匹茲堡大學的科學家正在提出一種應用人工智能的系統，以減少IoT傳感器的能耗并減輕電池壽命問題。該項目使用搭載在環境中的能量作為動力的搭載傳感器來觸發主要傳感器。搭載傳感器將在無人看管的情況下運行，并使用AI算法進行訓練，以通知主要設備僅在滿足特定事件條件時才打開。

該大學的斯旺森商學院電氣與計算機工程學的副研究員兼電氣與計算機工程副教授胡靜同說：“利用從環境中獲取的能量來運行AI算法的主要挑戰之一是環境中的能量是斷續的。”工程，在大學網站上的一篇文章中。“……如果傳感器斷電，您將丟失數據，因此我們希望幫助AI算法即使在斷電情況下也能做出準確的決策。”

主要的數據收集傳感器及其無線電仍將需要電池供電，但如果僅在特定事件期間使用它們，則將減少用電量。

胡錦濤在文章中說：“主要設備經過編程可以完成所有繁瑣的工作。”“較小的傳感器是看門狗，可以監視環境并在必要時喚醒較大的傳感器。”

雖然這個概念聽起來很簡單，但是執行起來并不容易。

美國國家科學基金會（NSF）于8月獲得了25萬美元的贈款，以支持匹茲堡大學的項目。一個在美國國家科學基金會網站抽象描述團隊的努力：

“該項目旨在在這種無電池設備中實現人工智能（AI）。但是，存在兩個主要挑戰：1.大多數現有的深度神經網絡（DNN）難以安裝在資源受限的微控制器中。2. DNN通常需要多個為了獲得一個推理結果，由于采集能力弱且無法預測，可能需要不確定的時間來解決這些挑戰，該項目正在開發多出口DNN，可以在每次執行過程中輸出增量準確的推理結果。 ”

研究人員概述了他們計劃要解決的三個任務，這些任務為基于能源收集技術的物聯網設備進行間歇性增量推理奠定了基礎：

“首先，將開發新穎的功率跟蹤感知壓縮，在線修剪和自適應算法，以確保在間歇供電的設備上高效部署多出口DNN。其次，將成為新的多出口統計和增量神經網絡（MESI-NN）。進一步減少延遲并提高準確性和能源效率;第三，將開發新的神經體系結構搜索算法，以自動搜索最佳的MESI-NN體系結構;該項目將通過實際系統和應用（例如圖像分類，關鍵字）進行評估發現和活動識別。”

責任編輯：lq