准确率-效率悖论：量化设备端能源预测中的净能源损失

# 精度-效率悖论：量化设备端能量预测中的净能量损耗  
来源：https://arxiv.org/html/2608.26134  

###### 摘要  
能量预测旨在通过减少能量浪费来最大化精度以确保能源效率，这一目标同样适用于包括军事系统在内的关键任务边缘环境中的设备端预测。然而，本文揭示了“精度-效率悖论”：高精度能量预测模型反而可能引发净能量亏损。这源于边缘AI的推理能耗与电池老化问题。我们提出了基于总拥有成本框架的能量预测方案，旨在最小化净能量损耗。该框架不仅将推理能耗，还将电池老化统一视为能量损耗的一种形式，因为电池退化本质上是系统未来能量承载能力的物理耗散。我们证明，在热敏感的边缘环境中，复杂架构通过高精度节省的能量，往往被其高操作强度导致的总能量损耗所抵消。  

## I 引言  
精确的能量预测对于减少能量浪费、确保系统可持续性至关重要。随着对延迟和隐私的关注日益推动处理任务转向资源受限的网络边缘，在设备端执行能量预测的必要性愈发显著。例如，在军事作战单元等关键任务系统中，设备端AI能在隔离环境中确保即时响应和数据安全，其中延迟和隐私对战术成功至关重要。虽然设备端预测研究常采用模型压缩或轻量架构以满足硬件限制，但主要优化目标仍在于提高预测精度，且普遍假设更高的能量预测精度能通过减少能量浪费来固有地确保更优的能效\[5 (https://arxiv.org/html/2608.26134#bib.bib1)\]。  

然而，这种对精度的关注催生了一个关键的“精度-效率悖论”，挑战了上述假设。尽管高复杂度模型能减少外部能量预测误差，但它们却施加了双重内部能量负担：显著的推理能耗\[6 (https://arxiv.org/html/2608.26134#bib.bib2)\]以及根据阿伦尼乌斯定律呈指数加速电池老化的局部热应力\[3 (https://arxiv.org/html/2608.26134#bib.bib3)\]。因此，通过边际预测精度提升所节省的能量，可能被内部能量损耗——包括推理能耗与电池老化——完全抵消。尽管此问题严重，但现有框架大多孤立评估能量预测性能\[5 (https://arxiv.org/html/2608.26134#bib.bib1)\]，未考虑预测过程本身产生的运营成本。此外，即使关于推理能耗与电池老化的研究也多是独立进行\[6 (https://arxiv.org/html/2608.26134#bib.bib2),3 (https://arxiv.org/html/2608.26134#bib.bib3)\]，与能量预测性能评估相脱节。  

为解决此悖论，我们提出基于总拥有成本指标的优化框架。该方案将推理能耗与电池老化转化为统一的能量损耗度量。我们将电池老化不仅定义为硬件损耗，更视为一种不可逆的内嵌能量损失，它降低了设备的总能量承载潜力。我们的主要贡献有两方面：提出了一个统一能量预测误差、推理能耗与电池老化为单一能量损耗指标的TCO目标函数，并从数学上定义了预测精度提升导致系统净能量损失的阈值。  

## II 方法论  
本节构建了一个评估框架，将基于阿伦尼乌斯定律的电池老化成本整合到统一的总拥有成本指标中，以量化设备端能量预测的净能效。  

### II-A 电池老化成本的推导  
为量化对电池老化的影响，我们推导了推理能耗与加速因子之间的关系。加速因子的阿伦尼乌斯方程为：  
AF=exp⁡\[EakB\(1Tuse−1Tstress\)\],  
$$\text{AF}=\exp\left[\frac{E_{a}}{k_{B}}\left(\frac{1}{T_{use}}-\frac{1}{T_{stress}}\right)\right],$$  
(1) 其中$E_{a}$为活化能，$k_{B}$为玻尔兹曼常数，$T_{use}$为标称工作温度，$T_{stress}$为高操作强度引起的升高结温。因此，$\Delta T=T_{stress}-T_{use}$代表由计算过程引起的局部温升。  

请参阅说明图1：基于TCO的优化框架：平衡能量预测误差与推理能耗及电池老化。在边缘设备中，操作能量并未转化为机械功，而是作为内部热量耗散。根据兰道尔原理\[2 (https://arxiv.org/html/2608.26134#bib.bib4)\]，用于逻辑门切换的能量最终以热能形式释放。鉴于嵌入式系统紧凑、无风扇的设计，该热量会暂时滞留在设备的热质量中。根据热力学第一定律可得$Q \approx 3600 \cdot Z$。结合热容量$C$，局部温升$\Delta T$定义为：  
$\Delta T = \frac{Q}{C} \approx \frac{3600 \cdot Z}{C}$。  
(2) 虽然采用卡路里会使转换常数约为860，但我们严格使用国际单位制以确保与后续电池老化分析中使用的玻尔兹曼常数等基本常数保持热力学一致性。将该基于焦耳的温增量代入式(1)，可得：  
$$\text{AF}=\exp\left[\left(\frac{E_{a}}{k_{B}\cdot T_{use}\cdot T_{stress}\cdot C}\right)\cdot 3600\cdot Z\right].$$  
(3) 由于$T_{use}$和$T_{stress}$均为绝对温度，且在典型工作范围内其变化相对较小，项$\frac{E_{a}}{k_{B}\cdot T_{use}\cdot T_{stress}\cdot C}$可视为整合环境常数$k$。因此，加速因子简化为$\text{AF}=\exp(k\cdot 3600\cdot Z)$。  

AF定义为应力诱导老化速率与标称速率的比值。设$r$为$T_{use}$下的基准老化速率，$\Delta t_{\text{stress}}$为热应力持续时间。则$\Delta t_{\text{stress}}$期间的应力诱导老化为$\text{AF}\cdot r\cdot\Delta t_{\text{stress}}$，附加老化为$(\text{AF}-1)\cdot r\cdot\Delta t_{\text{stress}}$。附加老化成本$\text{C}_{\text{aging}}$表述为：  
$\text{C}_{\text{aging}}(Z) = c_{l}\cdot\left(e^{k\cdot 3600\cdot Z} - 1\right)$,  
(4) 其中$c_{l}$包含包括$\Delta t_{\text{stress}}$在内的电池寿命单位成本。随着推理能耗$Z$增加，电池老化成本呈指数增长，尤其在具有高$k$值且准绝热状态延长热应力持续时间的热敏感环境中。  

### II-B 总拥有成本公式化  
所提出的$t$时刻TCO指标$\text{TCO}_{t}$定义为：  
$$\text{TCO}_{t}=c_{p}\|X_{t}-Y_{t}\|+c_{o}Z_{t}+c_{l}\left(e^{k\cdot 3600\cdot Z_{t}}-1\right),$$  
(5) 其中$X_{t}$和$Y_{t}$为实际与预测能量，$Z_{t}$为$t$时刻推理能耗。我们引入预测误差惩罚系数$c_{p}$、运营成本系数$c_{o}$及硬件寿命成本系数$c_{l}$。关键的是，该框架将不同成本统一为单一维度的能量低效。能量预测误差代表通过次优调度造成的系统级能量浪费，而推理能耗是智能处理的直接能量损耗。最重要的是，指数级的电池老化项不仅被视为更换成本，更视为内嵌能量浪费，其中退化代表设备未来能量承载能力的永久性耗散。  

如图1所示，TCO优化引擎优先选择最小化累计能量足迹而非仅预测误差的模型。通过整合推理能耗的实时监测与基于阿伦尼乌斯定律的电池老化推导，该引擎能识别精度-效率悖论——即名义上更优的模型因物理开销反而变为劣选。这一闭环机制确保部署的AI贡献于真正的净能效，防止能源负担从软件领域转移到不可逆的硬件耗竭。  

## III 实验  
本节通过真实数据对TCO框架进行数值评估，展示环境因素与操作强度如何改变最优模型选择。  

### III-A 数据集与预处理  
本研究使用来自The Open AI Dataset Project的数据集，所有数据信息可通过AI-Hub访问。我们使用了来自丽水市的高分辨率住宅能耗数据集，时间范围为2021年9月至2022年8月。数据包含8,760个每小时采样点，精确到小数点后三位，提供了检测边际预测改进所需的粒度。数据集按时间顺序划分为十个月的训练集、一个月的验证集和一个月的测试集。训练期间，所有值通过最小-最大缩放进行归一化，以确保跨架构的稳定梯度下降。  

### III-B 预测模型与训练策略  
为分析精度与效率的权衡，我们选择了三种复杂度不同的模型：线性回归、多层感知机和Transformer。LR作为基准，通过普通最小二乘法解析推导权重以确保最小开销。MLP代表平衡的人工神经网络，采用浅层架构，包含两个全连接层和ReLU激活函数。Transformer代表高复杂度ANN架构，采用多头注意力机制和两个带位置编码的编码器层。虽然Transformer具有更优的特征提取能力，但其自注意力机制相比轻量级替代方案显著增加了计算负载。  

ANN模型使用Adam优化器进行训练，学习率通过网格搜索调整。为确保泛化能力，采用了基于验证集最小平均绝对误差的早停策略。所有模型均采用滑动窗口方法，以前24小时数据作为输入进行逐小时预测。这种简单配置特意采用，旨在通过控制比较不同复杂度模型在不同热敏感条件下响应相同预测任务的表现，来验证TCO悖论。  

### III-C 实验结果与分析  
三种模型的能量预测误差与推理能耗总结于表I。测量在代表性设备端环境中进行，推理能耗基于25W恒定操作功率下的执行时间估算。虽然未来研究可通过专业工具实现更精细的能量追踪，但此基准已足以验证TCO悖论。如表I所示，MLP和Transformer模型相比LR基准分别实现了1.7%和2.7%的MAE提升。尽管这些增益在数值上看似微小——部分源于逐小时任务中LR提供的近乎最优基准具有强线性自相关——但此类改进对于增强系统优化被认为是重要贡献。值得注意的是，推理能耗仍比能量预测误差小数个数量级。然而，关键问题在于Transformer的2.7%精度提升需要不成比例的$Z$增加，这成为电池指数老化的催化剂。  

表I：能量预测误差与推理能耗比较  
请参阅说明  

图2：总TCO与环境因子k（LR、MLP与Transformer）  
请参阅说明  

图3：总TCO与环境因子k（LR与MLP）  
为验证TCO悖论，我们在调整热敏感度的同时，将所有成本系数设为1。该设置允许透明评估硬件退化与算法精度在不同热约束下的相互作用。如图3所示，我们的分析揭示了传统指标遗漏的关键权衡。在低热敏感度下，Transformer因更高精度优于电池老化成本而实现最低TCO。但随着k增加，代表散热不良的边缘环境中，Transformer的TCO呈指数增长，在k>0.22时成为最低效选择。甚至MLP在极端敏感度下相对于LR基线也出现类似悖论。这些交叉点表明最优模型并非静态，而取决于运行环境，其中即使微小的推理能耗差异也可能决定最可持续的选择。  

请参阅说明图4：在不同热敏感度条件下48小时内的TCO动态累积。  
图4展示了不同敏感度下48小时的TCO动态累积。在稳定环境中，最优选择从Transformer转向MLP，因精度提升与增长的电池老化成本相平衡。然而在高敏感度场景中，Transformer的TCO几乎立即攀升，使得LR最终甚至超越MLP成为具有最低TCO的最优解。这种实时差异证实，随着时间推移，在热受限环境中物理退化成本可能完全压倒更优的预测性能。  

## IV 讨论  
结果凸显了多个研究方向。有人可能会质疑每小时一次的推理频率是否真会加速...