مروری بر روش های بهینه سازی SWaP-C در سامانه های هوش مصنوعی لبه

گسترش سامانه های هوش مصنوعی لبه ای در کاربردهایی مانند رباتیک خودمختار، اینترنت اشیاء صنعتی، پهپادها و سامانه های نظارتی، نیاز به اجرای استنتاج نزدیک به منبع داده را افزایش داده است؛ رویکردی که تاخیر را کاهش داده و امنیت و پایداری عملیاتی را بهبود می دهد. با این حال، محدودیت های شدید منابع در تجهیزات لبه ای باعث می شود اجرای مستقیم مدل های عمیق و به ویژه معماری های بزرگ ترنسفورمری و شبکه های عمیق، از نظر محاسبات، حافظه و انرژی دشوار یا پرهزینه باشد. در این مقاله، چارچوب SWaP-C شامل اندازه، وزن، توان مصرفی و هزینه به عنوان معیار یکپارچه طراحی و ارزیابی سامانه های Edge AI بررسی شده و راهکارهای بهینه سازی در دو سطح اصلی مرور می شوند: (۱) روش های الگوریتمی/نرم افزاری مانند طراحی معماری های سبک وزن MobileNet، ShuffleNet،SqueezeNet و EfficientNet، هرس ساختاریافته و غیرساختاریافته، کوانتیزاسیون (به ویژه INT۸ و روش های PTQ/QAT، تقطیر دانش و جستجوی معماری عصبی به ویژه گونه های سخت افزارآگاه؛ و (۲) راهکارهای سخت افزاری شامل GPUهای تعبیه شده، TPU/NPU، FPGA و ASIC و مقایسه آن ها از منظر بهره وری انرژی، تاخیر، انعطاف پذیری و هزینه توسعه. مقاله نشان می دهد گلوگاه غالب در بسیاری از سناریوهای لبه ای، انتقال داده و سلسله مراتب حافظه است و نه صرفا تعداد عملیات محاسباتی؛ بنابراین بهینه سازی جریان داده، استفاده از حافظه روی تراشه و کاهش جابه جایی داده نقش محوری دارند. در نهایت، رویکرد «هم طراحی سخت افزار–نرم افزار» به عنوان مسیر کلیدی برای دستیابی به مصالحه بهینه میان دقت، کارایی و قیود SWaP-C معرفی شده و روندهای آینده مانند TinyML، پردازش در حافظه و محاسبات نورومورفیک به عنوان جهت گیری های نوظهور مطرح می شوند

کلیدواژه ها:

هوش مصنوعی لبه ای ، فشرده سازی مدل ، شتاب دهنده های سخت افزاری ، هم طراحی سخت افزار–نرم افزار