تتزايد أهمية أنظمة إدارة البطاريات في ضمان دقة التوقعات للصحة العامة للبطاريات، خاصة في ظل القيود الصارمة للأجهزة. وقد أظهرت دراسة جديدة كيفية تحول النماذج الكبيرة الى نماذج صغيرة قابلة للتطبيق على الأجهزة المحمولة من خلال إطار عمل مبتكر يسمى DLNet.

تقوم تقنية DLNet بتطبيق مفهوم التقطير الثنائي (Dual-Stage Distillation) لنماذج الشبكات العصبية السائلة، مما يحول النموذج عالي السعة إلى نماذج مدمجة وقابلة للنشر على الأطراف. حيث بدأ DLNet بتطبيق تفكيك أويلر (Euler Discretization) لإعادة صياغة الديناميكيات السائلة لتكون متوافقة مع الأجهزة المدمجة، ثم يتبع ذلك عملية تقطير معرفي مزدوج لنقل السلوك الزمني للنموذج المدرس واستعادته بعد مزيد من الضغط.

تتضمن عملية اختيار باريدو الموجهة (Pareto-guided selection) اتخاذ قرارات مدروسة تحت أهداف مشتركة للخطأ والتكلفة، حيث تتم المحافظة على نماذج الطلاب التي توازن بين الدقة والكفاءة. قامت الدراسة بتقييم DLNet على مجموعة بيانات مستخدمة بشكل واسع، وأثبتت إمكانية تطبيقه فعليًا على جهاز Arduino Nano 33 BLE Sense، حيث حقق نموذج الطالب النهائي خطأ منخفضًا قدره 0.0066 عند توقع صحة البطارية عبر 100 دورة، وهو ما يقل بنسبة 15.4% عن النموذج المدرس.

كما قامت DLNet بتقليص حجم النموذج من 616 كيلوبايت إلى 94 كيلوبايت، مما يُظهر تقليصًا بنسبة 84.7%، مع زمن استجابة قدره 21 مللي ثانية لكل عملية استدلال.

تشير النتائج إلى رؤية مثيرة حول أهمية النماذج الأصغر، حيث يمكن لنموذج صغير أن يضاهي أو يتفوق على نموذج كبير عند تطبيق إشراف واختيار مناسب. ويتجاوز تطبيق DLNet مجال البطاريات، حيث يمكن استخدامه في مختلف مهام التحليلات الصناعية التي تواجه قيودًا صارمة على الأجهزة.