換季時節來臨，容易過敏的人們恐怕會深受柳絮、花粉等“不明物體”的困擾。

季節性過敏的患者們想必都知道，空氣中過敏原的濃度每隔幾步就會發生變化。周圍一些開花的樹或突然吹來的帶花粉的風很容易引起打噴嚏和流淚。

但空氣中過敏原的濃度報告最具體的也只是以城市范圍來監測的。

一個由深度學習驅動的設備網絡可能會改變這一狀況，使科學家可以以街區為單位來監測花粉濃度。

加州大學洛杉磯分校(University of California, Los Angeles)的研究人員開發了一種便攜式人工智能設備，該設備能夠識別花粉和霉菌孢子中五種常見過敏原的水平，準確率高達94%，比傳統的機器學習方法的準確率提高了25%。

該研究的資深作者、加州大學洛杉磯分校納米系統研究所副主任Aydogan Ozcan說，使用NVIDIA GPU進行推理，深度學習模型甚至可以做到實時分析。加州大學洛杉磯分校畢業生Yichen Wu是該論文第一作者。

超越傳統的傳感方式

花粉、孢子和微生物等微小的生物粒子，隨著每一次呼吸都會進入人體。但是，很難說這些被稱為生物氣溶膠的微觀粒子中有多少會散落在的公園或街角的某些特定位置。

生物氣溶膠通常由研究人員使用過濾器或孢子捕集器收集，然后在實驗室進行染色和手工檢查。該方法已有半個世紀的歷史，通常需要幾個小時到幾天的時間。

加州大學洛杉磯分校的研究人員正在著手改進這一過程，他們使用一種便攜且成本低廉的設備在現場直接監測過敏原，Ozcan說，“這樣就可以避免掉發送樣品、貼標簽和人工檢查所涉及的時間和人力成本。”

與傳統方法不同的是，他們的設備可以自動吸入空氣，并將其困在一個被激光照射的粘性表面上。激光產生粒子的全息圖，使原本透明的過敏原變得可見，并可以被設備中的圖像傳感器芯片捕獲。

然后，全息圖像會被兩個獨立的神經網絡處理：一個用來清理和裁剪圖像，聚焦于描繪生物顆粒的部分，另一個用來分類過敏原。

傳統的機器學習算法在從全息圖像中對生物氣溶膠進行分類時，準確率可達70%左右。通過深度學習，研究人員能夠將準確率提高到前所未有的94%。

Wu說，使用NVIDIA GPU可以將神經網絡的訓練速度提高數百倍，并支持實時測試或推理。

超強大的實時分析解決方案

雖然文中描述的設備版本將全息圖傳輸到遠程服務器進行深度學習分析，但Wu表示，未來版本的設備可能會嵌入GPU，在邊緣運行AI模型。

對于科學家來說，這款便攜式工具不僅省錢，還能讓他們從分布在多個位置的傳感器上收集數據，從而生成分辨率更高的實時空氣質量地圖。這張地圖可以在網上提供給公眾，這是一個可以避免因氣候變化而導致的過敏季節更長、更嚴重的有效工具。

這款重量略超過一磅的設備的另一種用途是，可以用于個別過敏哮喘患者，讓他們隨時監測周圍的空氣質量，并通過智能手機訪問數據。

由于該設備可以無線操作，所以它也可以安裝在無人機上，在危險或難以進入的地點監測空氣質量。

研究人員計劃擴展人工智能模型，以探測更多種類的生物氣溶膠和其他粒子，并改進物理設備，使其能夠實現持續數月的傳感。