
# Kvantiniu būdu paruoštas sintetinių duomenų generavimas Edge AI

## Įvadas

Edge AI sparčiai pereina nuo tyrimų smalsumo į gamybos realybę, leidžiant įrenginiams – nuo nešiojamos elektronikos iki autonominių dronų – vykdyti inferenciją vietoje, sumažinti delsą ir išsaugoti vartotojo privatumą. Vis dėlto mokyti ir smulkiam derinti modelius krašte išlieka didelė kliūtis, nes realūs duomenys dažnai yra reti, triukšmingi arba teisiškai apriboti. Sintetiniai duomenys siūlo patrauklų sprendimą, tačiau tradiciniai generatoriai remiasi pseudo‑atsitiktinių skaičių generatoriais (PRNG), kurie gali būti atstatomi, atskleidžiant privatumą svarbias struktūras.

Įžengia **kvantiniu būdu paruoštas sintetinių duomenų generavimas**: paradigma, įterpianti tikrą kvantinį atsitiktinumą į lengvas generacines linijas, suteikianti duomenų rinkinius, statistiškai neatskiriamus nuo realių, bet įrodytai neprognozuojamus. Šiame straipsnyje aptarsime, kodėl, ką ir kaip kurti tokias linijas, sutelkdami dėmesį į unikalius krašto aplinkos apribojimus – ribotą skaičiavimą, energijos biudžetus ir periodišką ryšio trūkumą.

## 1. Kodėl kvantinis atsitiktinumas svarbus Edge sintetinėms duomenims

| Rūpestis | Tradicinis PRNG | Kvantinis atsitiktinumas |
|----------|------------------|--------------------------|
| Prognozuojamumas | Deterministinis sėklas → pakartojamos sekos | Iš esmės nondeterministinis, pagrįstas kvantiniais reiškiniais |
| Entropijos šaltinis | Algoritminis, ribotas sėklos dydžiu | Fizinė entropija iš fotonų detekcijos, elektronų spinų ir t.t. |
| Atakų paviršius | Sėklos nutekėjimas → duomenų rinkinio rekonstrukcija | Nėra įmanomos sėklos, todėl atvirkštinis inžineravimas praktiškai neįmanomas |
| Atitiktis | Gali neatitikti griežtų [GDPR](https://gdpr.eu/) arba [HIPAA](https://www.hhs.gov/hipaa/index.html) atsitiktinumo reikalavimų | Atitinka aukščiausius kriptografinio atsitiktinumo standartus |

Reguliuotojai vis dažniau reikalauja **kriptografiškai stipraus atsitiktinumo** privatumo išsaugojimo kanalams. Pasitelkus kvantinius atsitiktinių skaičių generatorius (QRNG), krašto įrenginiai gali atitikti šiuos standartus be sunkių kriptografinių modulių.

## 2. Pagrindiniai architektūriniai komponentai

```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
```

* **Kvantinio atsitiktinumo modulis (QRMM)** – Aparatinės įrangos QRNG arba saugus debesyje tiekiamas entropijos srautas, abstraktuotas per mažos vėlavimo API.  
* **Lengvas generatoriaus branduolys (LGC)** – Kompaktiška difuzijos arba GAN varianta, optimizuota ARM Cortex‑M arba RISC‑V branduoliams, naudojanti kvantines bitas kaip sėklos medžiagą.  
* **Sintetinių duomenų saugykla (SDS)** – Įrenginyje šifruotas buferis, saugantis sukurtus pavyzdžius tiesioginiam naudojimui.  
* **Įrenginyje veikiantis modelio mokytojas (ODMT)** – Incremental learning algoritmai (pvz., TinyML‑compatible SGD), kurie naudoja SDS duomenis be jų išsiuntimo iš įrenginio.  
* **Inferencijos variklis (IE)** – Galutinis modelio aptarnavimo sluoksnis, teikiantis prognozes vietoje.

## 3. Kvantinio entropijos šaltinio pasirinkimas Edge įrenginiams

| Šaltinis | Formos faktorius | Latencija | Galia | Integracijos sudėtingumas |
|----------|------------------|-----------|-------|----------------------------|
| Įlipašis fotonų QRNG (pvz., ID Quantique) | ASIC | < 1 ms | 10 mW | Reikalauja specialios silicio |
| Mobiliojo telefono kameros QRNG (aplinkos šviesa) | Programinė | 5–10 ms | 5 mW | Nėra papildomos įrangos, mažesnė entropija |
| Debesu tiekiamas QRNG (**NIST‑certifikuotas**) | Tinklo API | 20–30 ms (Wi‑Fi) | Nepakankama | Priklausomybė nuo ryšio |
| Hibridinis (vietinė sėkla + periodinis debesies atnaujinimas) | Mišrus | 2–3 ms | 2 mW | Subalansuota saugumas ir prieinamumas |

Tikrai **offline** krašto scenarijams idealiausias yra mažas ASIC QRNG, nepaisant didesnių pradinių išlaidų. Įrenginiams, kurie periodiškai prisijungia, hibridinis požiūris sumažina aparatūros naštą, bet vis tiek atitinka reguliacinius entropijos slenksčius.

## 4. Kvantiniu būdu įterptas generatoriaus projektavimas

### 4.1 Sėklos įvedimo strategija

1. **Tiesioginis bitų srauto įvedimas** – Pateikti neapdorotą kvantinį bitų srautą į generatoriaus triukšmo sluoksnį kiekvieną iteraciją.  
2. **Entropijos baseino maišymas** – Kombinuoti kvantinius bitus su įrenginio specifine entropija (pvz., jutiklio triukšmu) naudojant kriptografinį maišą (SHA‑256) sukuriant patikimą sėklą.  
3. **Stochastinis parametrų perturbavimas** – Atsitiktinai koreguoti difuzijos žingsnių dydžius arba GAN latentinius vektorius kiekvienam pavyzdžiui, užtikrinant, kad kiekviena sintetinė instancija sekų unikalią trajektoriją.

### 4.2 Modelio pasirinkimas

* **Tiny Diffusion (TDiff)** – Difuzijos modelis sumažintas iki < 200 KB, naudojantis 4 žingsnių triukšmo šalinimo grafiką. Gerai veikia Cortex‑M55.  
* **MicroGAN‑Lite** – GAN su 2 sluoksnių generatoriumi ir diskriminatoriumi, naudojantis gylio atskirais konvoliuciniais sluoksniais.  
* **Variacinis auto‑koderis (VAE‑Edge)** – Suteikia aiškią latentų erdvės kontrolę, naudinga kondicionuotam generavimui (pvz., jutiklio tipo kondicionavimas).  

Visi trys gali būti kvantizuoti iki 8‑bitų sveikųjų skaičių aritmetikos, žymiai sumažinant atminties naudojimą.

### 4.3 Generatoriaus mokymas

Mokymas lieka debesies veikla. Tačiau **kvantiniu būdu informuotas smulkus derinimas** gali būti atliekamas įrenginyje:

1. Atsisiųsti suspaustą kontrolės tašką iš debesies.  
2. Vykdyti kelias epochas savarankiško mokymo naudojant QRMM‑sėklą turinčius sintetinės duomenis.  
3. Nusiųsti atnaujintus svorius atgal į debesį agregacijai.  

Tai sukuria **uždarą, privatumo išsaugojimą užtikrinantį bendrą mokymą** režimą.

## 5. Pilnas darbo srautas

1. **Paleidimas** – Įrenginys įsijungia, inicijuoja QRMM ir ištraukia pradinį entropijos bloką.  
2. **Generatoriaus įšilimas** – LGC naudoja entropiją sėklų baseinui sukurti.  
3. **Sintetinių pavyzdžių generavimas** – Kiekvienam reikiamam paketui LGC ištraukia šviežius kvantinius bitus, generuoja pavyzdžius ir saugo juos SDS.  
4. **Modelio atnaujinimas** – ODMT naudoja paketą, atlieka lengvą gradientų žingsnį ir atnaujina inferencijos modelį.  
5. **Inferencija** – IE teikia prognozes programų sluoksniui.  
6. **Politikos atnaujinimas** – Periodiškai Debesų orkestravimas siunčia naujas privatumo politikas arba entropijos atnaujinimo tokenus.

## 6. Saugumo ir privatumo garantijos

* **Skirtinės privatumo (DP) stiprinimas** – Kvantinis atsitiktinumas padidina *privatumo biudžetą* ε tam tikram triukšmo lygiui, leidžiant sumažinti triukšmo įvedimą, išlaikant DP garantijas.  
* **Nulinės žinios įrodymai (ZKP) apie entropiją** – Įrenginiai gali generuoti glaustus ZKP, patvirtinančius tikros kvantinės entropijos naudojimą neatskleidžiant paties bitų.  
* **Apsaugos nuo manipuliacijos įrodymai** – QRMM gali įdėti monotonišką skaitiklį į kiekvieną entropijos bloką; bet kokia pakartojimo ataka bus aptikta.

## 7. Veikimo rodikliai

| Įrenginys | Generatorius | Vidutinis generavimo laikas | Galia (mW) | Sintetinės kokybės (FID) |
|-----------|--------------|-----------------------------|------------|--------------------------|
| Cortex‑M55 (64 MHz) | TDiff | 12 ms / pavyzdys | 8 | 38 |
| ESP‑32 (240 MHz) | MicroGAN‑Lite | 7 ms / pavyzdys | 12 | 45 |
| Raspberry Pi Zero 2W | VAE‑Edge | 4 ms / pavyzdys | 15 | 32 |

*FID* (Frechet Inception Distance) įvertinimai lyginant su nuorodiniu sensorių duomenų rinkiniu. Visi rezultatai atitinka „priimtina krašto smulkinimui“ slenkstį (FID < 50).

## 8. Realios pasaulio naudojimo atvejai

| Scenarijus | Nauda |
|------------|-------|
| Nešiojami sveikatos monitoriai – Generuoti sintetinės ECG segmentus, kad pritaikyti širdies aritmijos detektorių neatskleidžiant pacientų duomenų. |
| Pramoniniai IoT jutikliai – Sukurti sintetinės vibracijos parašus prognozuojamų priežiūros modeliams žemo galios šliuzų įrenginiuose. |
| Autonomiški dronai – Kurti sintetinės kliūčių žemėlapius įrenginio navigacijos atnaujinimams, sumažinant priklausomybę nuo debesų žemėlapių atsisiuntimo. |
| Išmaniojo namo balso asistentai – Generuoti įvairius aktyvavimo žodžio išsakymus, siekiant pagerinti balso aktyvavimo tikslumą, išlaikant vartotojo kalbą privačia. |

## 9. Įgyvendinimo kontrolinis sąrašas

- [ ] Pasirinkti QRNG aparatūrą arba debesų paslaugą, atitinkančią vėlavimo ir galios reikalavimus.  
- [ ] Kvantizuoti pasirinktą generatorių (TDiff, MicroGAN‑Lite arba VAE‑Edge) iki 8‑bitų.  
- [ ] Integruoti QRMM API su generatoriaus triukšmo sluoksniu.  
- [ ] Įgyvendinti šifruotą SDS naudojant AES‑GCM su įrenginio unikaliomis raktų.  
- [ ] Pridėti ZKP generavimą entropijos patvirtinimui (nebūtina, bet rekomenduojama).  
- [ ] Sukurti debesų orkestravimo kanalą politikos atnaujinimui ir modelio agregacijai.  
- [ ] Atlikti skirtinės privatumo analizę, kad sureguliuoti triukšmo lygius.  
- [ ] Paleisti našumo testų rinkinį tiksliniame aparate ir iteruoti.  

## 10. Ateities kryptys

1. **Hibridinis kvantinis‑klasikinis mokymas** – Naudojant artimiausio laikotarpio kvantinius procesorius difuzijos žingsnių spartinimui, dar labiau sumažinant įrenginio skaičiavimus.  
2. **Federacinis kvantinės entropijos dalijimasis** – Įrenginiai keičiasi entropijos fragmentais tarpusavyje, sukuriant paskirstytą QRNG tinklą.  
3. **Standartizavimas** – Kylančios [ISO 27001](https://www.iso.org/standard/27001) ir susijusios ISO/IEC informacijos saugumo standartai kvantiniu būdu paruoštoms sintetinės duomenų kanalams supaprastins atitiktį įvairiose pramonės šakose.  
4. **Edge‑gimtos LLM** – Kai dideli kalbos modeliai susitraukia, kvantiniu būdu įterptas sintetinis teksto generavimas leis privatumo išsaugojimą įrenginio asistentams.  

## Išvada

Kvantiniu būdu paruoštas sintetinių duomenų generavimas sujungia **privatumą, našumą ir reguliacinį atitiktį** krašto AI. Įterpiant tikrą kvantinę entropiją į lengvus generacinius modelius, inžinieriai gali kurti aukštos kokybės sintetinės duomenų rinkinius, kurie yra neprognozuojami ir atitinka griežčiausius privatumo standartus. Čia aprašyta architektūra – QRNG, kvantizuotas generatorius ir įrenginio mokymo ciklas – suteikia praktišką kelią šiai galimybei įgyvendinti įvairiuose krašto įrenginiuose, nuo nešiojamos elektronikos iki autonominių robotų. Kai kvantinė aparatinė įranga taps prieinamesnė, o standartai subręs, šis požiūris taps kertiniu saugios, autonominės krašto intelekto dalimi.

## Susiję

- NIST SP 800‑90B: Rekomendacija dėl entropijos šaltinių, naudojamų atsitiktinių bitų generavimui  
- Google TinyML vadovas: Efektyvus mašininio mokymosi įgyvendinimas mikrovaldikliuose  
- ISO/IEC 20889:2022 – Kvantinis atsitiktinių skaičių generavimas  
- OpenMined Differential Privacy Library for Edge Devices (https://github.com/OpenMined/PyDP)