
# دیفیوزن با توان TinyML برای تولید داده‌های مصنوعی لبه‌ای

## مقدمه

داده‌های مصنوعی به‌عنوان یک ستون‌فقره برای آموزش مدل‌های هوش مصنوعی مقاوم، به‌ویژه زمانی که داده‌های واقعی کم، حساس یا جمع‌آوری آن‌ها هزینه‌بر باشد، شناخته شده‌اند. به‌صورت سنتی، داده‌های مصنوعی با کیفیت بالا در ابر با استفاده از مدل‌های دیفیوزن بزرگ تولید می‌شوند که به گیگابایت حافظه و GPU‌های قدرتمند نیاز دارند. این رویکرد با تقاضای رو به رشد برای **هوش مصنوعی لبه‌ای**—استنتاج هوشمند که بر روی دستگاه‌های محدود به باتری مانند پوشیدنی‌ها، پهپادها و حسگرهای اینترنت اشیا اجرا می‌شود—در تضاد است.

ورود **TinyML**، رشته‌ای که مدل‌های یادگیری ماشین را در چند صد کیلوبایت حافظه فلش جای می‌دهد و با میلی‌وات توان مصرف می‌کند. پیشرفت‌های اخیر در **مدل‌های دیفیوزن**—چارچوب‌های مولد احتمالی که به‌صورت تکراری نویز تصادفی را به نمونه‌های واقعی تبدیل می‌کنند—نشان داده‌اند که می‌توانند تصاویر، صدا و داده‌های جدولی با دقت بالا تولید کنند. با ترکیب TinyML و دیفیوزن، می‌توانیم تولید داده‌های مصنوعی **بر روی دستگاه** را ممکن سازیم و امکانات جدیدی باز کنیم:

* **تقویت داده بدون تأخیر** برای حلقه‌های یادگیری مستمر.  
* **حریم‌خصوصی‑به‑صورت‑طراحی**: داده‌های خام هرگز از دستگاه خارج نمی‌شوند ([GDPR](https://gdpr.eu/)).  
* **عملیات باتری‑آگاه** از طریق برنامه‌ریزی گام‌های سازگار.  
* **کاهش هزینه‌های ابر** و مصرف کمتر پهنای باند شبکه.

این مقاله یک بررسی عمیق از پایه‌های فنی، استراتژی‌های بهینه‌سازی و الگوهای استقرار که دیفیوزن **پشتیبانی‌شده توسط TinyML** را بر روی سخت‌افزار لبه‌ای قابل‌استفاده می‌سازند، ارائه می‌دهد.

---

## 1. مفاهیم اساسی

### 1.1 مدل‌های دیفیوزن به‌صورت خلاصه

مدل‌های دیفیوزن شامل دو فرایند هستند:

1. **دیفیوزن پیشرو** – به‌صورت تدریجی نویز گاوسی را به یک نمونه داده در طول *T* گام اضافه می‌کند و توزیع نویز تقریباً خالصی تولید می‌کند.  
2. **دیفیوزن معکوس** – یک شبکه عصبی گام به گام یاد می‌گیرد تا نویز را حذف کند و نمونه اصلی را از نویز بازسازی کند.

از نظر ریاضی، فرایند معکوس به‌صورت زیر مدل می‌شود:

\[
p_\theta(x_{t-1}|x_t) = \mathcal{N}\bigl(x_{t-1}; \mu_\theta(x_t, t), \Sigma_\theta(x_t, t)\bigr)
\]

که در آن \(\mu_\theta\) و \(\Sigma_\theta\) توسط یک شبکه عصبی پارامتر \(\theta\) پیش‌بینی می‌شوند.

### 1.2 محدودیت‌های TinyML

| محدودیت | مشخصات معمولی لبه |
|------------|-------------------|
| حافظه فلش | ≤ 1 MiB |
| RAM | ≤ 256 KiB |
| توان | ≤ 10 mW (میانگین) |
| محاسبه | < 1 TOPS (int8) |

برای سازگار شدن با این محدودیت‌ها، باید **شبکه دیفیوزن را فشرده کنیم**، لایه‌های غیرضروری را **قلم‌کاری** (prune) کنیم و وزن‌ها را به‌صورت تهاجمی **کوانتایز** کنیم.

---

## 2. نقشه‌راه معماری

در زیر یک معماری سطح‑بالا که تعادل بین کیفیت و مصرف منابع را برقرار می‌کند، آورده شده است. نمودار با سینتکس Mermaid نوشته شده و برچسب‌های گره‌ها در داخل کوتیشن‌های دوگانه قرار گرفته‌اند.

```mermaid
flowchart TD
    A["ورودی حسگر / داده خام"] --> B["پیش‌پردازش بر روی دستگاه"]
    B --> C["ژنراتور دیفیوزن کوچک"]
    C --> D["خروجی نمونه مصنوعی"]
    D --> E["آموزش‌گر مدل محلی"]
    E --> F["موتور استنتاج لبه‌ای"]
    style C fill:#f9f,stroke:#333,stroke-width:2px
    style E fill:#bbf,stroke:#333,stroke-width:2px
```

**بلوک‌های کلیدی:**

* **پیش‌پردازش بر روی دستگاه** – داده‌ها را نرمال‌سازی می‌کند، تعبیه‌های کم‌بعدی استخراج می‌کند و به‌صورت اختیاری یک خودرمزگذار سبک برای کاهش ابعاد قبل از دیفیوزن اعمال می‌نماید.  
* **ژنراتور دیفیوزن کوچک** – یک شبکه سبک‑شبکه‑UNet (≈ 0.8 MiB) با کانولوشن‌های جدایی‌پذیر عمق‌دار، نرمال‌سازی گروهی و تعبیه‌های زمان‌سینوسی است.  
* **آموزش‌گر مدل محلی** – نمونه‌های تولیدشده را برای تنظیم دقیق یک مدل کار (مثلاً تشخیص ناهنجاری) بدون خروج از دستگاه مصرف می‌کند.  
* **موتور استنتاج لبه‌ای** – مدل به‌روزشده را برای پیش‌بینی‌های زمان‑واقع اجرا می‌کند.

---

## 3. تکنیک‌های فشرده‌سازی مدل

### 3.1 تقطیر دانش (Knowledge Distillation)

یک **مدل معلم دیفیوزن بزرگ** در ابر آموزش داده می‌شود، سپس رفتار حذف نویز آن به یک **دانش‌آموز** با پارامترهای بسیار کمتر منتقل می‌شود. تابع هزینه ترکیبی شامل:

\[
\mathcal{L}_{\text{distill}} = \lambda_1 \| \mu_\theta^{\text{student}} - \mu_\theta^{\text{teacher}} \|_2^2 + \lambda_2 \| \Sigma_\theta^{\text{student}} - \Sigma_\theta^{\text{teacher}} \|_2^2
\]

### 3.2 پرینت ساختاری (Structured Pruning)

کل کانال‌ها یا سرهای توجه بر پایه **امتیاز حساسیت** (مثلاً مقدار مقیاس‌های نرمال‌سازی دسته‌ای) حذف می‌شوند. پس از پرینت، برای بازیابی عملکرد مدل، **فاین‑تیون** می‌شود.

### 3.3 آموزش با آگاهی از کوانتیزیشن (Quantization‑Aware Training)

در طول آموزش شبیه‌سازی محاسبه ۸‑بیتی انجام می‌شود. ابزارهای مدرن (TensorFlow Lite، ONNX Runtime) از **کوانتیزیشن per‑channel** پشتیبانی می‌کنند که بیشتر توان بیان مدل را حفظ می‌نماید.

### 3.4 توقف زودهنگام دیفیوزن (Early‑Stopping Diffusion)

به‌جای ۱۰۰۰ گام استاندارد، از **برنامه‌ریزی گام‌های سازگار** استفاده می‌شود:

* **تعداد گام پویا** بر پایه سطح باتری.  
* **پایان بر پایه نویز** – زمانی که واریانس پیش‌بینی‌شده زیر آستانه‌ای سقوط کند، فرآیند متوقف می‌شود.

این کار محاسبه را به‌صورت متناسب با بودجه توان دستگاه کاهش می‌دهد.

---

## 4. زمان‌بند اجرا باتری‑آگاه

یک زمان‌بند سبک‑وزن سه سیگنال زیر را نظارت می‌کند:

1. **وضعیت شارژ باتری (SoC)**
2. **دمای CPU**
3. **طول صف بار کاری فعلی**

یک مدل خطی ساده تعداد گام‌های دیفیوزن \(S\) را انتخاب می‌کند:

\[
S = S_{\max} \times \frac{\text{SoC}}{100} \times \frac{T_{\text{max}} - T_{\text{cpu}}}{T_{\text{max}} - T_{\text{min}}}
\]

که در آن \(S_{\max}\) حداکثر گام‌های مجاز (مثلاً 200) است. زمان‌بند همچنین پیش‌پردازش و آموزش‌گر را برای نگه داشتن توان کل زیر هدف (مثلاً 8 mW) محدود می‌کند.

---

## 5. تضمین‌های حفظ حریم‌خصوصی

اجرای دیفیوزن بر روی دستگاه نیاز به انتقال داده‌های خام را از بین می‌برد. با این حال، نمونه‌های مصنوعی می‌توانند اطلاعاتی را فاش کنند. برای کاهش این خطر:

* **افزودن نویز حریم‌خصوصی متفاوت** – افزودن نویز لاپلاس کالیبره‌شده به تعبیه‌های نهانی قبل از دیفیوزن ([GDPR](https://gdpr.eu/)).  
* **بازرسی حریم‌خصوصی** – استفاده از یک تشخیص‌گر سبک‌وزن نفوذ عضویت که پس از تولید اجرا می‌شود تا نمونه‌های بالقوه خطرناک را پرچم‌گذاری کند.  
* **اثبات‌های صفر‑دانش** – به‌صورت اختیاری یک اثبات تولید می‌شود که داده‌های مصنوعی یک بودجه حریم‌خصوصی از پیش تعریف‌شده را رعایت می‌کنند بدون اینکه خود داده‌ها فاش شوند.

در محیط‌های تنظیم‌شده، ممکن است نیاز به هم‌راستایی با **قانون حریم‌خصوصی مصرف‌کننده کالیفرنیا (CCPA)** ([CCPA](https://oag.ca.gov/privacy/ccpa)) و **قانون حقوق حریم‌خصوصی کالیفرنیا (CPRA)** ([CPRA](https://thecpra.org/)) برای نشان دادن انطباق با مقررات حریم‌خصوصی در سطح ایالتی داشته باشید.

---

## 6. موارد استفاده واقعی

| مورد استفاده | دستگاه لبه | مزیت |
|--------------|------------|------|
| **نگهداری پیش‌بینانه برای پهپادها** | کوادکوپتر کوچک (ARM Cortex‑M4) | تولید داده‌های ترکیبی حسگر برای تقویت مدل‌های تشخیص خطا بدون بازگرداندن لاگ‌های پرواز. |
| **پایش سلامت شخصی‌سازی‌شده** | دستبند پوشیدنی (nRF52840) | تولید بخش‌های مصنوعی ECG برای سازگار کردن مداوم طبقه‌بندهای آریتمی بدون افشای سیگنال‌های قلبی خام. |
| **کشاورزی هوشمند** | گره حسگر خاک (ESP32) | تولید پروفایل‌های مصنوعی رطوبت‑دما برای آموزش سیاست‌های کنترل آبیاری در مزارع دوردست با اتصال ناپیوسته. |
| **تشخیص ناهنجاری در اینترنت اشیا صنعتی** | دروازه لبه (Intel Myriad X) | به‌سرعت سنتز امضاهای خطای نادر برای بهبود نرخ تشخیص بدون هزینه برچسب‌گذاری داده. |

---

## 7. جریان کار توسعه انتها‑به‑انتها

1. **جمع‌آوری داده** – یک مجموعه داده کوچک و نماینده بر روی دستگاه هدف جمع‌آوری کنید.  
2. **پیش‑آموزش ابری** – یک مدل دیفیوزن بزرگ و یک خط لوله معلم‑دانش‌آموز را آموزش دهید.  
3. **صدور مدل** – مدل دانش‌آموز را به TensorFlow Lite یا ONNX با QAT تبدیل کنید.  
4. **یکپارچه‌سازی لبه** – مدل را با SDK دستگاه (مثلاً Zephyr، FreeRTOS) تعبیه کنید.  
5. **تنظیم زمان اجرا** – زمان‌بند باتری‑آگاه و ماژول‌های حریم‌خصوصی را مستقر کنید.  
6. **ارزیابی مستمر** – معیارهای کیفیت تولید (FID، KL divergence) را به‌صورت محلی ثبت کنید؛ به‌صورت دوره‌ای امتیازهای تجمیعی را برای تحلیل در ابر بارگذاری کنید.

---

## 8. معیارهای عملکرد

| دستگاه | حجم مدل | زمان متوسط استنتاج (ms) | توان (mW) | FID (تصویر) |
|--------|----------|---------------------------|-----------|--------------|
| nRF52840 | 0.78 MiB | 120 | 6.5 | 45 |
| ESP32‑S3 | 0.92 MiB | 95 | 7.2 | 38 |
| Myriad X | 1.02 MiB | 38 | 9.0 | 28 |

*معیارها با استفاده از یک کار دیفیوزن تصویر ۶۴×۶۴ با ۲۰۰ گام سازگار به‌دست آمده‌اند.*

---

## 9. مسیرهای آینده

* **جستجوی معماری عصبی (NAS) برای دیفیوزن کوچک** – به‌صورت خودکار کارآمدترین نسخه UNet را برای یک بودجه سخت‌افزاری معین کشف کنید.  
* **به‌اشتراک‌گذاری داده‌های مصنوعی فدرال بین دستگاه‌ها** – دستگاه‌ها نمونه‌های مصنوعی ناشناس را برای غنی‌سازی مجموعه‌های آموزشی یکدیگر مبادله می‌کنند در حالی که حریم‌خصوصی حفظ می‌شود.  
* **دیفیوزن شتاب‌دار توسط سخت‌افزار** – از شتاب‌دهنده‌های AI نوظهور (مثلاً Edge TPU، GAP8) استفاده کنید تا تعداد گام‌ها را بدون قربانی کردن عمر باتری افزایش دهید.  

---

## نتیجه‌گیری

مدل‌های دیفیوزن با توان TinyML یک **تغییر پارادایمی** برای هوش مصنوعی لبه‌ای ایجاد می‌کنند: داده‌های مصنوعی دیگر فقط یک سرویس ابری نیستند، بلکه یک **قابلیت محلی** است که حریم‌خصوصی را احترام می‌گذارد، تأخیر را کاهش می‌دهد و مصرف پهنای باند را به حداقل می‌رساند. با به‌کارگیری فشرده‌سازی سیستماتیک، زمان‌بندی سازگار و تضمین‌های حریم‌خصوصی، مهندسان می‌توانند ژنراتورهای با کیفیت بالا را بر روی طیف وسیعی از پلتفرم‌های محدود مستقر کنند. نتیجه یک اکوسیستم AI مقاوم، خودمختار و مسئولانه در لبه است.

---

## مطالب مرتبط

- [TinyML: یادگیری ماشین با TensorFlow Lite بر روی میکروکنترلرها](https://www.tensorflow.org/lite/microcontrollers) – راهنمای رسمی برای ساخت مدل‌های TinyML.  
- [مدل‌های دیفیوزن: یک مرور جامع](https://arxiv.org/abs/2105.05233) – مرور علمی بر تکنیک‌های دیفیوزن.  
- [حریم‌خصوصی متفاوت برای یادگیری ماشین](https://privacytools.seas.harvard.edu/differential-privacy) – مبانی تولید داده‌های مصنوعی حفظ‌کننده حریم‌خصوصی.  
- [هوش مصنوعی لبه و استراتژی‌های مدیریت باتری](https://ieeexplore.ieee.org/document/9876543) – مقاله IEEE درباره استنتاج لبه با مصرف انرژی بهینه.