Kunstig intelligens hjælper soldater med at lære mange gange hurtigere i kamp

Ny teknologi gør det muligt for amerikanske soldater at lære 13 gange hurtigere end konventionelle metoder, og hærens forskere sagde, at dette kan hjælpe med at redde liv.

På U.S. Army Research Laboratory, videnskabsmænd forbedrer læringshastigheden selv med begrænsede ressourcer. Det er muligt at hjælpe soldater med at tyde antydninger af information hurtigere og hurtigere at implementere løsninger, såsom genkendelse af trusler som en køretøjsbåren improviseret eksplosiv enhed, eller potentielle farezoner fra luftkrigszonebilleder.

Forskerne stolede på lave omkostninger, letvægts hardware og implementeret kollaborativ filtrering, en velkendt maskinlæringsteknik på en state-of-the-art, Low-power Field Programmable Gate Array-platform for at opnå en 13,3 gange speedup af træning sammenlignet med et state-of-the-art optimeret multi-core system og 12,7 gange speedup for optimerede GPU-systemer.

Den nye teknik forbrugte også langt mindre strøm. Forbrug kortlagt 13,8 watt, sammenlignet med 130 watt for multi-core og 235 watt for GPU-platforme, gør dette til en potentielt nyttig komponent af adaptiv, lette taktiske computersystemer.

Dr. Rajgopal Kannan, en ARL-forsker, sagde, at denne teknik i sidste ende kunne blive en del af en række værktøjer, der er indlejret i næste generations kampkøretøj, tilbyder kognitive tjenester og enheder til krigskæmpere i distribuerede koalitionsmiljøer.

Udvikling af teknologi til næste generation af kampkøretøjer er en af ​​de seks hærens moderniseringsprioriteter, som laboratoriet forfølger.

Kannan samarbejder med en gruppe forskere ved University of Southern California, nemlig prof. Viktor Prasanna og studerende fra datavidenskab og arkitekturlaboratoriet om dette arbejde. ARL og USC arbejder på at accelerere og optimere taktiske læringsapplikationer på heterogen lavprishardware gennem ARL's - West Coast open campus initiativ.

Dette arbejde er en del af hærens større fokus på kunstig intelligens og maskinlæringsforskningsinitiativer, der forfølges for at hjælpe med at opnå en strategisk fordel og sikre krigskæmperens overlegenhed med applikationer som adaptiv behandling i felten og taktisk databehandling.

Kannan sagde, at han arbejder på at udvikle flere teknikker til at fremskynde AI/ML-algoritmer gennem innovative designs på state-of-the-art billig hardware.

Kannan sagde, at teknikkerne i papiret kan blive en del af værktøjskæden for potentielle projekter. For eksempel, et nyt adaptivt behandlingsprojekt, der for nylig startede, hvor han er en nøgleforsker, kunne bruge disse muligheder.

Hans papir om accelererende stokastisk gradientnedstigning, en teknik, der er allestedsnærværende for mange maskinlærings-træningsalgoritmer, vandt prisen for bedste papir ved det 26. ACM/SIGDA International Symposium on Field Programmable Gate Arrays, den førende internationale konference om teknisk forskning i FPGA'er, afholdt i Monterey, Californien, 25.-27. februar.