شاهین آقامعلی
هوش مصنوعی در سال‌های اخیر از سرورهای قدرتمند و دیتاسنترها فاصله گرفته و به سمت دستگاه‌های کوچک‌تر حرکت کرده است. امروزه حتی میکروکنترلرها نیز می‌توانند برخی وظایف یادگیری ماشین و تصمیم‌گیری هوشمند را مستقیماً روی خود دستگاه انجام دهند؛ رویکردی که با نام TinyML شناخته می‌شود. اما در این میان یک سؤال مهم مطرح است: آیا می‌توان از منطق فازی و TinyML برای ساخت سیستم‌های هوشمند روی میکروکنترلرها استفاده کرد؟
پاسخ کوتاه این است: بله، و در بسیاری از کاربردهای کم‌مصرف، منطق فازی حتی می‌تواند گزینه‌ای بسیار مناسب‌تر از مدل‌های پیچیده یادگیری عمیق باشد. منطق فازی به سیستم اجازه می‌دهد با مفاهیمی مانند «دمای نسبتاً بالا»، «سرعت کم» یا «رطوبت زیاد» کار کند و بر اساس مجموعه‌ای از قوانین تصمیم بگیرد. این ویژگی باعث می‌شود بتوان سیستم‌های هوشمند سبک، سریع و قابل‌تفسیر را روی سخت‌افزارهای بسیار محدود اجرا کرد.
TinyML چیست و چرا اجرای AI روی میکروکنترلر اهمیت دارد؟
TinyML به مجموعه‌ای از روش‌ها و فناوری‌هایی گفته می‌شود که امکان اجرای مدل‌های یادگیری ماشین روی سخت‌افزارهای بسیار کم‌مصرف، به‌خصوص میکروکنترلرها، را فراهم می‌کنند. برخلاف مدل‌های معمول هوش مصنوعی که ممکن است به GPU، CPU قدرتمند یا فضای حافظه زیاد نیاز داشته باشند، TinyML تلاش می‌کند مدل را تا حد ممکن کوچک و بهینه کند تا روی دستگاهی با منابع محدود اجرا شود.
میکروکنترلرها معمولاً حافظه و توان پردازشی بسیار محدودی دارند. برای نمونه، مستندات TensorFlow Lite for Microcontrollers نشان می‌دهد که این فناوری برای دستگاه‌هایی با حافظه بسیار کم طراحی شده و حتی هسته Runtime آن می‌تواند در حدود ۱۶ کیلوبایت روی یک Cortex-M3 جای بگیرد. البته اندازه مدل، عملیات مورد استفاده و منابع سخت‌افزاری دستگاه همچنان محدودیت‌های مهمی ایجاد می‌کنند. مزیت اصلی اجرای AI روی میکروکنترلر این است که دستگاه برای هر تصمیم مجبور نیست داده را به Cloud ارسال کند. بنابراین می‌توان تأخیر کمتر، مصرف پهنای باند پایین‌تر، استقلال از اینترنت و در برخی کاربردها حریم خصوصی بهتر داشت.
منطق فازی چیست و چه ارتباطی با TinyML دارد؟
منطق فازی برخلاف منطق دودویی معمول، جهان را فقط به دو حالت «درست» و «غلط» محدود نمی‌کند. در یک سیستم فازی، یک متغیر می‌تواند با درجات مختلف به یک مجموعه تعلق داشته باشد. برای مثال، به جای اینکه دمای ۳۰ درجه صرفاً «گرم» یا «غیرگرم» باشد، سیستم می‌تواند آن را تا حدی «گرم» و تا حدی «متوسط» در نظر بگیرد. این ویژگی برای سیستم‌های Embedded بسیار کاربردی است؛ زیرا بسیاری از تصمیم‌های دنیای واقعی دقیقاً مرز مشخصی ندارند. مثلاً در یک سیستم تهویه هوشمند نمی‌توان گفت در دمای ۲۹.۹ درجه فن خاموش و در ۳۰ درجه ناگهان روشن شود. منطق فازی می‌تواند تغییرات تدریجی را بهتر مدل کند. از طرف دیگر، یک سیستم فازی ساده معمولاً به شبکه عصبی بزرگ یا محاسبات سنگین نیاز ندارد. مجموعه‌ای از توابع عضویت، قوانین If-Then، موتور استنتاج و مرحله Defuzzification می‌تواند یک سیستم تصمیم‌گیری کامل ایجاد کند. همین موضوع منطق فازی را به گزینه‌ای جذاب برای سخت‌افزارهای کوچک تبدیل می‌کند.
چرا منطق فازی برای میکروکنترلر مناسب است؟
مهم‌ترین دلیل، سادگی محاسبات در بسیاری از پیاده‌سازی‌های فازی است. یک سیستم فازی می‌تواند ورودی‌هایی مانند دما، رطوبت، فشار یا شتاب را دریافت کند، میزان عضویت آن‌ها را محاسبه کرده و سپس بر اساس قوانین از پیش تعریف‌شده تصمیم بگیرد.
برای مثال، یک سیستم کنترل فن می‌تواند چنین قوانینی داشته باشد:
• اگر دما پایین باشد → سرعت فن کم
• اگر دما متوسط باشد → سرعت فن متوسط
• اگر دما بالا باشد → سرعت فن زیاد
در این حالت نیازی نیست برای هر وضعیت یک مدل پیچیده یادگیری عمیق اجرا شود. این ویژگی برای سیستم‌هایی که وظیفه مشخصی دارند و داده‌های سنسوری ساده دریافت می‌کنند بسیار مهم است. پژوهش‌های جدید در حوزه Hardware-Enabled Fuzzy Inference نیز نشان می‌دهند که اجرای استنتاج فازی روی سخت‌افزارهای Embedded، IoT و TinyML به یکی از مسیرهای مورد توجه برای هوش مصنوعی کم‌مصرف تبدیل شده است. در این حوزه، چالش‌هایی مانند تأخیر، مصرف انرژی، مقیاس‌پذیری قوانین و طراحی سخت‌افزار همچنان موضوع تحقیق هستند.
تفاوت TinyML معمولی با TinyML مبتنی بر منطق فازی
در TinyML کلاسیک، معمولاً یک مدل یادگیری ماشین مانند یک شبکه عصبی کوچک آموزش داده می‌شود و سپس برای اجرای Inference روی میکروکنترلر بهینه می‌شود. TensorFlow Lite for Microcontrollers یکی از نمونه‌های شناخته‌شده این رویکرد است و امکان اجرای مدل‌های کوچک روی MCU را فراهم می‌کند. اما در سیستم فازی، الزاماً مرحله آموزش به معنای رایج یادگیری ماشین وجود ندارد. متخصص می‌تواند دانش خود را در قالب قوانین فازی وارد سیستم کند. البته می‌توان این دو رویکرد را نیز با یکدیگر ترکیب کرد؛ برای مثال یک مدل ML می‌تواند داده را پردازش کند و سیستم فازی وظیفه تصمیم‌گیری نهایی را بر عهده بگیرد.
| ویژگی | TinyML با شبکه عصبی | TinyML با منطق فازی |
|---|---|---|
| نیاز به آموزش | معمولاً مدل باید با داده‌های آموزشی آموزش داده شود و سپس نسخه بهینه‌شده آن روی میکروکنترلر اجرا شود. | لزوماً به آموزش نیاز ندارد و می‌توان قوانین و رفتار سیستم را مستقیماً توسط متخصص تعریف کرد. |
| نیاز به داده آموزشی | معمولاً به مجموعه‌ای از داده‌های مناسب برای آموزش و ارزیابی مدل نیاز دارد. | در سیستم‌های مبتنی بر قوانین، می‌توان با دانش متخصص و بدون مجموعه‌داده بزرگ سیستم را طراحی کرد. |
| تفسیرپذیری | تصمیم مدل‌های عصبی، به‌خصوص مدل‌های پیچیده‌تر، معمولاً به‌سادگی قابل توضیح نیست. | قوانین If-Then باعث می‌شوند منطق تصمیم‌گیری سیستم برای انسان قابل مشاهده و درک باشد. |
| پیچیدگی محاسباتی | به معماری و اندازه شبکه بستگی دارد؛ مدل‌های بزرگ‌تر به حافظه و پردازش بیشتری نیاز دارند. | در سیستم‌های فازی ساده، محاسبات نسبتاً سبک است و می‌تواند برای MCUهای محدود مناسب باشد. |
| کار با داده سنسورها | برای تشخیص الگوهایی مانند صدا، حرکت یا وضعیت تجهیزات بسیار مناسب است. | برای تبدیل داده‌های سنسورها به تصمیم‌های تدریجی مانند «کم»، «متوسط» و «زیاد» بسیار مناسب است. |
| تصمیم‌گیری با قوانین انسانی | قوانین انسانی معمولاً مستقیماً در ساختار شبکه عصبی نمایش داده نمی‌شوند. | می‌توان دانش متخصص را به شکل قوانین فازی مانند «اگر دما زیاد است، سرعت فن را افزایش بده» وارد کرد. |
| مصرف منابع | مصرف حافظه و پردازنده به اندازه و نوع مدل بستگی دارد و با Quantization قابل کاهش است. | در پیاده‌سازی‌های ساده معمولاً منابع کمتری مصرف می‌کند، زیرا به شبکه عصبی بزرگ نیاز ندارد. |
| قابلیت ترکیب با ML | خودِ مدل یک روش یادگیری ماشین است و می‌تواند با روش‌های دیگر ترکیب شود. | می‌توان آن را با شبکه عصبی و یادگیری ماشین ترکیب کرد و سیستم‌های Neuro-Fuzzy ساخت. |
| کاربردهای مناسب | تشخیص صدا، تشخیص حرکت، طبقه‌بندی داده‌های سنسوری و شناسایی الگوهای پیچیده. | کنترل موتور، دما، رطوبت، آبیاری، سرعت فن و سایر سیستم‌های تصمیم‌گیری و کنترلی. |
منطق فازی چگونه روی یک میکروکنترلر اجرا می‌شود؟
فرآیند اجرای یک سیستم فازی روی MCU را می‌توان به چند مرحله تقسیم کرد. ابتدا داده از سنسور دریافت می‌شود. سپس مقدار ورودی وارد Fuzzification می‌شود تا مشخص شود این مقدار با مجموعه‌هایی مانند کم، متوسط یا زیاد چه میزان عضویت دارد. در مرحله بعد، موتور استنتاج قوانین فازی را اجرا می‌کند. برای مثال اگر «دما زیاد» و «رطوبت زیاد» باشد، ممکن است سیستم تصمیم بگیرد سرعت فن افزایش پیدا کند. در نهایت نتیجه فازی به یک مقدار قابل استفاده برای دستگاه تبدیل می‌شود که این مرحله Defuzzification نام دارد. خروجی می‌تواند مستقیماً به یک موتور، فن، LED، شیر آب، سیستم گرمایشی یا هر عملگر دیگری ارسال شود.
ترکیب منطق فازی و شبکه عصبی؛ یک مدل قدرتمندتر
یکی از جذاب‌ترین مسیرها، ترکیب Fuzzy Logic و Machine Learning است. در چنین معماری‌ای، شبکه عصبی می‌تواند الگوها را از داده‌ها یاد بگیرد و منطق فازی وظیفه تصمیم‌گیری قابل‌تفسیر را بر عهده داشته باشد. این ایده با خانواده روش‌های Neuro-Fuzzy ارتباط دارد. در یک سیستم Neuro-Fuzzy، بخشی از ساختار فازی می‌تواند از داده‌ها پارامترهای مناسب را یاد بگیرد. در نتیجه، سیستم هم از قابلیت یادگیری ماشین بهره می‌برد و هم بخشی از قابلیت تفسیرپذیری منطق فازی را حفظ می‌کند. برای TinyML این ترکیب زمانی جذاب است که مدل نهایی به اندازه کافی کوچک باشد. البته هرچه معماری پیچیده‌تر شود، مدیریت حافظه، زمان پردازش و مصرف انرژی نیز اهمیت بیشتری پیدا می‌کند؛ محدودیت‌هایی که در تمام سیستم‌های AI روی میکروکنترلر وجود دارند.
کاربردهای منطق فازی در TinyML
ترکیب منطق فازی و TinyML می‌تواند در بسیاری از سیستم‌های Edge استفاده شود. یکی از مهم‌ترین حوزه‌ها، خانه هوشمند است؛ جایی که می‌توان با استفاده از دما، رطوبت، نور و حضور افراد، سیستم‌های سرمایش، گرمایش و روشنایی را کنترل کرد. در کشاورزی هوشمند نیز سنسورهای رطوبت خاک، دما و شرایط محیطی می‌توانند ورودی یک سیستم فازی باشند تا میزان آبیاری را تعیین کنند. در رباتیک، کنترل سرعت موتور و حرکت ربات یکی دیگر از کاربردهای طبیعی Fuzzy Logic است. در حوزه صنعتی نیز می‌توان از این فناوری برای پایش وضعیت تجهیزات، کنترل موتور، مدیریت مصرف انرژی و تشخیص برخی شرایط غیرعادی استفاده کرد. اجرای تصمیم‌گیری مستقیماً روی دستگاه باعث می‌شود سیستم حتی در صورت قطع اتصال شبکه نیز بتواند به عملکرد خود ادامه دهد.
آیا هر مدل هوش مصنوعی را می‌توان روی میکروکنترلر اجرا کرد؟
خیر. این یکی از مهم‌ترین نکات درباره TinyML است. نمی‌توان انتظار داشت یک مدل بزرگ هوش مصنوعی که روی GPU اجرا می‌شود بدون تغییر روی یک میکروکنترلر قرار بگیرد. محدودیت حافظه، سرعت پردازنده، فضای ذخیره‌سازی و مصرف انرژی باعث می‌شود مدل باید برای سخت‌افزار هدف طراحی یا بهینه شود. TensorFlow نیز تأکید می‌کند که TensorFlow Lite for Microcontrollers تنها زیرمجموعه‌ای از عملیات را پشتیبانی می‌کند و مدل باید از نظر اندازه و عملیات مورد استفاده با دستگاه سازگار باشد. به همین دلیل تکنیک‌هایی مانند Quantization، کاهش اندازه مدل، معماری‌های سبک، بهینه‌سازی عملیات و Hardware Acceleration در TinyML اهمیت زیادی دارند.
آینده منطق فازی در TinyML و Edge AI
با گسترش Edge AI، نیاز به سیستم‌هایی که بتوانند بدون Cloud و با مصرف انرژی پایین تصمیم‌گیری کنند بیشتر خواهد شد. منطق فازی در این میان یک مزیت مهم دارد: می‌تواند دانش انسانی و قواعد تصمیم‌گیری را مستقیماً در یک سیستم کوچک پیاده‌سازی کند. از سوی دیگر، تحقیقات جدید در حوزه سخت‌افزار فازی به سمت FPGA، ASIC، میکروکنترلرهای کم‌مصرف و معماری‌های جدید محاسباتی حرکت می‌کنند. با این حال، هنوز مسائلی مانند استاندارد نبودن Benchmarkها، افزایش تعداد قوانین، طراحی خودکار سیستم فازی و پشتیبانی بهتر از یادگیری آنلاین حل‌نشده باقی مانده‌اند. در آینده احتمالاً شاهد سیستم‌هایی خواهیم بود که TinyML، منطق فازی و Edge AI را در یک معماری واحد ترکیب می‌کنند؛ سیستم‌هایی که نه‌تنها می‌توانند داده را روی خود دستگاه تحلیل کنند، بلکه قادرند با مصرف انرژی بسیار پایین و بدون وابستگی دائمی به Cloud تصمیم‌گیری کنند.
نتیجه گیری:
آیا می‌توان هوش مصنوعی را روی میکروکنترلر اجرا کرد؟ بله. امروزه فناوری‌هایی مانند TinyML امکان اجرای مدل‌های یادگیری ماشین کوچک را روی MCUها فراهم کرده‌اند. اما منطق فازی مسیر متفاوتی ارائه می‌دهد: به جای تکیه کامل بر مدل‌های بزرگ، می‌توان دانش و قواعد تصمیم‌گیری را در قالب یک سیستم سبک و قابل‌تفسیر پیاده‌سازی کرد. به همین دلیل، منطق فازی در TinyML به‌خصوص برای سیستم‌های کنترل، سنسورها، IoT، رباتیک، کشاورزی هوشمند و تجهیزات صنعتی می‌تواند بسیار کاربردی باشد. ترکیب آن با شبکه‌های عصبی و سایر روش‌های یادگیری ماشین نیز می‌تواند نسل جدیدی از سیستم‌های هوشمند کم‌مصرف را شکل دهد؛ سیستم‌هایی که بخشی از هوش خود را مستقیماً روی کوچک‌ترین دستگاه‌های متصل به دنیای واقعی اجرا می‌کنند.
منبع مقاله:
پاسخ :