Newcastle, Reino Unido — InkDesign News — Pesquisadores liderados pela Newcastle University desenvolveram um sistema integrado inovador que utiliza machine learning para operar dispositivos IoT sem necessidade de bateria, empregando uma solução sustentável para edge AI.
Contexto da pesquisa
A crescente demanda por dispositivos inteligentes e autônomos, estimada em mais de 30 bilhões de unidades até 2030, exige fontes de energia eficientes e sustentáveis para a Internet das Coisas (IoT). A pesquisa conduzida na Newcastle University propõe uma alternativa para alimentar esses dispositivos sem baterias, contribuindo para a sustentabilidade e redução do impacto ambiental dos resíduos eletrônicos.
Método proposto
O sistema é baseado em um fotocapacitor três terminais, que integra um fotovoltaico híbrido de alta eficiência, um supercapacitor molecularmente projetado e membranas biodegradáveis derivadas de quitina de cogumelos. Essa combinação resulta em um dispositivo compacto capaz de capturar e armazenar energia luminosa de ambientes internos, permitindo o funcionamento contínuo de sensores IoT. O modelo de machine learning aplicado foi testado em tarefas de reconhecimento de imagens, realizando inferências com alta precisão e baixo consumo energético.
Resultados e impacto
O fotocapacitor alcançou uma tensão de foto-carregamento recorde de 0,9 V e eficiência de carregamento geral de 18% sob iluminação interna típica. Em testes práticos, alimentou tarefas de reconhecimento de imagens com 93% de acurácia, consumindo apenas 0,8 mJ por inferência, o que representa um desempenho 3,5 vezes superior aos módulos comerciais de silício em throughput. A tecnologia atende à meta da ONU por energia limpa e acessível, evidenciando potencial para aplicações em ambientes domésticos, industriais e urbanos sem necessidade de manutenção.
“Este foi um conceito maturado por quase uma década, unindo engenharia molecular fundamental à aplicação real em AI de borda.
(“This has been an idea brewing for almost a decade, bringing together everything from fundamental molecular engineering to real-world edge AI applications.”)— Prof. Marina Freitag, Chair of Energy, Newcastle University
O estudo combina técnicas de machine learning para edge computing eficientes em cenários de baixa luminosidade, demonstrando como a biotecnologia e a engenharia fotovoltaica podem se unir para viabilizar sensores inteligentes e autônomos. A precisão e eficiência energética comprovadas indicam uma nova direção para a integração de AI em dispositivos embarcados.
“Estamos muito satisfeitos em ver essa ideia transformada em um sistema integrado e operacional, mostrando que a colaboração internacional é essencial para resolver os desafios da tecnologia sustentável e inteligente.”
(“I am absolutely delighted to see it finally realized—not just as an academic curiosity, but as a fully integrated, working system. It proves that only through deep, international collaboration can we solve the multi-faceted challenges of sustainable, intelligent technology.”)— Prof. Marina Freitag, Chair of Energy, Newcastle University
As próximas etapas envolvem ampliar a aplicação para redes maiores, aprimorar o armazenamento e adaptar a tecnologia para outras formas de dispositivos inteligentes, reforçando seu papel em smart cities e monitoramento ambiental.
Saiba mais sobre abordagens em machine learning e deep learning em nossos conteúdos relacionados: Machine Learning e Deep Learning.
Fonte: (TechXplore – Machine Learning & AI)
