季节性过敏患者想必都知道，空气中过敏原的浓度每隔几步就会发生变化。周围开花的树或突然的一阵带有花粉的风，都能轻而易举地引起打喷嚏和眼睛流泪。
但是在最细化的级别上，空气中过敏原浓度报告也是以城市为单位来进行监测的。
一个由深度学习驱动的设备网络可以改变这一切，使科学家们可以按街区为单位来监测花粉浓度。
来自洛杉矶加州大学的研究人员研发了一种便携式人工智能设备。根据该团队的最新文章，该设备可以识别花粉、霉菌孢子中的 5 种常见过敏原的水平，准确率达到 94%。相比于传统机器学习方法，将准确率提高了 25%。
该研究的资深作者、加州大学洛杉矶分校加州纳米技术研究院副主任 Aydogan Ozcan 认为，使用 NVIDIA GPU 进行推理，深入学习模型甚至可以做到实时分析。该论文的第一作者是加州大学洛杉矶分校的研究生 Yichen Wu。
让传统感测方法靠边站
微小的生物颗粒，包括花粉、孢子和微生物，伴随着人类的每一次呼吸进入人类体内。但是，很难得知在特定公园或街角处有多少这样的微小颗粒（称为生物气溶胶）。
在传统的监测方法中，研究人员使用过滤器或孢子捕捉器收集生物气溶胶，然后将其带到实验室中进行着色和人工监测。这一方法已使用了半个世纪，并且总是需耗费数小时到数天的时间。
加州大学洛杉矶分校的研究人员正在着手改进这一流程，使用低成本的便携式设备，直接实地监测过敏原。Ozcan 说：“这样一来，把样本送到实验室、对样本进行标记和人工监测的时间和劳动力成本就都可以省去了。”
不同于传统方法，他们的设备能自动吸入空气，并将其附着在一个由激光照射的粘性表面。激光可以产生颗粒的全息图，使原本透明的过敏原可见，并可以由该设备上的图像传感器芯片捕获。
然后，两个独立的神经网络会对全息图进行处理：其中一个网络对图像进行清理和裁剪，聚焦于描绘生物颗粒的部分，另一个网络则对过敏原进行分类。
传统机器学习算法在从全息图中对生物气溶胶进行分类时，准确率只能达到 70% 左右。借助深度学习，研究人员能够将准确率提高到前所未有的 94%。
Wu 指出，NVIDIA GPU 的使用，将神经网络的训练速度提高了数百倍，可以实现实时监测或推理。
超强大的实时分析解决方案
论文中介绍的设备版本需要将全息图传送到远程服务器进行深度学习分析。Wu 表示，未来的设备版本可以采用内嵌式 GPU，在边缘运行人工智能模型。
对于科学家来说，便携式设备不仅可以节约成本，还使他们能够从分散在多个地点的传感器收集数据，生成分辨率更高的空气质量地图。空气质量地图可以在线向大众提供，这是一个非常有用的工具，因为气候变化使过敏季节变得更加漫长、更加严重。
设备自身的重量刚刚超过 1 磅，因此设备也可由过敏人士或哮喘患者个人使用，使他们可以随时监测周围的空气质量，并通过智能手机获取数据。
因为设备可以无线操作，可以安装在无人机上，用来监测危险区域或者难以到达的区域的空气质量。
研究人员计划扩展人工智能模型，以感知更多类别的生物气溶胶以及其他颗粒，并提升设备的物理性能，使其可以持续数月进行监测。