研究人员旨在通过使用人工智能和能量收集技术来延长传感器和物联网设备的使用寿命。如果物联网设备不断断电，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。但是，虽然它可以收集周围的能量，但它并不是电池的可靠替代品。匹兹堡大学的科学家们正在提出一种系统，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来自环境的能量是间歇性的。如果传感器断电，数据就会丢失，因此我们希望帮助AI算法做出准确的决策，即使是间歇性的力量。”主要的数据收集传感器和它们的无线电仍然需要电池供电，但如果它们只在特定事件期间工作，那么功耗就会降低。“主要设备被编程为完成所有繁重的工作。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，”JingtongHu在文章中说。虽然这个概念听起来很简单，但执行起来并不容易。美国国家科学基金会(NSF)获得了250,000美元的资助8月支持匹兹堡项目。美国国家科学基金会(NSF)网站概述了该团队的工作：“该项目旨在在这种无电池设备中实施人工智能(AI)。然而，存在两个主要挑战：一个是现有的大多数深度神经网络(DNN)难以安装在资源受限的微控制器中。其次是深度神经网络(DNN)通常需要多个时间来应对这些挑战，该项目正在开发多出口DNN，可以在每次执行时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，这些任务为基于能量收集技术的物联网设备间歇性增量推理奠定了基础：“首先，新颖的功率跟踪感知压缩、在线修剪和自适应算法可确保多出口的高效部署间歇供电设备上的深度神经网络（DNN）。第二，将是新的多出口统计和增量神经网络（MESI-NN）。进一步减少延迟并提高准确性和能源效率；第三，新的神经架构搜索算法将是开发用于自动搜索最佳MESI-NN架构；单词）用于评估发现和活动识别。研究人员说，最终结果将是“复杂的无电池计算系统”。
