⚡ electrical engineering

Energy-Aware Multi-Exit TinyML for Smart Zero-Energy Devices

Este artículo presenta un marco unificado para dispositivos inteligentes de energía cero que utiliza modelos TinyML con múltiples salidas adaptativas y circuitos de regulación energética para reducir el consumo de energía en un 29,6% sin sacrificar la precisión en la detección de personas.

Autores originales: Shahab Jahanbazi, Mateen Ashraf, Lieven De Strycker, Jeroen Famaey, Onel L. A. Lopez

Publicado 2026-03-10

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Shahab Jahanbazi, Mateen Ashraf, Lieven De Strycker, Jeroen Famaey, Onel L. A. Lopez

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Hola! Imagina que tienes un pequeño robot o una cámara inteligente que vive en un lugar remoto, como un bosque o un edificio antiguo. Este robot no tiene baterías que puedas cambiar ni cables que lo conecten a la toma de corriente. En su lugar, se alimenta de la luz del sol (o de la luz de una lámpara) para funcionar.

El problema es que la luz no siempre está igual: a veces es brillante, a veces es tenue, y a veces hay nubes. Si el robot intenta hacer un trabajo muy pesado cuando tiene poca energía, se "apaga" a mitad de camino y pierde todo su progreso.

Este artículo presenta una solución genial para estos dispositivos "sin energía" (llamados ZEDs en la ciencia). Aquí te explico cómo funciona, usando analogías sencillas:

1. El Robot con "Salidas de Emergencia" (El Modelo Multi-Exit)

Imagina que tu robot tiene que responder a una pregunta: "¿Hay una persona en esta foto?".

El método antiguo (Modelo de una sola salida): El robot siempre hace el mismo cálculo gigante, sin importar si la foto es fácil o difícil. Es como si, para saber si hay alguien en una foto, siempre decidieras llamar a un experto mundial en fotografía, aunque la foto sea obvia (como una persona sentada en una silla frente a una pared blanca). Esto gasta mucha energía y batería.
El método nuevo (Modelo Multi-Exit): El robot tiene dos niveles de respuesta:
1. La "Salida Rápida" (Early Exit): Si la foto es muy fácil de entender (ej. una persona clara), el robot dice: "¡Ah, ya veo quién es!" y se detiene ahí. Gasta muy poca energía.
2. La "Salida Profunda" (Deep Exit): Si la foto es confusa (ej. alguien escondido en la sombra), el robot dice: "Hmm, no estoy seguro... mejor voy a pensar más a fondo". Entonces usa más energía para analizar la imagen con más detalle y dar una respuesta precisa.

La analogía: Es como si fueras a un restaurante. Si pides un plato sencillo (una ensalada), el camarero te lo trae rápido y barato. Si pides un plato complicado (un banquete), el chef se toma su tiempo y usa más recursos. El robot hace lo mismo: gasta energía solo cuando es necesario.

2. El "Guardián de la Batería" (Circuitos de Conciencia Energética)

El robot tiene un pequeño tanque de energía (un capacitor, que es como una batería de carga rápida).

El problema: A veces el robot quiere empezar a trabajar, pero el tanque está casi vacío. Si empieza y se queda sin energía a la mitad, se apaga y pierde la foto.
La solución: El robot tiene un "guardián" (un circuito especial) que revisa el nivel de energía antes de empezar.
- Si el tanque está lleno, el robot trabaja.
- Si está medio lleno, el robot solo hace el trabajo "rápido" (la salida fácil).
- Si está casi vacío, el robot espera a que la luz solar recargue un poco el tanque antes de intentar nada.

Además, el robot tiene un truco de ahorro: apaga completamente la cámara cuando no la está usando. Es como si cerraras la persiana de tu casa cuando no hay nadie en la habitación para que no entre calor (o en este caso, para que no gaste electricidad). Los autores diseñaron un interruptor inteligente (basado en un componente llamado MOSFET) que hace esto mucho mejor que los métodos anteriores, ahorrando hasta un 34% de energía solo en encender y apagar la cámara.

3. El Resultado: Más trabajo, menos energía

Gracias a esta combinación de "pensar rápido cuando es fácil" y "apagar cosas que no se usan", el robot logra:

Gastar un 29.6% menos de energía que los robots anteriores.
Hacer más tareas (tomar más fotos y analizarlas) antes de que se le acabe la energía.
Mantenerse preciso: No pierde la capacidad de detectar personas, solo lo hace de forma más inteligente.

En resumen

Imagina que tienes un coche eléctrico que solo se mueve con la energía del sol.

Los coches viejos siempre conducían a máxima velocidad, gastando toda la batería, incluso en un camino llano.
Este nuevo coche inteligente (el de la investigación) sabe cuándo ir despacio (para ahorrar energía) y cuándo acelerar (cuando el camino es difícil). Además, tiene un sistema que cierra las puertas y ventanas si no hay sol para no desperdiciar la poca energía que tiene.

Conclusión: Los autores han creado un "cerebro" para dispositivos pequeños que vive de la luz ambiental, permitiéndoles ser más listos, durar más tiempo sin baterías y hacer su trabajo (detectar personas) sin quedarse sin energía en el camino. ¡Es un gran paso para tener sensores inteligentes en cualquier lugar del mundo sin necesidad de cables ni pilas!

Título: TinyML Multi-Salida Consciente de la Energía para Dispositivos Inteligentes de Energía Cero

1. Problema

El artículo aborda los desafíos críticos de implementar inteligencia artificial en Dispositivos de Energía Cero (ZED, por sus siglas en inglés), que operan exclusivamente mediante recolección de energía ambiental (como la solar) sin baterías. Estos dispositivos enfrentan una triple restricción severa:

Recursos limitados: Memoria y capacidad de procesamiento extremadamente reducidas en microcontroladores (MCU).
Energía intermitente: La energía recolectada es variable, lo que provoca apagones ("brownouts") y pérdida de estado si no se gestiona adecuadamente.
Compromiso precisión-energía: Ejecutar modelos de aprendizaje profundo (Deep Learning) completos para cada entrada consume demasiada energía, incluso para casos "fáciles", reduciendo drásticamente el número de tareas completadas antes de que se agote la energía almacenada.

La solución existente (modelos de un solo punto de salida o inferencia en la nube) presenta desventajas: los modelos únicos consumen energía constante independientemente de la dificultad de la entrada, y la inferencia en la nube requiere transmisión de datos que consume más energía que el procesamiento local en ZEDs.

2. Metodología

Los autores proponen un enfoque unificado que combina hardware y software para optimizar el rendimiento bajo restricciones energéticas:

Arquitectura de Modelo Multi-Salida (Multi-Exit):
- Se implementa un modelo TinyML basado en MobileNet V1 con una arquitectura de tipo BranchyNet.
- El modelo tiene un "esqueleto" (backbone) compartido y dos puntos de salida (exits): una salida temprana (EX1) para casos fáciles y una salida profunda (EX2) para casos difíciles.
- Entrenamiento: Se utiliza una función de pérdida ponderada que entrena simultáneamente ambas salidas, optimizando el equilibrio entre la precisión y la eficiencia.
- Compresión: Para ajustarse a la memoria limitada del MCU, el modelo se somete a poda (pruning) estructurada seguida de cuantización (de 32-bit a 8-bit), reduciendo significativamente el tamaño del archivo del modelo sin sacrificar drásticamente la precisión.
Política de Ejecución Consciente de la Energía:
- Se introduce una política de decisión en tiempo real que evalúa la confianza de la predicción en la primera salida (EX1) y la energía disponible en el capacitor de almacenamiento.
- Lógica de decisión:
  1. Si la confianza en EX1 es alta (fuera de una banda de ambigüedad definida por umbrales $\gamma_1$ y $\gamma_2$ ), se detiene la inferencia y se usa el resultado, ahorrando energía.
  2. Si la confianza es baja (dentro de la banda de ambigüedad), el sistema verifica si hay suficiente energía restante para ejecutar la segunda salida (EX2).
  3. Si hay energía suficiente, se ejecuta EX2 para mayor precisión; si no, se fuerza una decisión basada en EX1 para evitar un fallo de energía.
- Esta estrategia garantiza que el dispositivo nunca consuma más energía de la disponible, previniendo apagones.
Diseño de Hardware y Circuitos Auxiliares:
- Se utiliza un MCU Arduino Nano 33 BLE Sense (nRF52840) y un módulo de cámara OV7675.
- Gestión de Energía: Se emplea un PMU (AEM10941) para regular la energía solar y cargar un supercapacitor.
- Apagado de Potencia (Power-Gating): Se diseña un circuito auxiliar basado en MOSFETs para desconectar completamente la cámara cuando no está en uso. Esto es crucial porque el consumo de la cámara en espera es alto y excede los límites de corriente de los pines GPIO del MCU si se controla directamente.

3. Contribuciones Clave

Primera implementación de TinyML Multi-Salida en ZEDs: Presentan el primer enfoque que combina modelos multi-salida con gestión de energía en dispositivos sin batería, superando a los modelos de un solo punto de salida.
Optimización Conjunta: Abordan simultáneamente la precisión, el uso de memoria y el consumo energético, demostrando que se puede lograr una alta precisión con un solo modelo en memoria (evitando la necesidad de almacenar múltiples modelos como en enfoques anteriores).
Circuito de Control Eficiente: Desarrollan un circuito de apagado de potencia basado en MOSFET que reduce el consumo en la etapa de captura de imagen en comparación con los interruptores de carga (load switches) tradicionales.
Política de Seguridad Energética: Introducen un mecanismo de doble medición de energía que permite al sistema tomar decisiones adaptativas (escalar a EX2) solo cuando es físicamente seguro hacerlo, garantizando la continuidad operativa.

4. Resultados

Los experimentos se realizaron en un prototipo real bajo condiciones de iluminación controlada y recolección de energía solar simulada:

Reducción de Energía: La propuesta logra una reducción del consumo de energía del 29.6% en comparación con un enfoque de TinyML de un solo punto de salida consciente de la energía (estado del arte).
Eficiencia de Hardware: El uso del circuito de apagado basado en MOSFET redujo el consumo de energía en las etapas de captura y preprocesamiento en un 34% en comparación con métodos anteriores que usaban interruptores de carga.
Rendimiento Operativo: Bajo las mismas condiciones de recolección de energía, el sistema propuesto completó un mayor número de pipelines (tareas) antes de agotar la energía almacenada en comparación con los métodos de referencia.
Precisión: Se mantuvo una precisión de detección de personas competitiva, demostrando que la reducción de energía no compromete significativamente la fiabilidad del sistema, especialmente al ajustar los umbrales de confianza ( $\gamma_1, \gamma_2$ ).

5. Significado

Este trabajo es fundamental para el avance de la computación en el borde (Edge Computing) sostenible. Demuestra que es posible ejecutar inteligencia artificial compleja (como la detección de personas) en dispositivos que no requieren baterías ni mantenimiento, operando de forma autónoma durante años.

Viabilidad Comercial: La solución hace viable el despliegue masivo de sensores inteligentes en ubicaciones remotas o de difícil acceso (infraestructura civil, monitoreo ambiental).
Paradigma de Diseño: Establece un nuevo estándar para el diseño de sistemas embebidos, donde la eficiencia energética no es solo una cuestión de hardware, sino una propiedad intrínseca del algoritmo de aprendizaje automático (mediante la salida adaptativa).
Escalabilidad: Al reducir la dependencia de la nube y optimizar el uso de recursos locales, se facilita la creación de redes de sensores más grandes y autónomas, alineándose con los objetivos de las futuras redes 6G y el Internet de las Cosas (IoT) sostenible.