傳感器功率損耗是物聯(lián)網(wǎng)的一大禍害。
如果這些設備不斷地耗盡電力，部署數百萬(wàn)個(gè)傳感器幾乎是徒勞的。物聯(lián)網(wǎng)傳感器在沒(méi)有電源的情況下無(wú)法收集或傳輸數據。
這是研究人員探索環(huán)境能量收集的原因之一。許多項目表明，通過(guò)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(xiàn)無(wú)線(xiàn)電噪聲）轉換為可用電能，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)應用人工智能的系統來(lái)減少物聯(lián)網(wǎng)傳感器的能源消耗并緩解電池壽命問(wèn)題。該項目使用搭載式傳感器，這種傳感器由從環(huán)境中獲取的能量驅動(dòng)，來(lái)觸發(fā)主傳感器。背負式傳感器將無(wú)人值守運行，并且經(jīng)過(guò)訓練，使用人工智能算法，只在滿(mǎn)足特定事件條件時(shí)，才向主要設備發(fā)出信號，使其開(kāi)啟。
這項研究的首席研究員、該大學(xué)斯旺森工程學(xué)院電氣和計算機工程副教授胡靜通（JingtongHu）在大學(xué)網(wǎng)站上的一篇文章中表示："利用從環(huán)境中獲得的能量運行人工智能算法的主要挑戰之一是，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(wú)線(xiàn)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(huì )減少。
胡在文章中說(shuō)：“主設備被編程來(lái)完成所有的腿部工作�！陛^小的傳感器是看門(mén)狗，可以監測環(huán)境，并在必要時(shí)喚醒較大的傳感器�！�
雖然這一概念聽(tīng)起來(lái)很簡(jiǎn)單，但執行起來(lái)并不容易。
美國國家科學(xué)基金會(huì )（NSF）于8月?lián)芸?5萬(wàn)美元資助匹茲堡大學(xué)的項目。NSF網(wǎng)站上的摘要描述了團隊的努力：
這個(gè)項目的目標是在這種無(wú)電池設備中實(shí)現人工智能（AI）。然而，主要有兩個(gè)挑戰：1.現有的深度神經(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)執行片段來(lái)獲得一個(gè)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(shí)間。為了應對這些挑戰，該項目正在開(kāi)發(fā)多出口DNNs，它可以在每次執行過(guò)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(wù)，為在能量收集技術(shù)驅動(dòng)的物聯(lián)網(wǎng)設備上進(jìn)行間歇性增量推理奠定了基礎。
“首先，將開(kāi)發(fā)新的功率跟蹤感知壓縮、在線(xiàn)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(kāi)發(fā)新的多出口統計和增量神經(jīng)網(wǎng)絡(luò )(MESI-NN)，以進(jìn)一步減少延遲，提高準確性和能效。第三，將開(kāi)發(fā)新的神經(jīng)架構搜索算法，以自動(dòng)搜索最佳MESI-NN架構。該項目將通過(guò)真實(shí)系統和應用程序進(jìn)行評估，如圖像分類(lèi)、關(guān)鍵詞識別和活動(dòng)識別�！�
根據摘要，最終的結果將是“復雜的無(wú)電池計算系統”。
首頁(yè)