如果物联网设备持续断电，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、甚至不需要的无线无线电噪声）转换为可用电能，为物联网供电，可以产生少量电力。
但是，尽管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正在提出一种应用人工智能的系统，以减少物联网传感器的能耗并减轻电池寿命问题。该项目使用搭载式传感器，这种传感器由从环境中获取的能量驱动，来触发主传感器。背负式传感器将无人值守运行，并且经过训练，使用人工智能算法，只在满足特定事件条件时，才向主要设备发出信号，使其开启。
该项研究的首席研究员、斯旺森工程学院电子与计算机工程副教授Jingtong Hu在一篇关于该大学研究的文章中说：“利用从环境中获取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，数据也会丢失，因此我们希望帮助人工智能算法做出准确的决定，即使是间歇供电。”
主要的数据采集传感器和它们的无线电设备仍然需要电池供电，但是如果它们只在特定事件中工作，那么电力消耗就会减少。
JingtongHu在文章中说：“主要设备经过编程可以完成所有繁琐的工作。规模较小的传感器是看门狗，可以监视环境并在必要时唤醒较大的传感器。”
虽然这个概念听起来很简单，但是执行起来并不容易。
美国国家科学基金会（NSF）于今年8月获得了25万美元的赠款，以支持匹兹堡大学的项目。美国国家科学基金会（NSF）在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现人工智能（AI）。但是，存在两个主要挑战：一是大多数现有的深度神经网络（DNN）难以安装在资源受限的微控制器中。二是深度神经网络（DNN）通常需要多个为了获得这些推理结果，由于采集能力弱且无法预测，可能需要不确定的时间来解决这些挑战，该项目正在开发多出口DNN，可以在每次执行过程中输出增量准确的推理结果。”
研究人员概述了他们计划要解决的三个任务，这些任务为基于能源收集技术的物联网设备进行间歇性增量推理奠定了基础：
“首先，将开发新颖的功率跟踪感知压缩，在线修剪和自适应算法，以确保在间歇供电的设备上高效部署多出口深度神经网络（DNN）。其次，将成为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，将开发新的神经体系结构搜索算法，以自动搜索最佳的MESI-NN体系结构；该项目将通过实际系统和应用（例如图像分类、关键字）进行评估发现和活动识别。”
