如果物聯(lián)網(wǎng)設(shè)備持續(xù)斷電，部署數(shù)百萬個(gè)傳感器幾乎是徒勞的。物聯(lián)網(wǎng)傳感器在沒有電源的情況下無法收集或傳輸數(shù)據(jù)。

這是研究人員探索環(huán)境能量收集的原因之一。許多項(xiàng)目表明，通過將環(huán)境中的環(huán)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(zhuǎn)換為可用電能，為物聯(lián)網(wǎng)供電，可以產(chǎn)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(xué)的科學(xué)家正在提出一種應(yīng)用人工智能的系統(tǒng)，以減少物聯(lián)網(wǎng)傳感器的能耗并減輕電池壽命問題。該項(xiàng)目使用搭載式傳感器，這種傳感器由從環(huán)境中獲取的能量驅(qū)動(dòng)，來觸發(fā)主傳感器。背負(fù)式傳感器將無人值守運(yùn)行，并且經(jīng)過訓(xùn)練，使用人工智能算法，只在滿足特定事件條件時(shí)，才向主要設(shè)備發(fā)出信號(hào)，使其開啟。

該項(xiàng)研究的首席研究員、斯旺森工程學(xué)院電子與計(jì)算機(jī)工程副教授JingtongHu在一篇關(guān)于該大學(xué)研究的文章中說：“利用從環(huán)境中獲取的能量來運(yùn)行人工智能算法的主要挑戰(zhàn)之一是來自環(huán)境的能量是間歇性的。如果傳感器斷電，數(shù)據(jù)也會(huì)丟失，因此我們希望幫助人工智能算法做出準(zhǔn)確的決定，即使是間歇供電?！?/p>

主要的數(shù)據(jù)采集傳感器和它們的無線電設(shè)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(huì)減少。

JingtongHu在文章中說：“主要設(shè)備經(jīng)過編程可以完成所有繁瑣的工作。規(guī)模較小的傳感器是看門狗，可以監(jiān)視環(huán)境并在必要時(shí)喚醒較大的傳感器?！?/p>

雖然這個(gè)概念聽起來很簡單，但是執(zhí)行起來并不容易。

美國國家科學(xué)基金會(huì)（NSF）于今年8月獲得了25萬美元的贈(zèng)款，以支持匹茲堡大學(xué)的項(xiàng)目。美國國家科學(xué)基金會(huì)（NSF）在網(wǎng)站概述了該團(tuán)隊(duì)的工作：

“該項(xiàng)目旨在在這種無電池設(shè)備中實(shí)現(xiàn)人工智能（AI）。但是，存在兩個(gè)主要挑戰(zhàn)：一是大多數(shù)現(xiàn)有的深度神經(jīng)網(wǎng)絡(luò)（DNN）難以安裝在資源受限的微控制器中。二是深度神經(jīng)網(wǎng)絡(luò)（DNN）通常需要多個(gè)為了獲得這些推理結(jié)果，由于采集能力弱且無法預(yù)測，可能需要不確定的時(shí)間來解決這些挑戰(zhàn)，該項(xiàng)目正在開發(fā)多出口DNN，可以在每次執(zhí)行過程中輸出增量準(zhǔn)確的推理結(jié)果。”

研究人員概述了他們計(jì)劃要解決的三個(gè)任務(wù)，這些任務(wù)為基于能源收集技術(shù)的物聯(lián)網(wǎng)設(shè)備進(jìn)行間歇性增量推理奠定了基礎(chǔ)：

“首先，將開發(fā)新穎的功率跟蹤感知壓縮，在線修剪和自適應(yīng)算法，以確保在間歇供電的設(shè)備上高效部署多出口深度神經(jīng)網(wǎng)絡(luò)（DNN）。其次，將成為新的多出口統(tǒng)計(jì)和增量神經(jīng)網(wǎng)絡(luò)（MESI-NN）。進(jìn)一步減少延遲并提高準(zhǔn)確性和能源效率;第三，將開發(fā)新的神經(jīng)體系結(jié)構(gòu)搜索算法，以自動(dòng)搜索最佳的MESI-NN體系結(jié)構(gòu);該項(xiàng)目將通過實(shí)際系統(tǒng)和應(yīng)用（例如圖像分類、關(guān)鍵字）進(jìn)行評(píng)估發(fā)現(xiàn)和活動(dòng)識(shí)別。”

研究人員表示，其最終結(jié)果將是“復(fù)雜的無電池計(jì)算系統(tǒng)”