В Исследовательской лаборатории армии США ученые повышают скорость обучения даже при ограниченных ресурсах. Можно помочь солдатам расшифровать подсказки информации быстрее и быстрее развернуть решения, такие как распознавание угроз, таких как самодельное взрывное устройство на транспортных средствах, или потенциально опасные зоны по изображениям зоны боевых действий с воздуха.Исследователи полагались на дешевое и легкое оборудование и реализовали совместную фильтрацию, хорошо известный метод машинного обучения на современной платформе программируемой вентильной матрицы с низким энергопотреблением, что позволило ускорить обучение в 13,3 раза по сравнению с современная оптимизированная многоядерная система и 12,7-кратное ускорение для оптимизированных систем с графическим процессором.Новая техника потребляла гораздо меньше энергии.
Потребление составило 13,8 Вт по сравнению с 130 Вт для многоядерных процессоров и 235 Вт для платформ с графическим процессором, что делает его потенциально полезным компонентом адаптивных, легких тактических вычислительных систем.Доктор Раджгопал Каннан, исследователь ARL, сказал, что этот метод может в конечном итоге стать частью набора инструментов, встроенных в боевую машину следующего поколения, предлагая когнитивные услуги и устройства для боевиков в среде распределенной коалиции.
Разработка технологии для боевой машины следующего поколения является одним из шести приоритетов модернизации армии, которым занимается лаборатория.Каннан сотрудничает с группой исследователей из Университета Южной Калифорнии, а именно с профессором Виктором Прасанной и студентами из лаборатории науки о данных и архитектуры над этой работой. ARL и USC работают над ускорением и оптимизацией приложений тактического обучения на гетерогенном недорогом оборудовании в рамках инициативы ARL — West Coast Open Campus.Эта работа является частью более широкого внимания армии к исследовательским инициативам в области искусственного интеллекта и машинного обучения, направленным на то, чтобы помочь получить стратегическое преимущество и обеспечить превосходство истребителей с помощью таких приложений, как адаптивная обработка данных в полевых условиях и тактические вычисления.
Каннан сказал, что он работает над разработкой нескольких методов ускорения алгоритмов AI / ML за счет инновационных разработок на современном недорогом оборудовании.Каннан сказал, что описанные в статье методы могут стать частью цепочки инструментов для потенциальных проектов.
Например, недавно начатый новый проект адаптивной обработки данных, в котором он является ключевым исследователем, мог бы использовать эти возможности.