GAC-KAN: Revolusi Perlindungan GNSS Ultra-Ringan untuk Perangkat Edge Bertenaga GenAI

Pengantar: Era GenAI dan Kebutuhan Keamanan Navigasi

      Lanskap perangkat elektronik konsumen (CE) sedang mengalami transformasi revolusioner dengan munculnya Kecerdasan Buatan Generatif (GenAI). Dari asisten AI pada perangkat wearable hingga model bahasa besar (LLM) yang berjalan langsung di ponsel pintar dan kemampuan perencanaan generatif pada kendaraan udara tak berawak (UAV) otonom, GenAI telah meningkatkan pengalaman pengguna secara signifikan. Pergeseran ke arah AI yang meresap pada perangkat dengan sumber daya terbatas, yang sering disebut TinyML, menjanjikan latensi sangat rendah dan privasi yang ditingkatkan.

      Namun, keandalan sistem AI canggih ini secara fundamental bergantung pada integritas input sensoriknya dan proses pengambilan keputusan dalam ketidakpastian. Layanan Positioning, Navigation, and Timing (PNT) yang disediakan oleh Sistem Satelit Navigasi Global (GNSS) menjadi sangat krusial. Bayangkan sebuah drone bertenaga GenAI yang kehilangan lokasinya karena gangguan sinyal; kemampuan generatifnya akan menjadi sia-sia atau bahkan berbahaya. Oleh karena itu, melindungi sinyal GNSS dari gangguan merupakan aspek keamanan yang tak terpisahkan dalam era GenAI.

Tantangan Utama dalam Perlindungan GNSS di Perangkat Edge

      Integrasi GenAI menimbulkan beban komputasi yang sangat besar pada perangkat keras edge. Model GenAI biasanya mengonsumsi sebagian besar unit pemrosesan neural (NPU) dan anggaran baterai pada perangkat konsumen. Kondisi ini menciptakan konflik signifikan dalam alokasi sumber daya perangkat keras: perangkat membutuhkan pemantauan gangguan GNSS yang kuat, tetapi efisiensi daya sangat penting untuk menjaga umur panjang jaringan dan perangkat.

      Solusi Deep Learning (DL) tradisional, seperti ResNet atau Vision Transformer (ViT), seringkali terlalu berat untuk dijalankan bersamaan dengan aplikasi GenAI utama. Selain itu, hambatan lain dalam menerapkan AI untuk klasifikasi gangguan adalah kelangkaan data berlabel. Tidak seperti domain GenAI yang memiliki banyak dataset teks atau gambar, sinyal gangguan dunia nyata sulit ditangkap dalam berbagai skenario. Ini membutuhkan pendekatan simulasi generatif, di mana data sintetik dengan fidelitas tinggi dihasilkan berdasarkan model sinyal fisik untuk melatih pengklasifikasi yang kuat.

Inovasi GAC-KAN: Solusi untuk Data Langka dan Efisiensi Ekstrem

      Untuk mengatasi tantangan ganda yaitu kelangkaan data dan kebutuhan efisiensi ekstrem di era GenAI, sebuah kerangka kerja baru bernama GAC-KAN diusulkan. Pendekatan ini dimulai dengan strategi simulasi generatif yang dipandu fisika untuk mensintesis dataset gangguan berskala besar dan fidelitas tinggi. Ini mengatasi kemacetan data, memastikan bahwa model memiliki cukup informasi untuk belajar mengidentifikasi berbagai jenis gangguan.

      Selanjutnya, untuk menyelaraskan akurasi tinggi dengan batasan sumber daya yang ketat dari chip asli GenAI, GAC-KAN memperkenalkan arsitektur yang dirancang khusus. Kerangka kerja ini mengintegrasikan backbone Multi-Scale Ghost-ACB-Coordinate (MS-GAC) dengan head klasifikasi Kolmogorov-Arnold Network (KAN). Desain ini selaras dengan persyaratan efisiensi energi yang ketat dari elektronik konsumen generasi berikutnya dan prinsip Green Communications, yang mana pengembangan solusi AI kustom yang efisien menjadi kunci.

Detail Arsitektur GAC-KAN: Gabungan Efisiensi dan Akurasi

      Arsitektur GAC-KAN adalah inti dari inovasi ini, dirancang untuk mengekstrak fitur spektral-temporal yang kaya dengan redundansi minimal.

• **Backbone Multi-Scale Ghost-ACB-Coordinate (MS-GAC):**
• Ghost Modules: Modul ini berfungsi untuk mengurangi redundansi dalam ekstraksi fitur. Bayangkan Anda memiliki foto, dan banyak bagiannya memiliki informasi yang mirip. Modul Ghost membuat representasi yang "ringan" dari fitur-fitur tersebut tanpa kehilangan informasi penting, mirip dengan membuat "bayangan" fitur asli tetapi jauh lebih hemat sumber daya.
• Asymmetric Convolution Blocks (ACB): Blok ini dirancang untuk mengekstrak fitur yang lebih kaya dan beragam dari data spektral-temporal, yang merupakan representasi sinyal GNSS seiring waktu dan frekuensi. Mereka melakukannya dengan menggunakan bentuk konvolusi yang tidak simetris, memungkinkan penangkapan pola yang lebih kompleks dan detail dengan efisiensi yang optimal.
• **Kolmogorov-Arnold Network (KAN) sebagai Decision Head:**

KAN adalah pengganti inovatif untuk Multi-Layer Perceptron (MLP) tradisional, yang biasanya digunakan sebagai head keputusan dalam jaringan saraf. KAN menggunakan fungsi aktivasi spline yang dapat dipelajari (learnable spline activation functions*) pada setiap "tepi" jaringannya, bukan pada neuron itu sendiri.

• Pendekatan ini memungkinkan KAN mencapai kemampuan pemetaan non-linear yang unggul dengan parameter yang jauh lebih sedikit. Ini berarti ia dapat memahami hubungan yang sangat kompleks dalam data sinyal GNSS dengan jejak komputasi yang sangat kecil, memberikan generalisasi yang superior terutama untuk model yang ringkas.

Keunggulan dan Dampak Praktis GAC-KAN

      Hasil eksperimen menunjukkan bahwa GAC-KAN mencapai akurasi keseluruhan 98.0%, mengungguli model baseline canggih lainnya. Yang lebih penting, model ini hanya berisi 0.13 juta parameter, sekitar 660 kali lebih sedikit daripada baseline Vision Transformer (ViT). Karakteristik ultra-ringan ini menjadikan GAC-KAN pendamping keamanan "selalu aktif" yang ideal.

      Dengan GAC-KAN, keamanan GNSS dapat dipastikan tanpa harus bersaing untuk mendapatkan sumber daya komputasi yang dibutuhkan oleh tugas-tugas GenAI utama. Ini memiliki dampak praktis yang besar:

• Perangkat Wearable dan Ponsel Pintar: Memastikan navigasi yang akurat dan layanan berbasis lokasi yang andal tanpa menguras baterai atau memperlambat fungsi GenAI.
• UAV Otonom: Meningkatkan keamanan dan keandalan drone untuk pengiriman, pengawasan, atau aplikasi pertanian, dengan navigasi yang stabil meskipun ada potensi gangguan.
• Kendaraan Cerdas dan Transportasi: Mendukung sistem transportasi yang lebih aman dan efisien dengan data lokasi yang terproteksi.
• Industri 4.0: Memastikan operasi sistem cerdas yang andal, mirip dengan bagaimana AI Video Analytics ARSA melindungi area terbatas, di mana GNSS dapat mendukung aset bergerak atau robot.

      Keunggulan GAC-KAN dalam efisiensi sumber daya dan akurasi tinggi menyoroti pentingnya solusi AI yang dirancang khusus untuk komputasi edge. Pendekatan seperti ini sangat relevan bagi organisasi yang ingin memanfaatkan teknologi komputasi edge seperti ARSA AI Box Series untuk keamanan, efisiensi operasional, dan kepatuhan dalam lingkungan yang menuntut. Ini mengurangi risiko operasional, meningkatkan keandalan produk, dan memberikan keunggulan kompetitif bagi produsen perangkat.

Kesimpulan

      Integrasi GenAI ke dalam perangkat konsumen menghadirkan peluang luar biasa, tetapi juga tantangan signifikan dalam mengelola sumber daya dan memastikan keamanan. Kerangka kerja GAC-KAN mengatasi masalah ini dengan solusi yang elegan dan efektif: menghasilkan data gangguan GNSS secara generatif untuk pelatihan, dan merancang arsitektur AI ultra-ringan yang menggabungkan modul Ghost, blok konvolusi asimetris (ACB), dan jaringan Kolmogorov-Arnold (KAN).

      GAC-KAN menetapkan standar baru untuk deteksi gangguan GNSS di perangkat edge, memungkinkan keamanan "selalu aktif" tanpa mengorbankan kinerja GenAI utama. Inovasi ini sangat penting untuk masa depan perangkat cerdas, menjamin keandalan dan keamanan dalam era di mana kecerdasan buatan menjadi semakin integral dalam kehidupan kita. ARSA Technology, yang telah berpengalaman sejak 2018 dalam menyediakan solusi AI & IoT siap produksi, memahami kebutuhan akan efisiensi dan keandalan dalam teknologi masa depan.

      **Sumber:** Zeng, Z., Wang, K., Zhang, Z., & Xiu, Y. (2026). GAC-KAN: An Ultra-Lightweight GNSS Interference Classifier for GenAI-Powered Consumer Edge Devices. https://arxiv.org/abs/2602.11186

      Jelajahi bagaimana solusi AI dan IoT dari ARSA Technology dapat mengoptimalkan operasi Anda dan melindungi aset kritis. Untuk konsultasi lebih lanjut tentang penerapan teknologi cerdas, jangan ragu untuk menghubungi tim ARSA.