چطور مدل‌های پیش‌بینی سیل روی سخت‌افزارهای کم‌مصرف اجرا شوند؟

تصور کنید یک سامانه هشدار سیل در دل اقیانوس، با مصرف انرژی کمتر از یک چراغ خواب، جان هزاران نفر را نجات دهد. این دیگر یک تصور نیست؛ در ۱۹ اوت ۲۰۲۶، یک نمونه اولیه در خلیج مکزیک ثابت کرد که مدل‌های پیچیده اقلیمی می‌توانند روی سخت‌افزارهای بسیار محدود اجرا شوند. این سیستم توانست مصرف انرژی استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی و نه دوره‌ی آموزش آشپز — را از ۳.۲ وات به ۰.۴ وات برساند. این جهش، استقرار خودکار مدل روی بویه‌های خورشیدی را ممکن ساخت.

این موفقیت به لطف یک کشف تصادفی در ساعت ۳:۴۷ صبح رخ داد؛ زمانی که یک اسکریپت نظارتی نشان داد خط لوله استنتاج یک شبکه عصبی گراف (GNN) استاندارد، برای پردازش داده‌های تنها یک ساعت از حسگرهای ساحلی، ۴۷ وات برق مصرف می‌کند؛ یعنی تقریباً معادل مصرف یک یخچال کوچک. این کشف تکان‌دهنده، منجر به یک تحقیق عمیق دو ماهه در زمینه‌های استنتاج گراف‌های عصبی احتمالی، فشرده‌سازی مدل و طراحی معماری‌های آگاه به انرژی شد. این رویکرد در واقع تکامل یافته‌ی متدهایی است که پیش‌تر برای کاهش هزینه‌های انرژی در مزارع هوشمند با استفاده از GNNهای احتمالی به کار گرفته شد.

در حال حاضر، برنامه‌ریزی برای تاب‌آوری سواحل به مدل‌های فیزیک‌محور مثل ADCIRC وابسته است. این مدل‌ها پیش‌بینی‌های فوق‌العاده‌ای ارائه می‌دهند اما برای اجرا در لحظه روی سخت‌افزارهای لبه (Edge Computing) — یعنی پردازش داده‌ها در همان جایی که حسگرها قرار دارند، نه در یک مرکز داده دوردست — بیش از حد سنگین‌اند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی مدل‌های لبه اشاره کردیم، وقتی در زمان طوفان‌های شدید ارتباطات قطع می‌شود، تکیه بر سرورهایی که ۲۰۰ مایل دورتر در خشکی هستند، عملاً به معنای شکست سامانه است. این چالش در رصد پدیده‌های شدید دوچندان می‌شود؛ برای مثال، دستاورد اخیر WeatherNext در پیش‌بینی توفندها نشان داد که دقت پیش‌بینی‌های زودهنگام تا چه حد می‌تواند در مدیریت بحران حیاتی باشد.

صنعت اکنون به هوش مصنوعی نیاز دارد که داده‌های ساختاریافته‌ی گراف حسگرها را به‌صورت محلی پردازش کند و به‌جای یک عدد ساده (Point Prediction)، میزان «عدم‌قطعیت» کالیبره شده را گزارش دهد. این مدل‌ها باید روی میکروکنترلرهایی مثل Raspberry Pi، تراشه‌های کلاس میکرو یا شتاب‌دهنده‌های تخصصی AI اجرا شوند. هدف این است که مدل‌ها به‌طور مستمر از داده‌های جاری محیطی یاد بگیرند تا با تهدیداتی مثل بالا آمدن سطح دریا، موج‌های شدید طوفان، نفوذ آب شور به سفره‌های آب شیرین و فرسایش خطوط ساحلی مقابله کنند.

معماری شبکه‌های عصبی گراف احتمالی

مناطق ساحلی ذاتاً ساختاری شبیه به گراف دارند. حسگرهای تراز آب، ایستگاه‌های هواشناسی و حسگرهای جزر و مد به‌عنوان «گره» (Vertex) عمل می‌کنند. یال‌های این گراف بر اساس چندین عامل تعریف می‌شوند:

• یال‌های مکانی: روابط نزدیکی و مجاورت بین حسگرها.
• یال‌های زیرساختی: وابستگی‌های مربوط به جاده‌ها، سدها، ایستگاه‌های پمپاژ و شبکه‌های برق.
• یال‌های زمانی: نحوه انتشار و انتقال شرایط از یک مکان به مکان دیگر در طول زمان.

این نمایش گراف اجازه می‌دهد وابستگی‌های پیچیده بدون نیاز به سربار محاسباتی شبیه‌سازی‌های هیدرودینامیکی کامل سه‌بعدی مدل شوند. برای این کار، محققان از شبکه عصبی گراف احتمالی (PGNN) استفاده کردند. برخلاف شبکه‌های معمولی که وزن‌های ثابتی دارند، این مدل با وزن‌ها به‌عنوان «توزیع احتمالی» برخورد می‌کند. یعنی به‌جای یادگیری یک ماتریس وزن واحد W، سیستم توزیع $p(W|D)$ را بر اساس داده‌های آموزشی D یاد می‌گیرد. برای رفع چالش‌های احتمالی در این مدل‌ها، می‌توان از تکنیک شبیه‌سازی معکوس برای حذف توهمات فیزیکی استفاده کرد تا خروجی‌های مدل با قوانین واقعی طبیعت همسو شوند.

مکانیزم‌های فنی استنتاج

به نقل از مستندات پروژه، برای پیاده‌سازی این مدل از لایه‌ی ProbabilisticGraphConvLayer و ترفند «بازپارامتری‌سازی» (Reparameterization Trick) استفاده شده است که در اصل برای خودرمزگذارهای متغیر (VAE) توسعه یافته بود. این روش به مدل اجازه می‌دهد وزن‌ها را با فرمول weight_mu + std * epsilon نمونه‌برداری کند، که در آن std از exp(0.5 * weight_log_var) مشتق می‌شود. با نمونه‌برداری از پیکربندی‌های مختلف وزن در زمان آموزش، سیستم در واقع مجموعه‌ای از مدل‌ها (Ensemble) را در زمان استنتاج فراهم می‌کند. همچنین برای منظم‌سازی توزیع وزن‌ها، از واگرایی KL بین توزیع پسین (Posterior) و پیشین (Prior - نرمال استاندارد) استفاده شده است.

اجزای دقیق مدل

این معماری از سه مرحله اصلی تشکیل شده است:

• رمزگذار گراف: شامل دو لایه کانولوشن گراف احتمالی برای استخراج روابط مکانی. این بخش از پارامترهای weight_mu و weight_log_var هم برای وزن‌ها و هم برای بایاس‌ها استفاده می‌کند تا ماهیت احتمالی کانولوشن حفظ شود.
• پردازشگر زمانی: یک مدل ترنسفورمر (Transformer) یا LSTM که داده‌های سری زمانی (مثلاً پنجره ۲۴ ساعته) را پردازش می‌کند. اگر داده‌های زمانی موجود باشد، ابتدا از حالت [batch, time, nodes, feat] به [batch * nodes, time, feat] تغییر شکل می‌یابد. سپس خروجی LSTM به رمزگذاری مکانی اضافه می‌شود (h = h + lstm_out[:, -1, :].reshape(batch, nodes, -1)).
• رمزگشش احتمالی: سیستمی که خروجی را به‌صورت توزیع (میانگین و لگاریتم واریانس) ارائه می‌دهد. برای تضمین پایداری عددی، انحراف معیار در خروجی نهایی روی حداقل 1e-6 محدود (Clamp) شده است.

برای رسیدن به پیش‌بینی نهایی همراه با عدم‌قطعیت، از روشی شبیه به Monte Carlo Dropout استفاده می‌شود. مدل با اجرای n_samples (معمولاً ۵۰ بار) مسیر پیش‌رو (Forward Pass)، مجموعه‌ای از پیش‌بینی‌ها را تولید می‌کند. میانگین و انحراف معیار این نمونه‌ها، معیار دقیق اعتماد مدل به پیش‌بینی‌اش را مشخص می‌کند.

حل بحران انرژی

مدل‌های PGNN استاندارد بسیار پرمصرف هستند. یک مدل با ۱۰ میلیون پارامتر به حدود ۴۰ مگابایت حافظه و ۳ تا ۵ وات برق برای استنتاج روی سخت‌افزارهای لبه نیاز دارد. این مقدار از بودجه‌های سخت‌گیرانه سخت‌افزارهای خودکار فراتر است:

• بویه‌های خورشیدی: بودجه کلی ۵ تا ۱۵ وات، معمولاً با پردازنده‌های ARM Cortex-M7 (100MHz).
• گره‌های حسگر ساحلی: بودجه ۰.۵ تا ۲ وات، اغلب با تراشه‌های ESP32 یا RP2040.
• شتاب‌دهنده‌های لبه: بودجه ۱ تا ۴ وات، مانند Google Coral یا Jetson Nano.
• سکوهای حسگر (Rafts): بودجه ۲۰ تا ۵۰ وات، ترکیبی از چندین MCU و رادیو.

برای پر کردن این شکاف، سه استراتژی بهینه‌سازی به کار گرفته شد. نخست، تقطیر دانش با عدم‌قطعیت (Knowledge Distillation with Uncertainty). یک مدل «استاد» بزرگ در فضای ابری، یک مدل «دانش‌آموز» کوچک را آموزش داد تا هم پیش‌بینی‌ها و هم تخمین‌های عدم‌قطعیت را تقلید کند. این فرآیند از یک تابع زیان ترکیبی شامل دقت پیش‌بینی (MSE loss) به‌علاوه تطبیق عدم‌قطعیت و یک تابع احتمال لگاریتمی منفی (NLL) برای کالیبراسیون استفاده کرد. این زیان با ضریب $\alpha=0.7$ وزن‌دهی شد تا تعادلی بین دقت و تخمین شک مدل ایجاد شود.

دوم، کوانتش (Quantization) ۸ بیتی شدید اعمال شد. با تبدیل وزن‌ها از اعداد اعشاری ۳۲ بیتی به اعداد صحیح ۸ بیتی، حجم مدل ۷۵٪ کاهش یافت. همچنین از «هرس کردن ساختاریافته» (Structured Pruning) برای حذف سرهای توجه (Attention Heads) غیرضروری در لایه‌های گراف استفاده شد. این کار با محاسبه امتیاز اهمیت بر اساس مجموع مطلق وزن‌های تصویر (torch.abs(module.in_proj_weight).sum(dim=1)) و نگه داشتن top-k سرها بر اساس هدف پراکندگی (مثلاً ۰.۵) انجام شد. ماسک هرس به عنوان یک بافر ثبت شد تا معماری در زمان استنتاج سبک باقی بماند.

سوم، جست‌وجوی معماری مدل (NAS) انجام شد. محققان دریافتند که برای استقرار در لبه، استفاده از لایه‌های کانولوشن گراف کمتر با ابعاد پنهان (Hidden Dimensions) گسترده‌تر، بسیار بهینه‌تر از معماری‌های عمیق و باریک است. مصرف حافظه بر اساس تعداد پارامترها ضرب در ۲ بایت (برای int8) محاسبه شد تا مدل در محدوده‌ی ۲۵۶ کیلوبایت حافظه جای بگیرد. در این جست‌وجو، ابعاد پنهان ۱۶، ۳۲، ۶۴ و ۱۲۸ در بازه ۱ تا ۳ لایه ارزیابی شدند تا بهینه‌ترین امتیاز «دقت به حافظه» پیدا شود.

نتایج استقرار در دنیای واقعی

در یک تست عملی برای جامعه‌ای در خلیج مکزیک، مدل از ۱۲ مگابایت به ۱۸۰ کیلوبایت فشرده شد. سخت‌افزار مورد استفاده یک Raspberry Pi Zero 2W بود که در حالت بیکار ۰.۵ وات و در اوج فشار ۱.۵ وات مصرف می‌کند. شبکه شامل ۱۲ حسگر تراز آب، ۴ باران‌سنج و ۳ حسگر باد بود که از پروتکل LoRaWAN برای انتقال داده و شبکه 4G برای ارسال هشدارها استفاده می‌کردند.

بر اساس گزارش dev.to، نتایج خیره‌کننده بود:

• زمان استنتاج از ۳۴۰ میلی‌ثانیه به ۱۸ میلی‌ثانیه برای هر پیش‌بینی کاهش یافت.
• مصرف انرژی از ۳.۲ وات به ۰.۴ وات رسید.
• کالیبراسیون عدم‌قطعیت در مدل دانش‌آموز حتی بهبود یافت، زیرا فرآیند تقطیر باعث حذف اعتمادبه‌نفس کاذب (Overconfidence) مدل استاد شد.

یکپارچگی با هوش مصنوعی عامل‌محور

این خروجی‌های احتمالی برای تصمیم‌گیری‌های خودکار حیاتی هستند. یک عامل ساحلی خودکار (Autonomous Coastal Agent) اکنون می‌تواند هزینه «مثبت کاذب» (هشدار اشتباه و هزینه‌های تخلیه) را در برابر ریسک «منفی کاذب» (عدم هشدار در زمان خطر) بسنجد. این امر برای فعال کردن اقدامات حساس مانند دستورات تخلیه ضروری است.

برای مثال، عامل احتمال عبور سطح آب از حد بحرانی (مثلاً ۳ متر) را محاسبه می‌کند. این کار با استفاده از محاسبه z-score انجام می‌شود: (critical_level - flood_mean) / flood_std. اگر احتمال بیش از ۰.۷ باشد، دستور تخلیه صادر می‌شود. اگر احتمال بین ۰.۳۵ و ۰.۷ (نیمی از آستانه ریسک) باشد، سامانه را در حالت «نظارت شدید» با بازه بررسی ۱۵ دقیقه‌ای قرار می‌دهد؛ در غیر این صورت، بررسی‌ها هر ۶۰ دقیقه انجام می‌شود.

علاوه بر این، عامل یک «زمان پیش‌روی ایمن» (Safe Lead Time) را محاسبه می‌کند. این کار با افزودن یک جریمه عدم‌قطعیت انجام می‌شود: برای هر واحد انحراف معیار در عدم‌قطعیت، ۲۰ دقیقه به زمان هشدار اضافه می‌شود (تا سقف ۲۴۰ دقیقه). این مکانیسم تضمین می‌کند که عدم‌قطعیت بالاتر منجر به هشدارهای زودهنگام‌تر شود و حاشیه امنی برای خدمات اضطراری ایجاد گردد.

چالش‌ها و درس‌ها

این رویکرد، هوش مصنوعی را از یک ابزار پیش‌بینی غیرفعال به یک شرکت‌کننده فعال در پاسخ‌های اضطراری تبدیل می‌کند. با کمی‌سازی آنچه مدل «نمی‌داند»، سامانه از «پارادوکس کالیبراسیون» رها می‌شود؛ جایی که مدل‌ها در مواجهه با رویدادهای نادر و شدید، بیش از حد به پیش‌بینی‌های خود اعتماد می‌کنند. این پارادوکس در کاربردهای ساحلی بسیار خطرناک است، زیرا رویدادهای شدید نادر هستند اما پیامدهایی فاجعه‌بار دارند.

این دستاورد معیار جدیدی برای هوش مصنوعی لبه در علوم اقلیمی تعریف می‌کند و ثابت می‌کند که نیازی به قربانی کردن دقت احتمالی برای بهینگی انرژی نیست. توانایی اجرای استنتاج‌های سبک بیزی روی یک میکروکنترلر، راه را برای شبکه‌های عظیم و ارزان‌قیمت حسگرها باز می‌کند که می‌توانند در برابر همان طوفان‌هایی که پیش‌بینی می‌کنند، دوام بیاورند.

اکنون محققان باید به سمت یکپارچه‌سازی این PGNNهای فشرده با چارچوب‌های حاکمیتی «صفر-اعتماد» (Zero-Trust) حرکت کنند تا اطمینان حاصل شود که محرک‌های تخلیه خودکار توسط بازیگران بدخواه جعل یا دستکاری نمی‌شوند.

گام بعدی شما

• بررسی متدهای کوانتش ۸ بیتی برای کاهش هزینه استنتاج در پروژه‌های لبه.
• مطالعه روی مدل‌های تقطیر برای انتقال قابلیت‌های مدل‌های بزرگ به سخت‌افزارهای محدود.
• پیاده‌سازی لایه‌های احتمالی در مدل‌های پیش‌بینی برای مدیریت ریسک در تصمیمات حساس.

اما امنیت این سامانه‌های خودکار در برابر حملات سایبری چالش بعدی است — به تحلیل ما درباره‌ی چارچوب‌های حاکمیتی صفر-اعتماد مراجعه کنید.