传感器功率损耗是物联网的一大祸害。
如果这些设备不断地耗尽电力，部署数百万个传感器几乎是徒劳的。物联网传感器在没有电源的情况下无法收集或传输数据。
这是研究人员探索环境能量收集的原因之一。许多项目表明，通过将环境中的环境能量（例如 ，杂散磁场、湿度、废热 、甚至不需要的无线无线电噪声）转换为可用电能 ，为物联网供电，可以产生少量电力 。
电池是可靠的 ，但它不能作为一个可靠的替代能源。
匹兹堡大学的科学家们提出了一个应用人工智能的系统来减少物联网传感器的能源消耗并缓解电池寿命问题。该项目使用搭载式传感器，这种传感器由从环境中获取的能量驱动 ，来触发主传感器。背负式传感器将无人值守运行，并且经过训练 ，使用人工智能算法，只在满足特定事件条件时，才向主要设备发出信号，使其开启。
这项研究的首席研究员、该大学斯旺森工程学院电气和计算机工程副教授胡静通（JingtongHu）在大学网站上的一篇文章中表示 ："利用从环境中获得的能量运行人工智能算法的主要挑战之一是，环境的能量是间歇性的。"...如果传感器断电，您将丢失数据 ，因此我们希望帮助AI算法做出准确的决策，即使具有间歇性电源 。
主要的数据采集传感器和它们的无线电设备仍然需要电池供电，但是如果它们只在特定事件中工作，那么电力消耗就会减少。
胡在文章中说 ：“主设备被编程来完成所有的腿部工作。”较小的传感器是看门狗 ，可以监测环境 ，并在必要时唤醒较大的传感器。”
虽然这一概念听起来很简单 ，但执行起来并不容易。
美国国家科学基金会（NSF）于8月拨款25万美元资助匹兹堡大学的项目 。NSF网站上的摘要描述了团队的努力：
这个项目的目标是在这种无电池设备中实现人工智能（AI）。然而 ，主要有两个挑战 ：1.现有的深度神经网络（DNNs）大多难以适用于资源受限的微控制器。2.DNNs通常需要多个执行片段来获得一个推理结果，并且由于收获的功率很弱且不可预测，它可能需要不确定的时间。为了应对这些挑战 ，该项目正在开发多出口DNNs，它可以在每次执行过程中输出增量精确的推理结果。”
研究人员概述了他们计划解决的三项任务 ，为在能量收集技术驱动的物联网设备上进行间歇性增量推理奠定了基础 。
“首先，将开发新的功率跟踪感知压缩、在线修剪和自适应算法，以确保在间歇供电的设备上高效部署多出口DNNs。其次，将开发新的多出口统计和增量神经网络(MESI-NN)，以进一步减少延迟 ，提高准确性和能效。第三，将开发新的神经架构搜索算法，以自动搜索最佳MESI-NN架构 。该项目将通过真实系统和应用程序进行评估 ，如图像分类、关键词识别和活动识别。”
根据摘要，最终的结果将是“复杂的无电池计算系统”。
首页