傳感器功率損耗是物聯(lián)網(wǎng)的一大禍害。
如果這些設(shè)備不斷地耗盡電力，部署數(shù)百萬(wàn)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(wú)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(chǎng)、濕度、廢熱、甚至不需要的無(wú)線無(wú)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。
電池是可靠的，但它不能作為一個(gè)可靠的替代能源。
匹茲堡大學(xué)的科學(xué)家們提出了一個(gè)應(yīng)用人工智能的系統(tǒng)來(lái)減少物聯(lián)網(wǎng)傳感器的能源消耗并緩解電池壽命問題。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(lái)觸發(fā)主傳感器。背負(fù)式傳感器將無(wú)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。
這項(xiàng)研究的首席研究員、該大學(xué)斯旺森工程學(xué)院電氣和計(jì)算機(jī)工程副教授胡靜通（JingtongHu）在大學(xué)網(wǎng)站上的一篇文章中表示："利用從環(huán)境中獲得的能量運(yùn)行人工智能算法的主要挑戰(zhàn)之一是，環(huán)境的能量是間歇性的。"...如果傳感器斷電，您將丟失數(shù)據(jù)，因此我們希望幫助AI算法做出準(zhǔn)確的決策，即使具有間歇性電源。
主要的數(shù)據(jù)采集傳感器和它們的無(wú)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。
胡在文章中說：“主設(shè)備被編程來(lái)完成所有的腿部工作。”較小的傳感器是看門狗，可以監(jiān)測(cè)環(huán)境，并在必要時(shí)喚醒較大的傳感器。”
雖然這一概念聽起來(lái)很簡(jiǎn)單，但執(zhí)行起來(lái)并不容易。
美國(guó)國(guó)家科學(xué)基金會(huì)（NSF）于8月?lián)芸?5萬(wàn)美元資助匹茲堡大學(xué)的項(xiàng)目。NSF網(wǎng)站上的摘要描述了團(tuán)隊(duì)的努力：
這個(gè)項(xiàng)目的目標(biāo)是在這種無(wú)電池設(shè)備中實(shí)現(xiàn)人工智能（AI）。然而，主要有兩個(gè)挑戰(zhàn)：1.現(xiàn)有的深度神經(jīng)網(wǎng)絡(luò)（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(gè)執(zhí)行片段來(lái)獲得一個(gè)推理結(jié)果，并且由于收獲的功率很弱且不可預(yù)測(cè)，它可能需要不確定的時(shí)間。為了應(yīng)對(duì)這些挑戰(zhàn)，該項(xiàng)目正在開發(fā)多出口DNNs，它可以在每次執(zhí)行過程中輸出增量精確的推理結(jié)果。”
研究人員概述了他們計(jì)劃解決的三項(xiàng)任務(wù)，為在能量收集技術(shù)驅(qū)動(dòng)的物聯(lián)網(wǎng)設(shè)備上進(jìn)行間歇性增量推理奠定了基礎(chǔ)。
“首先，將開發(fā)新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DNNs。其次，將開發(fā)新的多出口統(tǒng)計(jì)和增量神經(jīng)網(wǎng)絡(luò)(MESI-NN)，以進(jìn)一步減少延遲，提高準(zhǔn)確性和能效。第三，將開發(fā)新的神經(jīng)架構(gòu)搜索算法，以自動(dòng)搜索最佳MESI-NN架構(gòu)。該項(xiàng)目將通過真實(shí)系統(tǒng)和應(yīng)用程序進(jìn)行評(píng)估，如圖像分類、關(guān)鍵詞識(shí)別和活動(dòng)識(shí)別。”
根據(jù)摘要，最終的結(jié)果將是“復(fù)雜的無(wú)電池計(jì)算系統(tǒng)”。
