Нейросеть для прогноза ВВП на C++ без TensorFlow: работает на Arduino за 400 рублей

Un développeur de Habr a créé un réseau de neurones pour prévoir la dynamique du PIB entièrement en C++20 — sans TensorFlow, PyTorch ni aucun framework tiers. Toutes les mathématiques ont été écrites à partir de zéro, et le modèle résultant est capable de fonctionner sur une carte Arduino pour 300–400 roubles avec une limite de mémoire de 32 KB.

Pourquoi abandonner Python

L'approche standard de la modélisation macroéconomique suppose des serveurs puissants et des bibliothèques Python lourdes. TensorFlow et PyTorch excellent dans les tâches à grande échelle, mais s'accompagnent de dizaines de gigaoctets de dépendances et exigent une infrastructure informatique complète. Pour un centre de données d'entreprise, c'est normal — pour un appareil de terrain ou un microcontrôleur bon marché, c'est une barrière insurmontable.

Les cartes Arduino avec 32 KB de RAM et un prix de 300–400 roubles ne peuvent physiquement pas exécuter un interpréteur Python, sans parler de TensorFlow. L'écart entre l'analyse « intelligente » et le matériel réel à petit budget semblait insurmontable — jusqu'à ce que l'auteur décide d'écrire tout à partir de zéro. Toutes les mathématiques des couches neuronales sont implémentées en C++20 pur sans dépendances externes.

Pour la sélection rapide des poids lors du développement sur un PC, NVIDIA CUDA est connectée — uniquement au stade du développement. Le modèle entraîné est exporté dans un format binaire compact et s'exécute sur n'importe quel matériel, y compris les microcontrôleurs.

Architecture : du capital au neurone

Le réseau de neurones n'approxime pas simplement les séries temporelles — il imite les cycles réels de circulation du capital. La structure du réseau reflète la logique économique, pas seulement les modèles statistiques dans les nombres. Quatre couches cachées d'un réseau non linéaire se compriment en six neurones de projection selon la méthodologie de la Banque mondiale. Caractéristiques techniques clés :

• C++20 sans dépendances externes — contrôle total de la mémoire
• NVIDIA CUDA pour accélérer l'entraînement au stade du développement
• 4 couches cachées avec fonctions d'activation non linéaires
• Compression à 6 neurones de projection selon méthodologie BM
• Compatibilité avec Arduino avec une limite de mémoire de 32 KB

Six neurones de sortie — pas un nombre arbitraire : chacun correspond à l'un des indicateurs clés selon la méthodologie de la Banque mondiale. Cela rend le modèle interprétable : un analyste comprend quel facteur a influencé la prévision, au lieu de faire confiance aveuglément à une « boîte noire ».

Réseaux de neurones et macroéconomie : histoire

Les réseaux de neurones pour la prévision du PIB ne sont pas nouveaux. À la fin du XXe siècle, Swanson et White ont été parmi les premiers à prouver : les modèles non linéaires capturent mieux les cycles économiques cachés dans les données américaines que les modèles linéaires classiques. Kuan et Liu ont montré que le nettoyage préalable des séries temporales avant de les alimenter le réseau réduit considérablement l'erreur de prévision.

Au début des années 2000, Marcellino, Neusser et Wagner ont confirmé la supériorité des réseaux multicouches sur ARIMA lors de l'analyse du PIB des pays européens sur des horizons longs. Lin et Chen ont développé un schéma de commutation des poids permettant au modèle de reconnaître les périodes de crise et les changements structurels de l'économie. En 2024, Zhang et Bian ont mené des tests à grande échelle sur les données de l'économie chinoise et confirmé : les fonctions d'activation non linéaires fournissent un avantage durable dans le suivi des taux de croissance du PIB à long terme.

«

Quatre couches cachées d'un réseau non linéaire se compriment en six neurones de projection selon la méthodologie de la Banque mondiale » — c'est ainsi que l'auteur décrit la décision architecturale centrale.

Ce que cela signifie

Le projet prouve : la modélisation économique sérieuse ne nécessite pas une infrastructure coûteuse. Si l'architecture est bien conçue, un réseau de neurones pour la prévision du PIB tient dans 32 KB et s'exécute sur une carte pour 400 roubles. Pour les développeurs de systèmes embarqués, c'est un signal direct : la frontière entre l'IA macroéconomique et l'informatique en périphérie est plus mince qu'on ne le croit couramment.