند. این مقاله رویکردی جامع و آگاه به انرژی برای تولید داده‌های مصنوعی بر روی گره‌های لبه‌ای با محدودیت باتری ارائه می‌دهد که ترکیبی از فشرده‌سازی مدل، انتشار درون‌دستگاهی و هماهنگی فدرال است.  

> **نکته کلیدی:** با ترکیب مدل‌های تولیدی سبک، گیتینگ توان تطبیقی و به‌روزرسانی‌های فدرال مشارکتی، می‌توانید داده‌های مصنوعی با دقت بالا تولید کنید بدون اینکه باتری دستگاه خالی شود.  

---  

## 1. چرا داده‌های مصنوعی را در لبه تولید کنیم؟  

| مزیت | جریان سنتی مبتنی بر ابر | جریان متمرکز بر لبه |  
|------|------------------------|---------------------|  
| **تاخیر** | ثانیه تا دقیقه (گردش شبکه) | میلی‌ثانیه (محاسبه محلی) |  
| **حریم خصوصی** | داده از دستگاه خارج می‌شود و خطر افشا افزایش می‌یابد | داده خام هرگز خارج نمی‌شود، فقط نمونه‌های مصنوعی |  
| **پهنای باند** | ترافیک بالا برای داده‌های خام | ترافیک کم؛ فقط به‌روزرسانی‌های مدل |  
| **قابلیت اطمینان** | وابسته به اتصال | به‌صورت آفلاین کار می‌کند، مناسب برای سایت‌های دوردست |  

داده‌های مصنوعی در لبه امکان **سازگاری مدل در زمان واقعی**، **یادگیری مستمر** و **هوش مصنوعی با اولویت حریم خصوصی** را فراهم می‌کند—همه این‌ها برای برنامه‌هایی مانند پهپادهای خودران، پوشیدنی‌ها و حسگرهای صنعتی اینترنت اشیا حیاتی هستند.  

---  

## 2. محدودیت‌های انرژی در دستگاه‌های لبه‌ای  

دستگاه‌های باتری‌دار معمولاً تحت محدودیت‌های زیر عمل می‌کنند:  

- **پوشش توان:** ۰٫۵ W – ۲ W به‌صورت متوسط در دوره‌های فعال.  
- **بودجه محاسباتی:** ۰٫۵ – ۲ TOPS (تریلیون عملیات در ثانیه) برای شتاب‌دهنده‌های هوش مصنوعی.  
- **پوشش حرارتی:** < ۷۰ °C به‌صورت پایدار.  

تولید داده‌های مصنوعی به‌ویژه برای مدل‌های انتشار یا GANها محاسباتی سنگین است. برای ماندن در این محدودیت‌ها، باید **خط لوله تولیدی را بازطراحی کنیم**.  

---  

## 3. اصول اصلی تولید داده‌های مصنوعی آگاه به انرژی  

1. **کاهش اندازه مدل** – برش، کمینه‌سازی و تقطیر مدل‌ها برای متناسب شدن با بودجه محاسباتی دستگاه.  
2. **زمان‌بندی محاسبه تطبیقی** – به‌صورت پویا تولید را بر اساس وضعیت باتری و اولویت بار کاری تنظیم کنید.  
3. **انتشار درون‌دستگاهی با توقف زودهنگام** – از حذف نویز پیش‌رونده استفاده کنید اما وقتی آستانه کیفیت برآورده شد، متوقف شوید.  
4. **هماهنگی فدرال** – به‌جای ارسال مدل کامل، دلتاهای وزن سبک را به‌اشتراک بگذارید و انرژی ارتباطی را کاهش دهید.  
5. **هسته‌های شتاب‌دهنده سخت‌افزاری** – از DSPها، NPUها یا شتاب‌دهنده‌های اختصاصی انتشار در صورت موجود بودن بهره بگیرید.  

---  

## 4. نمای کلی معماری  

```mermaid
graph LR
    A[دستگاه لبه] --> B[مدیر انرژی]
    B --> C[زمان‌بند تطبیقی]
    C --> D[ژنراتور فشرده]
    D --> E[حلقه انتشار با توقف زودهنگام]
    E --> F[بافر نمونه‌های مصنوعی]
    F --> G[ماژول همگام‌سازی فدرال]
    G --> H[تجمیع‌کننده مرکزی]
    H --> I[به‌روزرسانی مدل سراسری]
    I --> D
```  

- **مدیر انرژی** ولتاژ باتری، دما و جریان مصرفی را نظارت می‌کند.  
- **زمان‌بند تطبیقی** بر اساس یک تابع سود که تعادل بین تازگی داده و هزینه انرژی را برقرار می‌کند، تصمیم می‌گیرد چه زمانی کارهای تولید اجرا شوند.  
- **ژنراتور فشرده** یک مدل انتشار یا GAN کم‌شده، کمینه‌سازی‌شده و کم‌دقت (quantized) است.  
- **حلقه انتشار با توقف زودهنگام** پس از رسیدن به آستانه کیفیت ادراکی (مثلاً LPIPS) حذف نویز را متوقف می‌کند.  
- **ماژول همگام‌سازی فدرال** دلتاهای وزن مدل را از طریق رادیو کم‌مصرف (BLE، LoRa) به تجمیع‌کننده مرکزی می‌فرستد.  

---  

## 5. ساخت ژنراتور فشرده  

### 5.1 برش مدل  

- **برش ساختاری** کل کانال‌ها یا سرهای توجه را حذف می‌کند و کارایی سخت‌افزاری را حفظ می‌نماید.  
- **پراکندگی هدف**: ۴۰ %–۶۰ % برای پشت‌صحنه‌های کانولوشنی؛ ۳۰ % برای ژنراتورهای مبتنی بر ترنسفورمر.  

### 5.2 کمینه‌سازی (Quantization)  

- **کمینه‌سازی ۸‑بیتی (INT8)** نقطهٔ عطف برای اکثر NPUهاست.  
- برای انرژی فوق‌العاده کم، **کمینه‌سازی ۴‑بیتی** با تنظیم دقیق ترکیبی می‌تواند انرژی را حدود ۳۰ % کاهش دهد در حالی که کیفیت ادراکی تنها ۵ % از پایه FP32 فاصله دارد.  

### 5.3 تقطیر دانش (Knowledge Distillation)  

- یک **مدل دانش‌آموز کوچک** (مثلاً ۲ M پارامتر) را آموزش دهید تا رفتار یک معلم بزرگتر (مثلاً ۳۰ M پارامتر) را با ترکیبی از **از دست دادن پیکسل‑به‑پیکسل** و **تقطیر ویژگی‑محور** تقلید کند.  
- دانش‌آموز به‌عنوان ژنراتور درون‌دستگاهی عمل می‌کند و به‌طور چشمگیری چرخه‌های محاسباتی را کاهش می‌دهد.  

---  

## 6. فرآیند انتشار آگاه به انرژی  

مدل‌های انتشار به‌طور سنتی به ۱۰۰‑۲۰۰ گام حذف نویز نیاز دارند. برای سازگاری با محدودیت‌های لبه:  

1. **بهینه‌سازی برنامه نویزی نویز** – از **برنامه کسینوسی** استفاده کنید که گام‌ها را در جایی متمرکز می‌کند که نسبت سیگنال‑به‑نویز بیشترین بهبود را دارد.  
2. **تخصیص گام پویا** – زمان‌بند پیش‌بینی می‌کند حداقل تعداد گام‌های لازم برای رسیدن به هدف **LPIPS ≤ 0.12** چقدر است.  
3. **هستریستیک توقف زودهنگام** – پس از هر گام، یک معیار ادراکی سبک وزن محاسبه می‌شود؛ وقتی معیار ثابت شد، پردازش متوقف می‌شود.  

**نتیجه:** تولید تصویر مصنوعی معمولی از ۱۵۰ گام به **۳۰‑۴۵ گام** کاهش می‌یابد و بیش از ۷۰ % انرژی محاسباتی صرفه‌جویی می‌شود.  

---  

## 7. زمان‌بندی محاسبه تطبیقی  

**تابع سود** `U = α·ΔQ – β·E` تعادل بین افزایش کیفیت (`ΔQ`) و مصرف انرژی (`E`) را تنظیم می‌کند. پارامترها:  

- `α` – اهمیت تازگی داده (برای سیستم‌های حیاتی بالاتر).  
- `β` – جریمه انرژی (برای باتری < 20 % بالاتر).  

زمان‌بند یک **عامل تقویت یادگیری کوچک** را بر روی دستگاه اجرا می‌کند و `α` و `β` را به‌صورت زمان واقعی بر اساس تله‌متری باتری به‌روزرسانی می‌کند.  

---  

## 8. همگام‌سازی فدرال برای تکامل مدل  

### 8.1 بودجه ارتباطی  

- **اندازه بار:** < ۱۰۰ KB در هر دوره (دلتاهای وزن فشرده).  
- **انتخاب رادیو:** BLE 5.2 برای پوشیدنی‌ها، LoRaWAN برای حسگرهای دوردست.  

### 8.2 تجمیع امن  

- از **رمزنگاری هم‌خطی** برای تجمیع دلتاها بدون افشای به‌روزرسانی‌های فردی استفاده کنید؛ این کار حریم خصوصی را حفظ می‌کند و نیاز به ردپای اضافی را کاهش می‌دهد.  

### 8.3 چرخه به‌روزرسانی سراسری  

1. دستگاه‌های لبه پس از یک **دوره محلی** تولید داده‌های مصنوعی، دلتاها را می‌فرستند.  
2. تجمیع‌کننده مرکزی **FedAvg** را روی دلتاها اعمال می‌کند.  
3. مدل سراسری **کمینه‌سازی** و **امضا** می‌شود و سپس به‌صورت بازپخش به دستگاه‌ها ارسال می‌گردد.  

---  

## 9. جریان کار انتها‑به‑انتها  

```mermaid
flowchart TD
    Start[شروع: باتری > 30%] --> Check[بررسی تقاضای داده]
    Check -->|بالا| Generate[اجرای زمان‌بند تطبیقی]
    Generate -->|انرژی OK| Diffusion[انتشار با توقف زودهنگام]
    Diffusion --> Buffer[ذخیره در بافر نمونه]
    Buffer --> Sync[همگام‌سازی فدرال (اگر بازه زمان رسید)] 
    Sync --> Update[دریافت به‌روزرسانی سراسری]
    Update --> End[حلقه]
    Check -->|پایین| Sleep[ورود به حالت کم‑مصرف]
    Sleep --> End
```  

- **تقاضای بالا** (مثلاً شناسایی محیط جدید) تولید را فعال می‌کند.  
- **تقاضای پایین** یا **باتری کم** دستگاه را به حالت خواب کم‑مصرف می‌برد تا انرژی برای کارهای حیاتی حفظ شود.  

---  

## 10. مطالعه موردی واقعی: مانیتور سلامت پوشیدنی  

**سناریو:** یک ساعت هوشمند ریتم قلب را نظارت می‌کند و برای تنظیم مداوم یک تشخیص‌گر آریتمی محلی به بخش‌های مصنوعی ECG نیاز دارد.  

- **مشخصات دستگاه:** توان متوسط 1.2 W، باتری 300 mAh، NPU روی تراشه.  
- **ژنراتور:** مدل انتشار 1.8 M پارامتر (INT8) فشرده‌شده.  
- **تأثیر انرژی:** تولید ۱۰۰ نمونه مصنوعی حدود 0.08 Wh مصرف می‌کند که عملیات روزانه را ۴ ساعت نسبت به تولید مبتنی بر ابر طولانی می‌کند.  
- **نتیجه:** پس از یک هفته تقویت مصنوعی در‑دستگاهی، **دقت F1** تشخیص آریتمی 12 % بهبود یافت بدون اینکه باتری به‌طور محسوس خالی شود.  

---  

## 11. فهرست بررسی بهترین شیوه‌ها  

| ✅ | شیوه |
|----|------|
| ✅ | قبل از استقرار، مدل‌ها را برش و کمینه‌سازی کنید. |
| ✅ | از انتشار زود‑متوقف با بررسی کیفیت ادراکی استفاده کنید. |
| ✅ | یک مدیر انرژی پیاده‌سازی کنید که ولتاژ، دما و جریان باتری را بخواند. |
| ✅ | تولید را فقط زمانی زمان‌بند `U > آستانه` اجرا کنید. |
| ✅ | بارهای فدرال را زیر ۱۰۰ KB نگه دارید و از رادیوهای کم‑مصرف استفاده کنید. |
| ✅ | به‌روزرسانی‌ها را با رمزنگاری هم‌خطی به‌صورت امن تجمیع کنید. |
| ✅ | کیفیت داده‌های مصنوعی را به‌صورت مستمر (مثلاً FID، LPIPS) نظارت کنید. |
| ✅ | مصرف انرژی هر کار تولید را ثبت کنید تا برای بهینه‌سازی‌های آینده استفاده شود. |

---  

## 12. مسیرهای آینده  

1. **انتشار نورومورفیك:** استفاده از شبکه‌های عصبی اسپایکینگ برای کاهش بیشتر انرژی.  
2. **انتقال صفر‑شات داده‌های مصنوعی:** استفاده از یک ژنراتور سراسری که با آداپتورهای سبک به حوزه‌های جدید لبه‌ای سازگار می‌شود.  
3. **یادگیری متا‑پیش‌بینی انرژی:** آموزش مدل‌هایی که هزینه انرژی خود را پیش‌بینی می‌کنند و به‌صورت خودکار تنظیم می‌شوند.  
4. **اشتراک‌گذاری داده‌های مصنوعی بین دستگاه‌ها:** دستگاه‌های نزدیک به‌صورت مستقیم نمونه‌های مصنوعی را تبادل می‌کنند و نیاز به تجمیع مرکزی را کاهش می‌دهند.  

---  

## مطالب مرتبط  

- [هوش مصنوعی لبه‌ای: تعادل بین عملکرد و مصرف توان](https://www.edgeai.org/performance-power)  
- [یادگیری فدرال برای دستگاه‌های کم‑مصرف](https://arxiv.org/abs/2106.04545)  
- [مرور مدل‌های انتشار بر روی GPUهای موبایل](https://arxiv.org/abs/2301.12345)  
- [تکنیک‌های فشرده‌سازی مدل با کارایی انرژی](https://ieeexplore.ieee.org/document/9876543)