La perte de puissance des capteurs est le fléau de l'IoT. Déployer des millions de capteurs relève d'une entreprise inutile si les appareils sont continuellement à court d'énergie. Les capteurs IoT ne peuvent pas collecter ou transmettre des données sans alimentation, raison pour laquelle les chercheurs visent à augmenter la durée de vie des capteurs et des appareils IoT en utilisant l'IA et la technologie de récupération d'énergie.
L'IA pour réduire la consommation d'énergie des capteurs IoT
De nombreux projets ont montré que de petites quantités d'énergie peuvent être générées en convertissant l'énergie ambiante dans l'environnement. Qui dit environnement dit champs magnétiques parasites, humidité, chaleur perdue et même bruit radio sans fil indésirable par exemple. Cette énergie ambiante est convertit en énergie électrique utilisable pour alimenter l'IoT. Mais si l'énergie ambiante peut être récupérée, ce n'est pas un remplacement fiable de la batterie.
Des scientifiques de l'Université de Pittsburgh proposent un système qui applique l'intelligence artificielle pour réduire la consommation d'énergie des capteurs IoT et atténuer les problèmes de longévité des batteries. Le projet utilise des capteurs ferroutés, qui sont alimentés par l'énergie récoltée dans l'environnement, pour déclencher les principaux capteurs. Les capteurs de ferroutage fonctionneront sans surveillance et sont formés, à l'aide d'algorithmes d'IA, pour signaler aux principaux appareils de ne s'allumer que lorsque des conditions d'événements spécifiques sont remplies.
Le défi face à l'intermittence de la production d'énergie de l'environnement ambiante
L'un des principaux défis liés à l'exécution d'algorithmes d'IA avec de l'énergie extraite de l'environnement est que l'énergie de l'environnement est intermittente. Si le capteur perd de la puissance, il y a pertes de données. L'idée est donc d'aider les algorithmes d'IA à prendre une décision précise, même avec une alimentation intermittente. Les principaux capteurs de collecte de données et leurs radios nécessiteront toujours une alimentation par batterie, mais la consommation d'énergie sera réduite s'ils ne sont activés que lors d'événements spécifiques.
L'appareil principal est programmé pour faire tout le travail de fond. Le plus petit capteur est le gardien qui va surveiller l'environnement et réveiller le plus grand capteur si nécessaire. Bien que le concept semble simple, il ne sera pas facile à exécuter. Ce projet développe des réseaux de neurones profonds (DNN) à sorties multiples, qui peuvent produire des résultats d'inférence de manière incrémentielle précise au cours de chaque épisode d'exécution.
Trois tâches prévues
Les chercheurs ont décrit trois tâches pour jeter les bases d'une inférence incrémentielle intermittente sur les appareils IoT alimentés par la technologie de récupération d'énergie.
Premièrement, de nouveaux algorithmes de compression, d'élagage en ligne et d'adaptation tenant compte de la trace de puissance seront développés pour assurer un déploiement efficace de DNN à sorties multiples sur des appareils alimentés par intermittence.
Deuxièmement, de nouveaux réseaux de neurones statistiques et incrémentaux à sorties multiples (MESI-NN) seront développés pour réduire davantage la latence et améliorer la précision ainsi que l'efficacité énergétique.
Troisièmement, de nouveaux algorithmes de recherche d'architecture neuronale seront développés pour rechercher automatiquement la meilleure architecture MESI-NN. Ce projet sera évalué avec un système réel et des applications telles que la classification d'images, des mots-clés repérage et reconnaissance des activités.
- Partager l'article :
