⚡ electrical engineering

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

Este artigo apresenta uma abordagem unificada para dispositivos de energia zero que utiliza um modelo TinyML com múltiplas saídas e circuitos auxiliares de gestão energética para reduzir o consumo de energia em cerca de 29,6% sem comprometer a precisão na detecção de pessoas.

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

Publicado 2026-03-10

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem um pequeno robô inteligente que vive em um lugar onde não há tomadas, nem baterias para trocar. Ele só funciona com a energia que consegue "pescar" do ambiente, como a luz do sol ou de lâmpadas. Esse é o conceito de um Dispositivo de Energia Zero (ZED).

O problema é que a luz do sol não é constante: às vezes ela é forte, às vezes fraca, e às vezes some. Se o robô tentar fazer uma tarefa complexa (como "ver" se há uma pessoa na foto) quando a energia está baixa, ele pode desligar no meio da tarefa, como um celular que apaga quando a bateria acaba.

Este artigo apresenta uma solução inteligente para esse problema, combinando três ideias principais:

1. O "Detetive com Duas Opções" (Modelo Multi-Saída)

Normalmente, quando um computador tenta identificar algo em uma foto, ele usa todo o seu cérebro, gastando muita energia, não importa se a foto é fácil ou difícil.

Os autores criaram um modelo de inteligência artificial que funciona como um detetive com dois níveis de investigação:

Nível Rápido (Saída 1): Se a foto for muito óbvia (ex: "é claramente uma pessoa" ou "é claramente uma cadeira"), o detetive dá o veredito imediatamente, gastando pouquíssima energia.
Nível Profundo (Saída 2): Se a foto for confusa (ex: uma pessoa escondida nas sombras), o detetive decide: "Hmm, não tenho certeza. Vou gastar mais energia e pensar mais a fundo para ter certeza".

Isso é como ir ao mercado: se você só precisa de um pão, você pega o pão e vai embora (gasta pouco tempo e energia). Se você precisa comprar um jantar completo, você gasta mais tempo escolhendo. O sistema só gasta a energia extra quando é realmente necessário.

2. O "Gerente de Bolso" (Circuitos de Energia)

Para garantir que o robô nunca desligue no meio da tarefa, eles criaram um pequeno circuito elétrico que age como um gerente de finanças.

Antes de começar a "pensar", o gerente olha o saldo da bateria (o capacitor).
Se o saldo for suficiente apenas para o "Nível Rápido", ele deixa o robô fazer só isso.
Se o saldo for suficiente para o "Nível Profundo", ele libera.
Se o saldo estiver perigoso, ele diz: "Não vamos tentar agora, vamos esperar a luz do sol carregar mais um pouco".

Além disso, eles criaram um interruptor especial (usando um componente chamado MOSFET) que desliga completamente a câmera quando ela não está sendo usada. É como desligar a luz de um cômodo quando ninguém está lá, em vez de deixá-la em "modo de espera" gastando energia à toa. Isso economizou cerca de 34% de energia apenas nessa parte.

3. O Resultado: Mais Inteligência, Menos Energia

Ao testar esse sistema em um protótipo real (um pequeno dispositivo com câmera e processador), os pesquisadores descobriram que:

O dispositivo consegue realizar cerca de 30% mais tarefas (detectar mais pessoas) com a mesma quantidade de energia solar disponível, comparado aos métodos antigos.
A precisão continua alta, porque as fotos difíceis ainda recebem a atenção total de que precisam.
O sistema é tão eficiente que consegue operar por longos períodos apenas com a luz ambiente, sem nunca precisar de uma bateria tradicional.

Em resumo:
Imagine que você tem uma lanterna com bateria fraca. Em vez de deixá-la acesa o tempo todo gastando a bateria, você a apaga quando não precisa e só a acende forte quando precisa ver algo no escuro. Se a coisa for fácil de ver, você usa a luz fraca; se for difícil, você usa a luz forte, mas só se tiver bateria suficiente.

É exatamente isso que os autores fizeram com a inteligência artificial: criaram um sistema que adapta sua "inteligência" à quantidade de energia disponível, permitindo que dispositivos pequenos e autônomos funcionem para sempre, apenas com a energia que a natureza oferece.

1. O Problema

O artigo aborda os desafios críticos enfrentados por Dispositivos de Energia Zero (ZEDs - Zero-Energy Devices) inteligentes. Estes dispositivos operam sem baterias, dependendo exclusivamente da colheita de energia ambiental (como luz solar), o que resulta em suprimento de energia intermitente, variável e de baixa magnitude.

Os principais obstáculos identificados são:

Restrições Severas: Limitações simultâneas de memória, energia disponível e necessidade de manter a precisão da inferência.
Ineficiência de Modelos Tradicionais: Modelos de Aprendizado de Máquina (ML) convencionais executam um número fixo de camadas para todas as entradas, desperdiçando energia em casos "fáceis" (que poderiam ser resolvidos com menos computação) e arriscando falhas de energia em casos "difíceis" se a energia restante for insuficiente.
Trade-off Existente: Trabalhos anteriores muitas vezes focam em apenas uma métrica (energia ou precisão) ou exigem armazenar múltiplos modelos na memória do dispositivo, o que é inviável para microcontroladores com recursos limitados.

2. Metodologia

Os autores propõem uma abordagem unificada que combina arquitetura de modelo, políticas de execução e circuitos de suporte para gerenciar essas restrições.

A. Arquitetura de Modelo Multi-Saída (Multi-Exit)

Base: O modelo utiliza uma arquitetura baseada no MobileNet V1, adaptada com o conceito de BranchyNet.
Mecanismo: Em vez de uma única saída final, o modelo possui múltiplos pontos de saída (exits). O modelo foi projetado com dois pontos de saída principais:
- EX1 (Saída Precoce): Uma camada intermediária leve que processa casos "fáceis" com alta confiança.
- EX2 (Saída Final): A camada completa do modelo para casos "difíceis" onde a confiança na saída precoce é baixa.
Otimização: Para caber na memória restrita do microcontrolador, o modelo passou por poda (pruning) estruturada e quantização (redução de precisão numérica), resultando em um arquivo .tflite compacto.

B. Política de Execução Consciente de Energia (Energy-Aware)

O sistema não executa o modelo cegamente; ele toma decisões dinâmicas baseadas na energia disponível e na confiança da previsão:

Monitoramento de Energia: O dispositivo mede a tensão do capacitor de armazenamento antes e, se necessário, durante a inferência.
Regra de Decisão (Confidence-Gated):
- Se a energia disponível for suficiente apenas para a saída precoce (EX1), o sistema executa apenas até lá.
- Se a saída EX1 produzir uma classificação com alta confiança (fora de uma "banda de ambiguidade" definida por limiares $\gamma_1$ e $\gamma_2$ ), a inferência termina, economizando energia.
- Se a saída EX1 for ambígua (baixa confiança), o sistema verifica se há energia suficiente para escalar para a saída completa (EX2). Se houver energia, executa EX2; caso contrário, usa uma estratégia de fallback (fallback) baseada na saída EX1 para evitar falha de energia.
Agendamento Adaptativo: O dispositivo pode adiar o início da execução dentro de uma janela de tempo para esperar que a energia colhida atinja o nível necessário, maximizando a taxa de sucesso.

C. Circuitos de Suporte e Hardware

Gating de Energia (Power-Gating): Foi desenvolvido um circuito auxiliar usando um MOSFET P para desligar completamente o módulo da câmera quando não está em uso, evitando vazamento de corrente e reduzindo o consumo em standby.
Plataforma: O protótipo utiliza um microcontrolador Arduino Nano 33 BLE Sense (nRF52840), um módulo de colheita de energia solar (AM-5608) e uma unidade de gerenciamento de energia (PMU) AEM10941.

3. Principais Contribuições

Primeira Abordagem Multi-Exit para ZEDs: Introdução e validação de um modelo TinyML multi-saída especificamente projetado para dispositivos de energia zero, superando modelos de saída única sob as mesmas restrições.
Otimização de Memória e Energia: Demonstração de que é possível manter a precisão de detecção enquanto se reduz o consumo energético através da execução adaptativa, sem a necessidade de armazenar múltiplos modelos na memória.
Circuitos de Baixo Consumo: Desenvolvimento de um circuito de power-gating baseado em MOSFET que é mais eficiente energeticamente do que as soluções baseadas em load switches utilizadas em trabalhos anteriores.
Política de Execução Híbrida: Uma estratégia que equilibra a adaptação à dificuldade da entrada (confiança do modelo) com a disponibilidade de energia, garantindo que o dispositivo não falhe durante a execução.

4. Resultados Experimentais

Os testes foram realizados em um protótipo real sob condições de colheita de energia controladas:

Redução de Consumo de Energia: A abordagem proposta reduziu o consumo de energia em aproximadamente 29,6% em comparação com uma abordagem de estado da arte baseada em saída única e consciente de energia (referência [2]).
Eficiência do Circuito de Gating: O uso do MOSFET para desligar a câmera reduziu o consumo de energia nas etapas de captura e pré-processamento em cerca de 34% em comparação com o uso de load switches.
Precisão vs. Economia: Ajustando os limiares de confiança ( $\gamma_1, \gamma_2$ ), foi possível encontrar um ponto ideal onde a precisão total permaneceu alta (aprox. 0,79 a 0,81) com uma economia significativa de energia.
Robustez: O sistema conseguiu completar um número maior de pipelines de inferência antes de esgotar a energia, demonstrando maior resiliência em cenários de energia intermitente.

5. Significância

Este trabalho é significativo porque oferece uma solução prática para a viabilidade de Inteligência Artificial na Borda (Edge AI) em dispositivos totalmente autônomos e sem bateria. Ao resolver o dilema entre precisão, memória e energia simultaneamente, o artigo abre caminho para a implantação em larga escala de sensores inteligentes em locais remotos ou de difícil acesso (como monitoramento de infraestrutura civil, ambiental ou saúde), onde a manutenção de baterias é inviável. A metodologia demonstra que a inteligência pode ser adaptativa não apenas aos dados, mas também ao estado energético do hardware, garantindo operação contínua e eficiente.