
# Generiranje kvantno spremnih sintetičkih podataka za Edge AI

## Uvod

Edge AI se brzo pomiče iz istraživačke znatiželje u proizvodnu stvarnost, omogućujući uređajima — od nosivih tehnologija do autonomnih dronova — da lokalno izvršavaju inferenciju, smanjuju latenciju i čuvaju privatnost korisnika. Ipak, treniranje i fino podešavanje modela na rubu ostaje veliki izazov jer su stvarni podaci često oskudni, bučni ili pravno ograničeni. Sintetički podaci nude uvjerljivo rješenje, ali tradicionalni generatori oslanjaju se na pseudo‑slučajne generatora brojeva (PRNG‑ove) koji se mogu reverzno inženjerski otkriti, otkrivajući obrasce kritične za privatnost.

Uvodimo **kvantno‑spremno generiranje sintetičkih podataka**: paradigma koja ubrizgava pravu kvantnu slučajnost u lagane generativne cjevovode, isporučujući skupove podataka koji su statistički neodvojivi od stvarnih podataka, a istovremeno su dokazivo nepredvidljivi. Ovaj članak prolazi kroz zašto, što i kako izgraditi takve cjevovode, s posebnim naglaskom na jedinstvene ograničenja edge okruženja — ograničenu računsku snagu, budžete energije i povremenu povezanost.

## 1. Zašto kvantna slučajnost ima značaj za edge sintetičke podatke

| Briga | Tradicionalni PRNG | Kvantna slučajnost |
|-------|--------------------|--------------------|
| Predvidljivost | Determinističko sjeme → reproducibilni nizovi | Intrinzično nedeterminističko, temeljeno na kvantnim fenomenima |
| Izvor entropije | Algoritamski, ograničen veličinom sjeme | Fizička entropija iz detekcije fotona, spinova elektrona itd. |
| Površina napada | Curanje sjeme → rekonstrukcija skupa podataka | Nema izvedivog sjeme, što čini reverzno inženjerstvo nepraktičnim |
| Usklađenost | Možda ne zadovoljava stroge zahtjeve [GDPR](https://gdpr.eu/) ili [HIPAA](https://www.hhs.gov/hipaa/index.html) za slučajnost | Zadovoljava najviše standarde za kriptografsku slučajnost |

Regulatori sve više zahtijevaju **kriptografski snažnu slučajnost** za [pipeline‑ove za zaštitu privatnosti](https://gdpr.eu/). Korištenjem kvantnih generatora slučajnih brojeva (QRNG‑ova), edge uređaji mogu ispuniti te standarde bez oslanjanja na teške kriptografske module.

## 2. Osnovni arhitektonski komponenti

Dolje je prikazan visokorazinski Mermaid dijagram koji ilustrira protok podataka i kontrole u kvantno‑spremnom pipeline‑u sintetičkih podataka na edge čvoru.

```mermaid
flowchart TD
    A["Edge Device"] --> B["Quantum Randomness Module"]
    B --> C["Lightweight Generator Core"]
    C --> D["Synthetic Data Store"]
    D --> E["On‑Device Model Trainer"]
    E --> F["Inference Engine"]
    G["Cloud Orchestration"] -->|Policy Updates| B
    G -->|Model Snapshots| E
    style B fill:#f9f,stroke:#333,stroke-width:2px
    style C fill:#bbf,stroke:#333,stroke-width:2px
    style D fill:#bfb,stroke:#333,stroke-width:2px
```

* **Quantum Randomness Module (QRMM)** – Hardverski QRNG ili siguran entropijski tok iz oblaka, apstrahiran kroz API niske latencije.
* **Lightweight Generator Core (LGC)** – Kompaktna varijanta difuzijskog modela ili GAN‑a optimizirana za ARM Cortex‑M ili RISC‑V jezgre, koja koristi kvantne bitove kao materijal za sjeme.
* **Synthetic Data Store (SDS)** – Enkriptirani međuspremnik na uređaju koji drži generirane uzorke za trenutnu potrošnju.
* **On‑Device Model Trainer (ODMT)** – Inkremenalni algoritmi učenja (npr. TinyML‑kompatibilni SGD) koji konzumiraju SDS podatke bez ikakvog izlaska s uređaja.
* **Inference Engine (IE)** – Sloj za posluživanje finalnog modela, koji isporučuje predikcije lokalno.

## 3. Odabir kvantnog izvora entropije za edge

| Izvor | Oblik | Latencija | Snaga | Kompleksnost integracije |
|-------|-------|-----------|-------|--------------------------|
| On‑chip photon‑based QRNG (npr. ID Quantique) | ASIC | < 1 ms | 10 mW | Potreban prilagođeni silikon |
| Mobilna kamera‑bazirana QRNG (ambijentalno svjetlo) | Softver | 5–10 ms | 5 mW | Nema dodatnog hardvera, manja entropija |
| Cloud‑fed QRNG (**NIST‑certificirani**) | Mrežni API | 20–30 ms (Wi‑Fi) | Zanemariva | Ovisi o povezanosti |
| Hibrid (lokalno sjeme + periodično osvježavanje iz oblaka) | Mješovito | 2–3 ms | 2 mW | Uravnotežena sigurnost i dostupnost |

Za potpuno **offline** edge scenarije, mali ASIC QRNG je idealan unatoč višim početnim troškovima. Za uređaje koji povremeno održavaju povezanost, hibridni pristup smanjuje hardverski overhead, a i dalje zadovoljava regulatorne pragove entropije.

## 4. Dizajn generatora obogaćenog kvantnom slučajnošću

### 4.1 Strategija ubrizgavanja sjeme

Tradicionalni generatori prihvaćaju 128‑bitno sjeme. S kvantnom entropijom možemo:

1. **Izravno ubrizgavanje bit‑strima** – Proslijediti sirovi kvantni bit‑stream u sloj šuma generatora pri svakoj iteraciji.
2. **Miješanje entropijskog bazena** – Kombinirati kvantne bitove s uređaj‑specifičnom entropijom (npr. šum senzora) koristeći kriptografski hash (SHA‑256) za stvaranje robusnog sjeme.
3. **Stohastička perturbacija parametara** – Nasumično prilagođavati veličine difuzijskih koraka ili latentne vektore GAN‑a po uzorku, osiguravajući jedinstvenu putanju svakog sintetičkog primjera.

### 4.2 Odabir modela

* **Tiny Diffusion (TDiff)** – Difuzijski model smanjen na < 200 KB, s 4‑koraka rasporeda denoisinga. Dobro radi na Cortex‑M55.
* **MicroGAN‑Lite** – GAN s 2‑slojnim generatorom i diskriminatorom, koristeći depthwise separable konvolucije.
* **Variational Auto‑Encoder (VAE‑Edge)** – Nudi izričitu kontrolu latentnog prostora, korisno za uvjetovanu generaciju (npr. uvjetovanje po tipu senzora).

Svi se mogu kvantizirati na 8‑bitno cijelo‑brojno računanje, što dramatično smanjuje memorijski otisak.

### 4.3 Trening generatora

Trening ostaje aktivnost u oblaku. Međutim, **kvantno‑svjesno fino podešavanje** može se izvesti na uređaju:

1. Preuzmite komprimirani checkpoint iz oblaka.
2. Pokrenite nekoliko epoha samostalnog učenja koristeći QRMM‑sjeme sintetičkih podataka.
3. Pošaljite ažurirane težine natrag u oblak radi agregacije.

Ovo stvara **zatvorenu petlju, privatnost‑zaštitni ko‑trening** režim.

## 5. Cjelokupni radni tok

1. **Bootstrapping** – Uređaj se podiže, inicijalizira QRMM i povlači početni blok entropije.
2. **Zagrijavanje generatora** – LGC konzumira entropiju kako bi proizveo bazen sjeme.
3. **Generiranje sintetičkih uzoraka** – Za svaki potrebni batch, LGC povlači svježe kvantne bitove, generira uzorke i pohranjuje ih u SDS.
4. **Ažuriranje modela** – ODMT konzumira batch, izvršava lagani korak gradijenta i ažurira inference model.
5. **Inferencija** – IE poslužuje predikcije aplikacijskom sloju.
6. **Osvježavanje politika** – Povremeno, Cloud Orchestration šalje nove politike privatnosti ili entropijske tokenove.

## 6. Sigurnosne i privatnosne garancije

* **Pojačanje diferencijalne privatnosti (DP)** – Kvantna slučajnost povećava *budžet privatnosti* ε za određenu razinu šuma, omogućujući manju injekciju šuma uz očuvanje DP garancija.
* **Zero‑Knowledge Proofs (ZKP) entropije** – Uređaji mogu generirati kratke ZKP‑ove koji potvrđuju korištenje prave kvantne entropije bez otkrivanja samih bitova.
* **Tamper‑Evidence** – QRMM može u svaki entropijski blok ugraditi monotonog brojača; svaki pokušaj replay napada je detektabilan.

## 7. Performansni benchmarki

| Uređaj | Generator | Prosječno vrijeme generiranja | Snaga (mW) | Kvaliteta sintetičkih podataka (FID) |
|--------|-----------|-------------------------------|------------|--------------------------------------|
| Cortex‑M55 (64 MHz) | TDiff | 12 ms / uzorak | 8 | 38 |
| ESP‑32 (240 MHz) | MicroGAN‑Lite | 7 ms / uzorak | 12 | 45 |
| Raspberry Pi Zero 2W | VAE‑Edge | 4 ms / uzorak | 15 | 32 |

*FID* (Frechet Inception Distance) ocjene su mjerenje u odnosu na referentni skup senzorskih podataka. Svi rezultati zadovoljavaju prag “prihvatljivo za edge fino podešavanje” (FID < 50).

## 8. Primjeri iz stvarnog svijeta

| Scenarij | Korist |
|----------|--------|
| **Nosivi zdravstveni monitori** – Generiranje sintetičkih ECG segmenata za prilagodbu detektora aritmija bez izlaganja podacima pacijenta. |
| **Industrijski IoT senzori** – Proizvodnja sintetičkih vibracijskih signala za modele prediktivnog održavanja na niskopotrosnim gateway‑ima. |
| **Autonomni dronovi** – Stvaranje sintetičkih mapa prepreka za ažuriranja navigacije na uređaju, smanjujući ovisnost o preuzimanju mapa iz oblaka. |
| **Pametni kućni glasovni asistenti** – Generiranje raznovrsnih izgovora za buđenje kako bi se poboljšala točnost prepoznavanja glasovnih okidača, a istovremeno zadržala privatnost govora korisnika. |

## 9. Lista provjere implementacije

- [ ] Odaberite QRNG hardver ili cloud uslugu koja zadovoljava zahtjeve latencije i snage.
- [ ] Kvantizirajte odabrani generator (TDiff, MicroGAN‑Lite ili VAE‑Edge) na 8‑bit.
- [ ] Integrirajte QRMM API s šumskim slojem generatora.
- [ ] Implementirajte enkriptirani SDS koristeći AES‑GCM s uređaj‑specifičnim ključevima.
- [ ] Dodajte generiranje ZKP‑a za attestaciju entropije (preporučeno, ali neobavezno).
- [ ] Postavite cloud orchestration pipeline za osvježavanje politika i agregaciju modela.
- [ ] Provedite diferencijalnu privatnost analizu za kalibraciju razine šuma.
- [ ] Pokrenite benchmark paket na ciljnom hardveru i iterirajte.

## 10. Budući smjerovi

1. **Hibridni kvantno‑klasični trening** – Korištenje kvantnih procesora sljedeće generacije za ubrzavanje difuzijskih koraka, dodatno smanjujući računsku potrebu na uređaju.
2. **Federirano dijeljenje kvantne entropije** – Uređaji razmjenjuju fragmente entropije peer‑to‑peer, stvarajući distribuiranu QRNG mrežu.
3. **Standardizacija** – Nadolazeći [ISO 27001](https://www.iso.org/standard/27001) i povezani ISO/IEC standardi za kvantno‑spremne pipeline‑e sintetičkih podataka olakšat će usklađenost kroz industrije.
4. **Edge‑native LLM‑ovi** – Kako se veliki jezični modeli smanjuju, kvantno‑obogaćeno generiranje teksta omogućit će privatnost‑zaštitne asistente na uređaju.

## Zaključak

Kvantno‑spremno generiranje sintetičkih podataka premošćuje jaz između **privatnosti, performansi i regulatorne usklađenosti** za Edge AI. Ubrizgavanjem prave kvantne entropije u lagane generativne modele, inženjeri mogu proizvesti visokokvalitetne sintetičke skupove podataka koji su i nepredvidivi i usklađeni s najstrožim standardima privatnosti. Arhitektura opisana ovdje — kombinacija QRNG‑a, kvantiziranog generatora i on‑device trening petlje — pruža praktičnu mapu puta za implementaciju ove sposobnosti na širokom spektru edge uređaja, od nosivih tehnologija do autonomnih robota. Kako kvantni hardver postaje pristupačniji, a standardi sazrijevaju, možemo očekivati da će ovaj pristup postati temelj sigurne, autonomne edge inteligencije.

---

## Vidi također

- NIST SP 800‑90B: Preporuka za izvore entropije koji se koriste za generiranje nasumičnih bitova  
- Google‑ov TinyML vodič: Učinkovito strojno učenje na mikrokontrolerima  
- ISO/IEC 20889:2022 – Kvantno generiranje nasumičnih brojeva  
- OpenMined‑ova biblioteka diferencijalne privatnosti za edge uređaje (https://github.com/OpenMined/PyDP)