بهینه‌سازی انرژی با ۹۰٪ داده‌ی گم‌شده؛ قدرت شبکه‌های عصبی گراف احتمالی

تصور کنید نیمی از حسگرهای یک مزرعه‌ی صنعتی در یک طوفان تخریب شده‌اند. اگر مدیر یک شبکه برق هوشمند باشید، متوجه می‌شوید که هوش مصنوعی سنتی چون نمی‌تواند اتصالات گم‌شده را ردیابی کند، عملاً فلج می‌شود.

در محیط‌های اینترنت اشیا (IoT) روستایی، اتصال شبکه به‌ندرت پایدار است. شبکه‌های عصبی گراف (GNN) — که شبیه به نقشه مترو، سیگنال‌ها را از یک نقطه به نقطه دیگر می‌برند — معمولاً فرض می‌کنند نقشه شبکه ثابت و مشخص است. بر اساس راهنمای فنی منتشرشده در ۲۵ مِی ۲۰۲۶ در وب‌سایت dev.to، وقتی گره‌ها آفلاین شوند، این مدل‌ها پیش‌بینی‌های غلط و بیش‌ازحد مطمئنی ارائه می‌دهند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت زیرساخت‌های توزیع‌شده اشاره کردیم، اتکا به داده‌های کامل در محیط‌های سخت‌افزاری غیرممکن است. راهکار جدید این است که به جای دیدن شبکه به عنوان یک نقشه ثابت، خودِ ساختار گراف را به عنوان یک متغیر تصادفی مدل کنیم.

این چارچوب برای مدیریت عدم قطعیت از سه سازوکار کلیدی استفاده می‌کند:

• پیشین بتا-برنولی (Beta-Bernoulli Prior): استفاده از دانش محیطی؛ مثلاً احتمال اینکه دو حسگر در فاصله ۱۰۰ متری به هم متصل باشند.
• ترفند گامبل-سافت‌مکس (Gumbel-Softmax Trick): این روش اجازه می‌دهد مدل بتواند از نمونه‌های گسسته‌ی گراف برای یادگیری استفاده کند.
• توزیع ریسک-آگاه (Risk-Aware Dispatch): استفاده از معیار ارزش در ریسک (VaR) با اطمینان ۹۵ درصد برای تصمیم‌گیری درباره مصرف باتری.

این تغییر رویکرد، فرض بنیادی در رایانش لبه (Edge Computing) — یعنی پردازش داده‌ها درست در محل جمع‌آوری، مثل پردازش تصویر در خودِ دوربین امنیتی به جای ارسال آن به یک سرور دوردست — را عوض می‌کند. مدل دیگر سعی نمی‌کند حدس بزند حسگر گم‌شده چه می‌گوید، بلکه باور کلی خود را درباره‌ی نحوه اتصال شبکه به‌روز می‌کند. طبق گزارش نویسنده، ترکیب این رمزگذار PGNN با یک عامل یادگیری عمیق Q، مصرف ژنراتورهای دیزلی را تا ۳۰ درصد کاهش داده است.

گام بعدی شما

• اگر روی سیستم‌های نظارت محیطی کار می‌کنید، مدل‌های احتمالی را جایگزین مدل‌های تخمینی (Imputation) کنید.
• معیارهای ریسک-آگاه مثل VaR را برای مدیریت منابع حیاتی در لایه‌ی استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی نه دوره‌ی آموزش آن — بگنجانید.
• بررسی کنید آیا ساختار داده‌های شما را می‌توان به شکل گراف مدل کرد تا در برابر حذف داده‌ها مقاوم شود.

اما افق بعدی این تکنولوژی، شبکه‌های عصبی گراف کوانتومی است که می‌توانند چندین ساختار احتمالی شبکه را هم‌زمان پردازش کنند؛ این تحول را در گزارش‌های بعدی بررسی خواهیم کرد.