# IGZO Edge Sistemleri: Karşılaştırma, Enerji ve Güvenlik Teknik Raporu

Sürüm 3.0 · 12 Ekim 2026 · IGZO Evidence Atlas

## Amaç

Bu belge, analog bellek-içi hesaplamanın bir edge görevde nasıl sınanacağını tanımlar. Projeye ait ölçülmüş sistem üstünlüğü ileri sürmez. Cihaz, devre ve algoritma ile bütün sistemin ölçüm sınırları ayrılır. MLCommons Tiny'nin doğruluk, gecikme ve enerji için eş koşullu karşılaştırma mantığı yöntem örneği olarak alınabilir; bu projeye bir MLPerf sonucu atfedilmez [1].

## 1. İdeal model ve gerçek dizi

İdeal crossbar için sütun akımı I_j = Σ_i V_i G_ij olur. Gerçek dizi için elektrot ve hat dirençleri, sneak path, durum varyasyonu, okuma gürültüsü, zamanla drift ve ADC nicemlemesi hata doğurur. Xia ve Yang [2] ile Jiang ve arkadaşlarının [3] çalışmaları bu çok katmanlı hata bütçesini açıklar. İdeal model yalnızca başlangıç kontrolüdür; ölçülmüş dizi sonucuna eşit değildir.

Pasif crossbar ve 1T1R aynı malzeme, eşit doğruluk hedefi, yakın alan ve çevre devresi sınırıyla değerlendirilmelidir. Seçici transistörün alan ve kontrol enerjisi hesap dışı bırakılmamalıdır. Eşlenik görevde ağırlık kodlama, programlama doğrulaması ve yeniden kalibrasyon sıklığı kaydedilir.

## 2. Enerji ve gecikme sınırları

Programlama: E_write = Σ_pulse ∫ V(t)I(t)dt + E_verify + E_retry.

Çıkarım: E_infer = [∫_(t0)^(t1) P_system(t)dt] / N_valid. N_valid, önceden tanımlanan doğru işleme koşullarını karşılayan çıkarım sayısıdır. Sensör ve ön işleme, DAC/sürücü, dizi, ADC/okuma, kontrolcü, bellek ve aktüatör farklı sınırlar olarak ayrıca raporlanmalıdır. Gecikme, sensör örnek zamanından kullanılabilir kararın zaman damgasına kadar ölçülür; p50, p95, p99 ve en kötü örneklerin sayısı verilir.

Analog dizi enerji tüketimi tek başına sistem enerjisi değildir. ADC/DAC, kalibrasyon ve boşta güç baskın olabilir. PUE tesis düzeyi bir metriktir; hücre enerjisiyle doğrudan hesaplanmaz. IEA veri merkezi elektrik verisi küresel bağlam sağlar, bu projeye özgü tasarruf kanıtı sağlamaz [4].

## 3. Adil baseline

Karşılaştırma cihazları aynı görev, veri ayrımı, giriş çözünürlüğü, doğruluk hedefi, throughput, gecikme sınırı ve termal ortamda çalıştırılmalıdır. Bir taraf eğitim sırasında kalibrasyon kullanıyorsa diğer taraf için de eşdeğer işlem sınırı tanımlanır. Model parametre sayısı, sayısal hassasiyet ve güven aralığı verilir. GPU, FPGA, MCU veya CPU baseline olarak seçilebilir; toplam güç ölçüm aralığı ve iş döngüsü açıklanır. “300×” gibi bir oran eşlenmiş deney olmadan sonuç olarak yayımlanamaz.

## 4. Dört demo ve emniyet kapısı

1. **Motor sporları telemetrisi:** Önce kayıtlı veri, oturum/araç bazında ayrılmış eğitim ve test, ardından gölge mod. Olay yakalama, yanlış alarm ve p99 gecikme raporlanır.
2. **SmartGrid:** Sentetik/açık olaylar ile karar desteği. Kritik koruma rölesi işlevi bağımsız emniyet değerlendirmesi olmadan üstlenilmez.
3. **UAV:** Simülasyon, masaüstü, bağlanmış ve kontrollü uçuş ayrı aşamalardır. GPS kaybı ve sensör bozulması için güvenli davranış tanımlanır.
4. **Yapay nosiseptör:** Uyaran-eşik-tepki eğrisi ve histerezis test edilir. Bu biyolojik ya da klinik eşdeğerlik anlamına gelmez; baskılı IGZO nosiseptör literatürü yalnızca ilgili teknik bağlamdır [5].

## 5. Güvenlik ve risk yönetimi

Yetkisiz ağırlık yazma, sürüm geri alma, güç kesintisi, bozuk kalibrasyon ve sensör saldırısı için ayrı hata enjeksiyonu yapılır. Öngörülen güvenli durum, denetim izi ve kurtarma süresi önceden tanımlanır. NIST AI RMF, risklerin haritalanması, ölçülmesi ve yönetilmesi için gönüllü bir çerçevedir; ürün sertifikası değildir [6]. Patentle belirtilen sınırlı yazma davranışı yetkilendirme veya saldırı dayanımı yerine geçmez.

## 6. Tekrar üretim paketi

Veri kümesi sürümü, train/validation/test ayrımı, cihaz ve parti sayısı, ham sensör ve elektrik izleri, zaman damgası tanımı, kalibrasyon sürümü, yazılım commit'i, baseline konfigürasyonu, başarısız denemeler ve belirsizlik hesabı yayımlanabilir pakette bulunmalıdır. Gizli ham veri için paylaşım kısıtı ve tekrarlanabilir sentetik vekil kayıt açıkça belirtilmelidir.

## Kaynaklar

1. MLCommons, MLPerf Tiny, https://mlcommons.org/2021/06/mlperf-tiny-inference-benchmark/
2. Xia ve Yang, *Nature Materials* (2019), https://www.nature.com/articles/s41563-019-0291-x
3. Jiang ve ark., *Nature Materials* (2026), https://www.nature.com/articles/s41563-026-02600-y
4. IEA, *Energy and AI* (2025), https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
5. *Fully printed IGZO memristor arrays for artificial nociceptors*, *Science China Materials* (2024), https://doi.org/10.1007/s40843-024-2887-9
6. NIST AI RMF 1.0, https://doi.org/10.6028/NIST.AI.100-1