⚡ electrical engineering

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

Cet article présente une approche unifiée pour les dispositifs à énergie nulle (ZED) qui combine un modèle TinyML à sorties multiples et des circuits de régulation énergétique afin de réduire la consommation d'énergie de 29,6 % tout en maintenant une précision de détection élevée.

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

Publié 2026-03-10

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌞 Le Petit Robot qui vit de la lumière (et qui est très malin)

Imaginez que vous avez un petit robot, un peu comme un détective miniature, qui doit surveiller une pièce pour voir si quelqu'un y entre. Le problème ? Ce robot n'a pas de batterie. Il ne peut pas être branché sur une prise. Il doit vivre uniquement de la lumière ambiante (comme une plante qui fait de la photosynthèse, mais pour l'électricité).

C'est ce qu'on appelle un dispositif "Zéro Énergie".

Le défi est énorme :

Il a très peu d'énergie (comme un compte en banque très vide).
Il a une petite mémoire (comme un cerveau qui ne peut pas retenir beaucoup de livres).
Il doit être très précis (il ne doit pas confondre un chat avec une personne).

Habituellement, pour faire ce travail, le robot devrait prendre une photo, l'envoyer au "Cloud" (un super-ordinateur lointain) pour qu'il l'analyse, puis recevoir la réponse. Mais envoyer des photos consomme énormément d'énergie, ce qui épuiserait le robot en une seconde.

La solution proposée par les chercheurs ? Faire le travail directement sur le robot, mais avec une astuce de génie : le modèle "Multi-Sortie".

🏃‍♂️ L'Analogie du Supermarché : "Le Chemin Rapide vs. Le Chemin Complet"

Imaginez que le robot doit analyser des milliers de photos.

L'ancienne méthode (Modèle à sortie unique) : C'est comme si vous deviez aller au fond du supermarché pour acheter une banane, même si vous voyez la banane juste à l'entrée. Vous marchez tout le long, vous dépensez beaucoup d'énergie, et vous revenez. C'est lent et coûteux en énergie.
La nouvelle méthode (Modèle Multi-Sortie) : C'est comme avoir plusieurs caisses dans le supermarché.
- Si vous avez juste une banane (un cas "facile"), le robot s'arrête à la caisse rapide (la première sortie). Il dit : "Ah, c'est une personne !" et il s'arrête. Économie d'énergie !
- Si l'image est floue ou bizarre (un cas "difficile"), le robot continue jusqu'à la caisse principale (la sortie finale) pour bien vérifier. Il dépense plus d'énergie, mais seulement si c'est nécessaire.

C'est exactement ce que fait ce papier : le robot a un "cerveau" (un modèle d'intelligence artificielle) qui a plusieurs portes de sortie. Il décide en temps réel : "Est-ce que je suis sûr à 100 % ? Si oui, je m'arrête ici. Si non, je continue."

⚡ Le Gestionnaire de Batterie Intelligente

Mais il y a un autre problème : la lumière n'est pas constante. Parfois, c'est le soleil, parfois c'est un nuage. Le robot risque de s'éteindre en plein milieu d'une tâche (comme un téléphone qui s'éteint quand la batterie est vide).

Les chercheurs ont ajouté deux choses magiques :

Le Gardien de l'Énergie (Circuit de contrôle) :
Imaginez un gardien vigilant qui regarde le niveau de la "batterie" (un condensateur qui stocke la lumière). Avant de lancer une tâche, il vérifie : "Est-ce qu'il y a assez de jus pour finir le travail ?".
- Si oui : Il lance la tâche.
- Si non : Il attend patiemment que la lumière revienne.
- De plus, ils ont conçu un interrupteur spécial (un transistor MOSFET) qui coupe complètement l'alimentation de la caméra quand elle ne sert pas. C'est comme éteindre la lumière d'une pièce vide pour économiser l'électricité. Cela économise 34 % d'énergie par rapport aux anciennes méthodes !
La Stratégie de "Confiance" :
Le robot ne se contente pas de regarder l'énergie. Il regarde aussi sa propre confiance.
- "Je vois une personne très clairement ?" -> Je m'arrête tout de suite (économie d'énergie).
- "Je ne suis pas sûr ?" -> Je vérifie l'énergie restante. S'il y en a assez, je continue l'analyse profonde. Sinon, je fais une estimation rapide pour ne pas m'éteindre.

🏆 Les Résultats : Plus intelligent, plus économe

En testant ce système sur un vrai prototype (un petit tableau avec une caméra et des circuits), les chercheurs ont découvert des choses incroyables :

Économie d'énergie : Grâce à cette méthode "Multi-Sortie" et aux circuits intelligents, le robot consomme environ 30 % d'énergie en moins que les systèmes précédents.
Plus de tâches accomplies : Avec la même quantité de lumière, le robot peut analyser beaucoup plus de photos avant de s'épuiser.
Précision maintenue : Même en économisant de l'énergie, il ne rate pas les personnes importantes. Il est juste plus "sobre" quand la tâche est facile.

En résumé

Ce papier décrit la création d'un petit détective solaire qui est devenu un expert en gestion de ses ressources. Au lieu de toujours travailler à fond (ce qui le tuerait), il apprend à s'adapter :

Il travaille vite et léger quand c'est facile.
Il travaille dur quand c'est difficile.
Il coupe tout quand il n'a pas assez de lumière.

C'est une étape géante pour créer des milliers de capteurs intelligents qui peuvent vivre éternellement dans nos maisons ou nos villes, sans jamais avoir besoin d'être changés ou rechargés, simplement en profitant de la lumière qui nous entoure. 🌟🤖

1. Problématique et Contexte

L'article aborde le défi majeur de déployer l'intelligence artificielle (IA) directement sur des dispositifs à énergie nulle (Zero-Energy Devices - ZED). Ces appareils fonctionnent sans batterie, en récoltant l'énergie ambiante (ici, la lumière solaire), ce qui impose des contraintes extrêmes :

Énergie intermittente et faible : L'énergie disponible fluctue, risquant de provoquer des arrêts inopinés (brownouts) et de perdre l'état du système.
Contraintes de mémoire : Les microcontrôleurs (MCU) embarqués ont une mémoire très limitée (quelques kilo-octets).
Compromis Performance/Énergie : Les modèles d'apprentissage machine classiques exécutent un nombre fixe de calculs pour chaque entrée, gaspillant ainsi de l'énergie sur des cas « faciles » où une prédiction simple suffirait.

L'objectif est de concevoir un système capable de réaliser une détection de personnes (classification binaire) avec une haute précision tout en minimisant la consommation d'énergie et en garantissant la survie du dispositif face aux pénuries d'énergie.

2. Méthodologie

Les auteurs proposent une approche unifiée combinant une architecture de modèle adaptatif et une gestion matérielle/logicielle de l'énergie.

A. Architecture du Modèle : TinyML Multi-Sortie (Multi-Exit)

Au lieu d'utiliser un modèle unique avec une seule sortie finale, l'approche repose sur un réseau de neurones Multi-Exit (inspiré de l'architecture BranchyNet) :

Structure : Un modèle de base (MobileNet V1) avec deux points de sortie (EX1 et EX2). EX1 est une sortie précoce (peu coûteuse en calcul), tandis que EX2 est la sortie finale (plus profonde, plus précise).
Adaptabilité : Le système évalue la difficulté de l'entrée. Si la confiance de la prédiction à EX1 est élevée, l'inférence s'arrête là, économisant de l'énergie. Si la confiance est faible (cas ambigus), le système poursuit le calcul jusqu'à EX2 pour garantir la précision.
Optimisation : Pour tenir dans la mémoire restreinte du MCU, le modèle subit une élagage (pruning) structuré suivi d'une quantification (passage de 32 bits à 8 bits) via TensorFlow Lite.

B. Politique d'Exécution Énergétiquement Consciente

Le système intègre une logique de décision dynamique basée sur deux facteurs : la confiance du modèle et l'énergie disponible.

Seuils de confiance ( $\gamma_1, \gamma_2$ ) : Une zone d'ambiguïté est définie. Si la sortie $O_1$ tombe dans cette zone, le système envisage de passer à EX2.
Vérification de sécurité énergétique : Avant d'escalader vers EX2 (plus coûteux), le système mesure à nouveau la tension du condensateur de stockage. Si l'énergie restante est insuffisante pour compléter EX2, il force une décision basée sur EX1 (stratégie de repli) pour éviter un arrêt du système (power failure).
Planification adaptative : Le dispositif ne lance pas l'inférence à un moment fixe, mais attend que la tension du condensateur atteigne un seuil suffisant pour garantir la complétion de la tâche, maximisant ainsi l'utilisation de l'énergie récoltée.

C. Conception Matérielle et Circuits Auxiliaires

Pour réduire la consommation des périphériques inactifs, les auteurs conçoivent un circuit de gating de puissance (power-gating) :

Commutateur MOSFET : Un MOSFET P est utilisé pour couper complètement l'alimentation du module caméra entre les prises de vue. Cela évite les courants de fuite et les surcharges sur les broches GPIO du MCU.
Surveillance de l'énergie : Deux stratégies sont comparées pour mesurer la tension du condensateur : une basée sur des comparateurs matériels et une autre utilisant le convertisseur analogique-numérique (ADC) du MCU avec un diviseur de tension commuté pour minimiser les fuites.

3. Contributions Clés

Première approche TinyML Multi-Exit pour ZED : Introduction et benchmark d'un modèle multi-sortie spécifiquement conçu pour les dispositifs à énergie nulle, surpassant les modèles à sortie unique en termes d'efficacité énergétique.
Déploiement sur MCU contraint : Réussite de l'entraînement, du pruning, de la quantification et du déploiement d'un modèle de détection de personnes sur une plateforme Arduino Nano 33 BLE Sense (nRF52840) avec une mémoire très limitée.
Circuits de gestion de l'énergie optimisés : Conception d'un circuit de coupure de puissance basé sur MOSFET qui réduit la consommation du module caméra de 34 % par rapport aux solutions à commutateur de charge (load switch) existantes.
Politique de décision hybride : Développement d'une politique de runtime qui combine la confiance du modèle et la vérification énergétique en temps réel pour éviter les pannes tout en maximisant le nombre de tâches accomplies.

4. Résultats Expérimentaux

Les tests ont été réalisés sur un prototype alimenté par une cellule solaire artificielle avec un condensateur de stockage (1,5 F).

Réduction de la consommation d'énergie : Par rapport à une approche TinyML à sortie unique (état de l'art), la méthode proposée réduit la consommation d'énergie d'environ 29,6 % tout en maintenant une précision de détection acceptable.
Efficacité des tâches accomplies : Le système propose un nombre significativement plus élevé de pipelines complétés (inférences réussies) avant l'épuisement de l'énergie, en particulier avec des condensateurs de plus faible capacité.
Impact du circuit de gating : L'utilisation du MOSFET pour couper l'alimentation de la caméra a permis de réduire la consommation lors des phases de capture et de prétraitement de 34 % par rapport aux méthodes précédentes.
Flexibilité des seuils : L'ajustement des seuils de confiance ( $\gamma_1, \gamma_2$ ) permet de trouver un compromis optimal entre l'économie d'énergie (en arrêtant tôt) et la précision (en utilisant la sortie profonde pour les cas ambigus).

5. Signification et Conclusion

Ce travail démontre la faisabilité pratique de l'exécution d'intelligence artificielle complexe sur des dispositifs totalement autonomes et sans batterie. En résolvant le compromis triangle entre précision, mémoire et énergie, l'approche proposée ouvre la voie à des applications durables dans des environnements éloignés ou difficiles d'accès (surveillance d'infrastructures, capteurs environnementaux, IoT).

L'innovation principale réside dans la synergie entre l'architecture logicielle (modèle adaptatif) et le matériel (circuits de gestion d'énergie), permettant aux ZED de s'adapter dynamiquement à la disponibilité de l'énergie ambiante sans compromettre leur fonctionnalité ni leur fiabilité.