《Electronics》：Mitigation of Dead-Time Voltage Spikes in High-Frequency WPT Inverters: A Comparative Study of GaN HEMT and Si IGBT Technologies
编辑推荐：
物联网（IoT）的指数级增长产生了海量数据流，传统上由集中式云架构处理，但这些架构日益面临延迟、带宽和隐私限制。将人工智能转移到资源受限的边缘节点（称为微型机器学习（TinyML））提供了一种强大的去中心化替代方案，尽管这引入了严重的内存、计算和能量瓶颈。为了
物联网（IoT）的指数级增长产生了海量数据流，传统上由集中式云架构处理，但这些架构日益面临延迟、带宽和隐私限制。将人工智能转移到资源受限的边缘节点（称为微型机器学习（TinyML））提供了一种强大的去中心化替代方案，尽管这引入了严重的内存、计算和能量瓶颈。为了映射这一转变，研究人员遵循PRISMA指南进行了一项系统性文献综述，分析了2021年至2026年间主要数据库中同行评审的研究。该分析识别了主要架构范式，并评估了最先进的模型压缩技术（如量化、剪枝和知识蒸馏）的有效性。此外，研究结果揭示，软硬件协同设计和定制神经加速器对于克服操作瓶颈至关重要，同时强调了设备上学习中持续存在的安全与隐私挑战。最终，虽然在微控制器上部署复杂模型日益可行，但实现最佳性能需要整体优化策略。本综述综合了当前的研究空白，并提供了一个战略路线图，以指导未来跨学科努力，构建有弹性、节能且安全的新一代智能边缘系统。
**1. 引言**
物联网（IoT）的快速发展从根本上改变了现代数字格局。数十亿互联的物理设备（从工业传感器和可穿戴健康监测器到智能城市基础设施和自动驾驶车辆）持续捕获高容量、多模态的数据流。传统上，IoT生态系统几乎完全依赖集中式云计算架构，使用复杂的人工智能（AI）和机器学习（ML）模型来摄取、存储和处理这些海量数据。虽然云中心AI在预测准确性和计算规模上取得了前所未有的里程碑，但其固有的架构瓶颈在实际部署中变得日益突出。通过蜂窝信道传输原始传感器数据会引入显著的网络延迟、不可预测的抖动和高带宽消耗，严重危及关键任务应用（如自主导航、实时故障检测和手术机器人）中的时间关键操作。此外，持续的云传输给电池供电的远程节点带来了高昂的通信能量开销，并在传输和集中存储期间将敏感个人数据暴露于隐私泄露和网络攻击中。为了克服这些根本限制，计算范式正在经历向边缘智能（Edge AI）的重大转变。通过将数据处理、特征提取和推理能力从遥远的云数据中心直接转移到位于或靠近数据生成源的边缘设备，Edge AI提供了低延迟执行、带宽节省、增强的数据隐私以及在间歇连接环境中连续离线操作的能力。在Edge AI的更广泛范围内，一个显著的趋势是将智能推向极端资源受限的设备——这一领域被广泛称为微型机器学习（TinyML）。与拥有数十GB RAM和强大图形处理单元（GPU）的边缘服务器或网关级平台不同，TinyML直接在超低功耗微控制器（MCU）和片上系统（SoC）架构上运行，功耗预算在毫瓦（mW）级别。在这些超低功耗嵌入式目标上部署深度神经网络（DNN）能够实现无处不在的连续物理监控，而无需依赖外部网络基础设施。然而，将最先进的深度学习架构适配到微控制器中造成了深刻的计算不对称性。现有文献存在显著局限性：大多数先前综述侧重于网关级边缘计算（基于GPU/FPGA的边缘服务器），未能解决MCU级TinyML节点特有的亚兆字节内存边界；现有综述常将算法优化（压缩）和硬件微架构加速器孤立处理，忽视了整体软硬件协同设计的协同效应；2021年至2026年间文献的快速演变——由专用RISC-V AI扩展、量化Transformer架构和轻量级联邦学习的进步驱动——需要使用严格的PRISMA原则进行更新的系统性综合。本综述通过提供全面的、多维度的分析来弥补这些空白，将理论神经网络压缩与硬件微架构和去中心化安全范式联系起来。主要贡献包括：系统性PRISMA合规分类法、定义评估标准、约束驱动决策矩阵以及战略研究路线图。论文其余部分组织如下：第1.1节分析相关综述并突出本工作的独特贡献，第2节展示研究方法，第3节分析提取的结果，第4节讨论有效性威胁和未来研究方向，第5节总结论文。
**1.1. 相关工作**
边缘人工智能（Edge AI）和微型机器学习（TinyML）的快速发展导致二次研究激增，包括综述和评论，旨在映射该领域的最新进展。虽然现有文献提供了有价值的算法和应用见解，但关键分析揭示了方法论严谨性和全面软硬件协同设计视角方面的显著空白。
**1.2. 关于Edge AI和IoT的广泛综述**
早期的综述常将Edge AI视为云计算的单一扩展。Sipola等人[15]提供了IoT时代Edge AI硬件和软件的广泛综述，概述了通用部署挑战。类似地，Shankar[16]的最新调查提供了Edge AI技术和应用的全面概览。然而，这两项工作都保持了对边缘设备的高层视角（通常假设网关级资源），并未深入探讨基于微控制器的TinyML所特有的极端资源约束。此外，它们采用了传统的叙事性综述方法，而非可重复的系统性方法论。
**1.3. TinyML特定文献综述**
随着焦点转向极端边缘，几项研究专门针对TinyML。Schizas等人[12]对超低功耗AI的TinyML进行了早期系统性综述，有效映射了初始大规模IoT部署。在此基础上，Rajapakse等人[17]探索了可重构TinyML，关注资源受限设备上机器学习（ML）模型的自适应性。最近，文献出现了高度聚焦于设备上推理应用的研究。Elhanashi等人[13]讨论了TinyML的进展、应用和局限性，而Heydari和Mahmoud[18]提供了设备上推理挑战和未来方向的最新调查。虽然这些工作对于理解当前应用领域（如医疗、智能农业、预测性维护）至关重要，但它们主要从软件中心视角处理该主题，重点强调模型压缩技术（如剪枝和量化），而将底层硬件架构仅视为被动约束。
**1.4. 研究空白与贡献**
对这些工作的批判性分析揭示了两个主要研究空白：方法论缺陷（缺乏严格、可重复的论文筛选框架）和缺乏软硬件协同设计关注（现有综述倾向于孤立软件优化与硬件架构，未能系统性地映射架构瓶颈及克服这些瓶颈所需的软硬件协同设计范式）。为了解决这些空白，本系统性文献综述采用PRISMA指南严格筛选和分析近期文献。与以往综述不同，本工作明确弥合了软件算法与硬件限制之间的差距，提供了TinyML部署中架构瓶颈的全面分类法。为了弥合理论模型与物理部署之间的差距，工程社区严重依赖专用软件生态系统。轻量级实现框架，如TensorFlow Lite for Microcontrollers（TFLite Micro）、Edge Impulse和ARM的CMSIS-NN库，构成了在受限设备上实际部署AI的基础来源。理解这些部署工具与底层硬件之间的相互作用对于提取本综述后续章节中讨论的实际重要结果至关重要。
**2. 研究方法**
为保证严谨性、可重复性和对当前最先进研究的全面映射，本系统性文献综述严格遵循系统综述和荟萃分析首选报告项目（PRISMA 2020）指南[23]。研究设计包括五个不同阶段：研究问题（RQs）的制定，搜索策略和数据库选择的定义，资格标准（纳入和排除）的建立，研究选择和筛选过程，以及数据提取和综合。完整的PRISMA检查表见补充材料表S1。
**2.1. 研究问题**
本综述的主要目标是系统性地研究边缘智能（Edge AI）、微型机器学习（TinyML）和资源受限物联网（IoT）环境的交叉点。基于此目标，制定了五个关键研究问题（RQs）以指导文献的检索、分类和批判性分析，详见表1。
**2.2. 搜索策略与信息来源**
在主要电子学术数据库和数字图书馆（包括MDPI、IEEE Xplore、ScienceDirect和ACM Digital Library）中进行了全面文献检索。搜索字符串使用布尔运算符（AND、OR）系统构建，结合三个主要主题块：边缘智能与TinyML，IoT与资源受限硬件，以及优化与架构技术。通用搜索字符串如下：((“Edge AI” OR “Edge Intelligence” OR “TinyML” OR “Embedded ML”) AND (“IoT” OR “Internet of Things” OR “Embedded”) AND (“Optimization” OR “Quantization” OR “Technique”))。搜索策略应用于标题、摘要和关键词字段，涵盖2021年1月至2026年2月期间发表的同行评审文献，以捕捉TinyML和专用边缘硬件的快速演变。
**2.3. 资格标准**
为保持高科学严谨性并确保所选研究直接针对目标领域，在研究筛选前建立了明确的纳入标准（IC）和排除标准（EC），这些标准总结于表2。
**2.4. 研究选择过程与PRISMA流程**
研究选择过程遵循四阶段顺序流程：识别、标题和摘要筛选、全文资格评估以及最终质量综合。图1展示了整体PRISMA选择工作流，总结了各阶段记录数量。
**2.5. 数据提取与质量评估**
对每篇纳入文章，系统提取结构化元数据和定性/定量属性到标准化存储库中。提取变量严格分类为正交维度：文献计量信息、硬件部署目标（分类特定MCU架构，如ARM Cortex-M vs. 自定义RISC-V）、软件优化策略（如训练后量化、结构剪枝）和性能指标（如RAM占用、Flash存储、推理延迟、任务准确率）。软硬件协同设计被视为跨领域方法论，而非互斥的硬件类别。质量评估通过定量评估每篇论文针对四个关键标准进行：研究目标清晰度、实验设置有效性、结果可重复性以及在物理或模拟边缘硬件平台上的显式基准测试。每个标准按3点李克特量表评分，仅累积得分至少8分（满分12分）的研究纳入最终定性综合，确保方法学可信度和实验严谨性的高阈值。
**3. 结果**
对纳入文献的系统性提取和分析提供了Edge AI和TinyML当前状态的全面概览。本节解释综合数据，回应每个已制定的研究问题（RQs），以突出资源受限智能系统中的趋势、权衡和主导范式。
**3.1. 定量概览**
纳入文献的时间分布显示Edge AI和TinyML交叉领域兴趣快速增长。本节呈现的统计分布严格反映通过PRISMA方法论选择的最终完整数据集。分析这些论文分布至关重要，因为它验证了该领域快速增长的关注度，并为我们主要分析结果提供了定量基础。从2021年边际存在（2篇论文）开始，出版物数量稳步增长，2022年达到10篇。在2023年暂时下降（6篇，归因于疫情后研究周期转变）后，该领域急剧加速，2024年产出15篇论文，2025年达到22篇出版物（2026年初已记录额外6篇）。关于出版渠道，高影响力期刊占主导地位（60篇研究中的43篇，占71%），会议论文占12篇（20%）。分布显示IEEE（23篇）、MDPI（7篇）和Springer（7篇）的强势存在。对定义研究问题的定量映射揭示了特定技术领域的不同极化。例如，关于网络拓扑（RQ1），严格设备上推理主导文献（45篇），其次是边缘-云混合方法（12篇），而纯拆分计算保持小众（1篇）。关于模型优化（RQ2），绝大多数研究（48篇）采用“混合”方法，结合量化、剪枝和其他技术，而非依赖单一方法。类似地，硬件目标（RQ3）几乎完全集中于微控制器单元（MCU），在60篇研究中占52篇，软硬件协同设计方法占剩余6篇。相反，操作挑战和瓶颈（RQ4）呈现更多样化的分布，如图5所示。内存约束仍是主要障碍（25篇），但研究人员正大力解决鲁棒性（13篇）、隐私（11篇）和安全（10篇）相关问题。关于未来趋势和开放空白（RQ5），系统集成是最突出的挑战（43篇），其次是可扩展性（12篇）和标准化需求（5篇）。此外，近期研究将云-边可扩展性表述为涉及数据和服务编排、服务放置以及动态边缘资源分配的联合问题。强调需求感知资源管理对于减少服务响应时间和适应网络波动至关重要。在高度动态场景（如移动和无人机辅助感知环境）中，架构优化还必须考虑信息新鲜度。因此，已提出最新混合优化框架以最小化无人机辅助移动群智感知系统中的信息年龄，展示了上下文感知边缘编排的必要性[26]。
**3.2. RQ1：架构范式与系统拓扑**
从云中心到去中心化智能的转变已将设备上处理确立为IoT景观中的主导架构范式。大多数综述文献聚焦于严格本地推理以最小化延迟和对网络可用性的依赖。然而，在边缘节点上执行完整深度神经网络（DNN）并非总是可行。因此，新兴系统拓扑强调边缘-云和拆分计算范式。例如，拆分计算框架允许受限设备（如ESP32）与中间边缘服务器（如Raspberry Pi）共享计算工作负载，动态适应网络条件。类似地，集成分层方法将机器学习管道分布在“事物”、“边缘”和“云”层，以减少网络拥塞同时保持实时响应能力。
**3.3. RQ2：模型优化与约束下的算法选择**
在微控制器上部署复杂AI模型需要激进优化，这严格受特定资源边界支配。本综述揭示，算法选择必须严格映射到物理内存阈值。训练后量化（特别是从Float32过渡到INT8）是在亚1MB Flash设备上部署的基线要求。然而，当SRAM是主要瓶颈时（例如推理执行期间<256 kb），非结构化剪枝常因不规则内存访问模式而无法产生实际加速。在这种情况下，结构剪枝结合硬件感知知识蒸馏（KD）提供了最有效的延迟-准确率权衡。此外，用于复杂任务（如实时计算机视觉的频谱-状态-尺度协同融合网络）的轻量级设计的最新进展表明，通过整体最小化算法足迹，极端小目标检测现在在边缘可行。为综合这些发现并指导系统设计者，表3提供了基于特定硬件约束选择压缩技术的决策矩阵。
**3.4. RQ3：软硬件协同设计与定制加速器**
硬件约束仍然是TinyML的主要瓶颈。研究结果强调，基于ARM Cortex-M及类似架构的微控制器单元（MCU）是极端边缘AI的主要目标。为克服这些平台的严重计算限制，研究人员越来越多地倡导软硬件协同设计方法论。这涉及开发专用加速器，如量化乘数器（QoM）模块，与自适应算法并行以优化功耗和外部内存访问。还开发了AIfES和EdgeMark等框架以弥合软件执行与特定硬件加速器之间的差距，实现更高效的设备上训练和推理。文献中一个关键区别是竞争性指令集架构（ISA）之间的二分法。ARM Cortex-M处理器因高度成熟的软件生态系统（如CMSIS-NN，提供针对标准化卷积层的高度优化内在函数）而主导市场。相反，开源RISC-V架构因其可扩展性而在研究人员中迅速获得关注。与锁定的ARM内核不同，RISC-V允许集成自定义向量扩展和紧密耦合的硬件加速器，针对非标准神经拓扑，以更高的软件开发复杂性为代价提供卓越能效。
**3.5. RQ4：安全、隐私与操作挑战**
操作约束，主要是严格的Flash和SRAM限制，决定了TinyML模型的可行性。除内存和热动力学外，安全和数据隐私成为关键挑战。与云环境不同，边缘设备在物理暴露且易受攻击的网络中运行。为减轻这些风险，多项研究提出将联邦学习（FL）与TinyML集成。FL允许模型本地训练和更新，仅共享模型权重而非敏感原始数据，从而在医疗和工业应用中固有地增强隐私。此外，正在开发轻量级密码协议和基于TinyML的入侵检测系统，以确保实时威胁分类而不耗尽设备资源。此外，随着智能节点处理日益关键的任务，先进通信安全至关重要。近期文献强调了复杂的多维反窃听优化方法，如安全图神经网络（GNN）驱动的框架，该框架动态保护IoT数据传输免受对抗性拦截，而不压倒本地计算资源。
**3.6. RQ5：开放研究挑战与未来趋势**
尽管取得了显著进展，但几个开放挑战阻碍了TinyML的广泛普及。主要限制是缺乏能够在高度异构硬件生态系统间无缝部署模型的标准化和通用框架。可扩展性是另一个主要问题。虽然单个边缘节点高效运行，但在大规模IoT部署中管理和更新数千个分布式模型需要强大的编排机制。展望未来，文献突出了边缘自动机器学习（AutoML）和生物启发算法更深层次整合的趋势，以在极端环境（如无电池IoT设备）中实现能量感知、自维持操作。
**4. 讨论**
跨定义研究问题的分析得出了清晰综合：在资源受限IoT环境中的真正边缘智能要求硬件参数和软件优化不再被视为独立变量。前一节提出的决策标准和矩阵为研究人员导航这些复杂权衡提供了实用指南。
**4.1. 有效性威胁与综述局限性**
尽管严格应用PRISMA指南以确保可重复方法论，本系统性综述仍存在某些局限性。首先，研究易受选择偏差影响，依赖特定学术数据库和预定义布尔搜索字符串可能无意中排除索引于替代存储库或使用不同术语的相关文献。此外，对非同行评审论文和预印本（如arXiv存储库中的论文）应用了严格排除标准。虽然这一方法论决策对于确保纳入研究的高科学质量、有效性和同行评审严谨性至关重要，但在像Edge AI和TinyML这样快速发展的技术领域中，这是一个显著局限性。AI研究的生命周期极快，最先进的算法突破常以预印本形式在正式发表前数月流通。因此，排除此类预印本意味着本综合可能未能完全捕捉到某些绝对最新的创新，特别是2025年末和2026年初出现的创新。
**4.2. 未来展望与研究方向**
为了从孤立的原型部署过渡到可扩展、有弹性且完全自主的边缘生态系统，未来研究应优先考虑以下关键方向：边缘原生自动机器学习（AutoML）（需要推进硬件感知搜索空间，自动协同优化神经拓扑、量化水平和MCU内存映射）；标准化与通用部署框架（通过开放、跨平台编译工具和标准化基准套件克服碎片化软件生态系统）；自维持与能量收集边缘节点（将TinyML扩展到无电池IoT应用，需要结合生物启发算法、脉冲神经网络（SNN）和间歇计算执行策略，以在动态环境能量预算下实现连续自维持操作）。
**5. 结论**
本系统性文献综述严格遵循PRISMA指南，批判性评估了2021年至2026年间发表研究中Edge AI和TinyML的架构范式、模型压缩技术和软硬件协同设计策略。本综述未将协同设计视为通用概念或重复高层背景叙述，而是映射了算法优化与亚兆字节微控制器单元（MCU）微架构之间的精确协同作用和操作权衡。通过系统提取和综合五个核心研究维度的58篇主要研究，本综述表明在极端边缘节点上部署智能模型已不仅仅是理论概念，而是一个成熟的去中心化范式。核心发现和可操作见解总结如下：约束驱动模型压缩（无单一通用技术，训练后INT8/INT4量化是亚1MB Flash限制内的基础，但运行时SRAM是关键瓶颈时，结构剪枝配合硬件感知知识蒸馏（KD）提供必要延迟和内存减少而无中断指令执行流水线）；硬件架构二分法（ARM Cortex-M因成熟软件生态系统主导商业部署，但可扩展RISC-V平台配备自定义AI向量指令代表未来领域专用高效边缘加速器）；整体安全与隐私集成（隐私保护和威胁缓解不能作为次要考虑，联邦学习（FL）结合轻量级多维反窃听和安全范式是强制性的）；领域专用轻量级感知（近期极端轻量级模型设计，如用于实时计算机视觉的频谱-状态-尺度协同融合网络，证明复杂多模态感知和特征提取可在超低功耗微架构上成功执行，无需依赖连续云卸载）。
