研究人員旨在通過使用人工智能和能量收集技術來延長傳感器和物聯網設備的壽命。

[[355493]]

如果物聯網設備持續斷電，部署數百萬個傳感器幾乎是徒勞的。物聯網傳感器在沒有電源的情況下無法收集或傳輸數據。

這是研究人員探索環境能量收集的原因之一。許多項目表明，通過將環境中的環境能量(例如，雜散磁場、濕度、廢熱、甚至不需要的無線無線電噪聲)轉換為可用電能，為物聯網供電，可以產生少量電力。

但是，盡管可以收集周圍的能量，但它并不是電池的可靠替代品。

匹茲堡大學的科學家正在提出一種應用人工智能的系統，以減少物聯網傳感器的能耗并減輕電池壽命問題。該項目使用搭載式傳感器，這種傳感器由從環境中獲取的能量驅動，來觸發主傳感器。背負式傳感器將無人值守運行，并且經過訓練，使用人工智能算法，只在滿足特定事件條件時，才向主要設備發出信號，使其開啟。

該項研究的首席研究員、斯旺森工程學院電子與計算機工程副教授Jingtong Hu在一篇關于該大學研究的文章中說：“利用從環境中獲取的能量來運行人工智能算法的主要挑戰之一是來自環境的能量是間歇性的。如果傳感器斷電，數據也會丟失，因此我們希望幫助人工智能算法做出準確的決定，即使是間歇供電。”

主要的數據采集傳感器和它們的無線電設備仍然需要電池供電，但是如果它們只在特定事件中工作，那么電力消耗就會減少。

JingtongHu在文章中說：“主要設備經過編程可以完成所有繁瑣的工作。規模較小的傳感器是看門狗，可以監視環境并在必要時喚醒較大的傳感器。”

雖然這個概念聽起來很簡單，但是執行起來并不容易。

美國國家科學基金會(NSF)于今年8月獲得了25萬美元的贈款，以支持匹茲堡大學的項目。美國國家科學基金會(NSF)在網站概述了該團隊的工作：

“該項目旨在在這種無電池設備中實現人工智能(AI)。但是，存在兩個主要挑戰：一是大多數現有的深度神經網絡(DNN)難以安裝在資源受限的微控制器中。二是深度神經網絡(DNN)通常需要多個為了獲得這些推理結果，由于采集能力弱且無法預測，可能需要不確定的時間來解決這些挑戰，該項目正在開發多出口DNN，可以在每次執行過程中輸出增量準確的推理結果。”

研究人員概述了他們計劃要解決的三個任務，這些任務為基于能源收集技術的物聯網設備進行間歇性增量推理奠定了基礎：

“首先，將開發新穎的功率跟蹤感知壓縮，在線修剪和自適應算法，以確保在間歇供電的設備上高效部署多出口深度神經網絡(DNN)。其次，將成為新的多出口統計和增量神經網絡(MESI-NN)。進一步減少延遲并提高準確性和能源效率;第三，將開發新的神經體系結構搜索算法，以自動搜索最佳的MESI-NN體系結構;該項目將通過實際系統和應用(例如圖像分類、關鍵字)進行評估發現和活動識別。”

研究人員表示，其最終結果將是“復雜的無電池計算系統”。