季节性过敏的患者们想必都知道，空气中过敏原的浓度每隔几步就会发生变化。周围一些开花的树或突然吹来的带花粉的风很容易引起打喷嚏和流泪。

但空气中过敏原的浓度报告最具体的也只是以城市范围来监测的。

一个由深度学习驱动的设备网络可能会改变这一状况，使科学家可以以街区为单位来监测花粉浓度。

加州大学洛杉矶分校(University of California, Los Angeles)的研究人员开发了一种便携式人工智能设备，该设备能够识别花粉和霉菌孢子中五种常见过敏原的水平，准确率高达94%，比传统的机器学习方法的准确率提高了25%。

该研究的资深作者、加州大学洛杉矶分校纳米系统研究所副主任Aydogan Ozcan说，使用NVIDIA GPU进行推理，深度学习模型甚至可以做到实时分析。加州大学洛杉矶分校毕业生Yichen Wu是该论文第一作者。

花粉、孢子和微生物等微小的生物粒子，随着每一次呼吸都会进入人体。但是，很难说这些被称为生物气溶胶的微观粒子中有多少会散落在的公园或街角的某些特定位置。

生物气溶胶通常由研究人员使用过滤器或孢子捕集器收集，然后在实验室进行染色和手工检查。该方法已有半个世纪的历史，通常需要几个小时到几天的时间。

加州大学洛杉矶分校的研究人员正在着手改进这一过程，他们使用一种便携且成本低廉的设备在现场直接监测过敏原，Ozcan说，“这样就可以避免掉发送样品、贴标签和人工检查所涉及的时间和人力成本。”

与传统方法不同的是，他们的设备可以自动吸入空气，并将其困在一个被激光照射的粘性表面上。激光产生粒子的全息图，使原本透明的过敏原变得可见，并可以被设备中的图像传感器芯片捕获。

然后，全息图像会被两个独立的神经网络处理：一个用来清理和裁剪图像，聚焦于描绘生物颗粒的部分，另一个用来分类过敏原。

传统的机器学习算法在从全息图像中对生物气溶胶进行分类时，准确率可达70%左右。通过深度学习，研究人员能够将准确率提高到前所未有的94%。

Wu说，使用NVIDIA GPU可以将神经网络的训练速度提高数百倍，并支持实时测试或推理。

虽然文中描述的设备版本将全息图传输到远程服务器进行深度学习分析，但Wu表示，未来版本的设备可能会嵌入GPU，在边缘运行AI模型。

对于科学家来说，这款便携式工具不仅省钱，还能让他们从分布在多个位置的传感器上收集数据，从而生成分辨率更高的实时空气质量地图。这张地图可以在网上提供给公众，这是一个可以避免因气候变化而导致的过敏季节更长、更严重的有效工具。

这款重量略超过一磅的设备的另一种用途是，可以用于个别过敏哮喘患者，让他们随时监测周围的空气质量，并通过智能手机访问数据。

由于该设备可以无线操作，所以它也可以安装在无人机上，在危险或难以进入的地点监测空气质量。

研究人员计划扩展人工智能模型，以探测更多种类的生物气溶胶和其他粒子，并改进物理设备，使其能够实现持续数月的传感。