传感器功率损耗是物联网的祸害之一。如果这些设备不断耗电，那么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，甚至不需要的无线电噪声）转化为可用的电能，可以产生少量电力来为物联网供电。电池是可靠的，但不能作为可靠的替代能源。匹兹堡大学的科学家们提出了一种系统，该系统应用人工智能来降低物联网传感器的能耗并缓解电池寿命问题。该项目使用由从环境中收集的能量驱动的背负式传感器来触发主传感器。背负式传感器将在无人值守的情况下运行，并使用人工智能算法进行训练，以便仅在满足特定事件条件时才向主设备发出信号以开启。“使用从环境中收集的能量来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，你就会丢失数据，所以我们想帮助人工智能算法准确的决策，即使是断断续续的电源。主要的数据采集传感器及其无线电仍然需要电池供电，但如果它们仅在特定事件期间工作，则功耗会降低。“主设备被编程来完成所有的腿部工作，”胡静在文章中说。较小的传感器是监控环境并在必要时唤醒较大传感器的看门狗。“虽然这个概念听起来很简单，但执行起来却并非如此。美国国家科学基金会(NSF)于8月向匹兹堡大学的项目提供了250,000美元的赠款。NSF网站上的摘要描述了该团队的努力：该项目的目标是在这种无电池设备中实现人工智能(AI)。但是，存在两个主要挑战：1.大多数现有的深度神经网络(DNN)难以适应资源受限的微控制器。2.DNN通常需要多次执行碎片来获得一个推理结果，并且由于收集的能量微弱且不可预测，因此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DNN，它可以在单次执行期间输出增量准确的推理结果。”研究人员概述了他们计划解决的三项任务，为能量收集驱动的物联网设备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，以确保在间歇性供电设备上高效部署多出口DNN。其次，新的多出口统计和增量神经网络(MESI-NN)以进一步减少延迟并提高准确性和能源效率。第三，将开发一种新的神经架构搜索算法，以自动搜索最佳MESI-NN架构。该项目将通过图像分类、关键词识别等真实系统和应用进行评估，以及活动识别。”根据摘要，最终结果将是一个“复杂的无电池计算系统”。
