[[352688]]

傳感器功率損耗是物聯網的一大禍害。

如果這些設備不斷地耗盡電力，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。

電池是可靠的，但它不能作為一個可靠的替代能源。

匹茲堡大學的科學家們提出了一個應用人工智能的系統來減少物聯網傳感器的能源消耗并緩解電池壽命問題。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。

這項研究的首席研究員、該大學斯旺森工程學院電氣和計算機工程副教授胡靜通(JingtongHu)在大學網站上的一篇文章中表示："利用從環境中獲得的能量運行人工智能算法的主要挑戰之一是，環境的能量是間歇性的。"...如果傳感器斷電，您將丟失數據，因此我們希望幫助AI算法做出準確的決策，即使具有間歇性電源。

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。

胡靜在文章中說：“主設備被編程來完成所有的腿部工作。”較小的傳感器是看門狗，可以監測環境，并在必要時喚醒較大的傳感器。”

雖然這一概念聽起來很簡單，但執行起來并不容易。

美國國家科學基金會(NSF)于8月撥款25萬美元資助匹茲堡大學的項目。NSF網站上的摘要描述了團隊的努力：

這個項目的目標是在這種無電池設備中實現人工智能(AI)。然而，主要有兩個挑戰：1.現有的深度神經網絡(DNNs)大多難以適用于資源受限的微控制器。2.DNNs通常需要多個執行片段來獲得一個推理結果，并且由于收獲的功率很弱且不可預測，它可能需要不確定的時間。為了應對這些挑戰，該項目正在開發多出口DNNs，它可以在每次執行過程中輸出增量精確的推理結果。”

研究人員概述了他們計劃解決的三項任務，為在能量收集技術驅動的物聯網設備上進行間歇性增量推理奠定了基礎。

“首先，將開發新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DNNs。其次，將開發新的多出口統計和增量神經網絡(MESI-NN)，以進一步減少延遲，提高準確性和能效。第三，將開發新的神經架構搜索算法，以自動搜索最佳MESI-NN架構。該項目將通過真實系統和應用程序進行評估，如圖像分類、關鍵詞識別和活動識別。”

根據摘要，最終的結果將是“復雜的無電池計算系統”。