DVIDS – Ειδήσεις – Εύρεση δεδομένων στο Drift

Η μηχανική μάθηση ξεπερνά την ομίχλη στην εναέρια διασπορά των χημικών απειλών.

Η κατανόηση και η πρόβλεψη της διασποράς και της συγκέντρωσης παραγόντων χημικού πολέμου είναι κεντρικός παράγοντας για την προστασία της Κοινής Δύναμης. Επί του παρόντος, οι στρατιωτικοί διοικητές και το επιτελείο σχεδιάζουν μαχητικές επιχειρήσεις μεγάλης κλίμακας χρησιμοποιώντας μια μέθοδο βέλτιστης εικασίας για το πού θα τοποθετούσε ο εχθρός τα χημικά τους όπλα στο πεδίο της μάχης. Ομάδες αναγνώρισης με προστατευτικό εξοπλισμό θα επιβεβαιώσουν αυτές τις εκτιμήσεις.

Για να βελτιώσει τις πιθανότητες εντοπισμού χημικών όπλων, το Τμήμα Χημικών και Βιολογικών Τεχνολογιών της Υπηρεσίας Μείωσης Απειλών (DTRA) στο ρόλο του ως Κοινό Γραφείο Επιστήμης και Τεχνολογίας (JSTO) για τη Χημική και Βιολογική Άμυνα, αναπόσπαστο στοιχείο της Χημικής και Βιολογικής Άμυνας Πρόγραμμα, σε συνεργασία με επιστήμονες στο Εθνικό Εργαστήριο Βορειοδυτικού Ειρηνικού (PNNL) για να αποκαλύψει τις δυνατότητες της βαθιάς μάθησης, ένα υποσύνολο της μηχανικής μάθησης, στον τομέα της ποσοτικοποίησης επικίνδυνων υλικών χρησιμοποιώντας εικόνες 2D, όπως φωτογραφίες, χημικών λοφίων.

Αν και όχι πάντα, η βαθιά μάθηση συχνά διαμορφώνεται μέσω της υλοποίησης ενός νευρωνικού δικτύου, το οποίο είναι ένα σύστημα μαθηματικών επιπέδων που εντοπίζει και εξάγει σημαντικά χαρακτηριστικά από σχεδόν κάθε είδους δεδομένα, όπως αριθμητικά, κατηγορικά, εικόνα, ήχο και βίντεο. Ένα Συνελικτικό Νευρωνικό Δίκτυο (CNN) ερμηνεύει μεμονωμένα pixel από εικόνες και εκχωρεί βάρη σε συγκεκριμένα χαρακτηριστικά ή ομάδες pixel σε κάθε εικόνα για να βοηθήσει στην ταξινόμηση ολόκληρης της εικόνας. Το μοντέλο του CNN εκπαιδεύεται πρώτα σε ένα σύνολο εικόνων με ετικέτα. Αυτό σημαίνει ότι το μοντέλο παρέχεται με τη σωστή κατηγορία για κάθε μία από τις αρχικές εικόνες. Μόλις το μοντέλο εκπαιδευτεί επαρκώς, μπορεί να εντοπίσει ομοιότητες και βασικά χαρακτηριστικά στο σύνολο δεδομένων και στη συνέχεια να υπολογίσει την πιθανότητα η εικόνα να ανήκει σε οποιονδήποτε αριθμό υπαρχουσών κατηγοριών. Η κατηγορία με την υψηλότερη πιθανότητα είναι αυτή που αντιστοιχεί στην εικόνα.

Σε συνεργασία με το JSTO, οι ερευνητές του PNNL δημιούργησαν ένα μοντέλο CNN σχεδιασμένο να ταξινομεί τα λοφία, ώστε να μπορεί να χαρακτηρίζει τα χημικά λοφία. Χρησιμοποίησαν εικόνες που αντλήθηκαν από δημοσίως διαθέσιμες πηγές που προσομοίωσαν τα λοφία που εκτίθενται από πολλούς παράγοντες χημικού πολέμου. Οι φωτογραφίες που συλλέχθηκαν είναι ένας συνδυασμός εικόνων εδάφους, εναέριων και δορυφορικών εικόνων πολλαπλών γεγονότων ηφαιστειογενούς νέφους. Τα αποτελέσματα αυτής της έρευνας κατέδειξαν προκαταρκτικά μια υψηλή αποτελεσματικότητα των μοντέλων βαθιάς μάθησης στην ταξινόμηση των δεδομένων ηφαιστειακών λοφίων, τα οποία μπορούν να μειώσουν τις ανθρώπινες προκαταλήψεις και τα σφάλματα.

Το JSTO σχεδιάζει να εφαρμόσει το τελικό μοντέλο CNN στο πρόβλημα της ποσοτικοποίησης των επικίνδυνων υλικών στο πεδίο της μάχης από δισδιάστατες εικόνες. Αυτή η ικανότητα θα επιτρέψει στους διοικητές σε ένα περιβάλλον μετά την εμπλοκή να αξιολογήσουν καλύτερα τους ελιγμούς που ακολουθούν για να αντιμετωπίσουν τη χρήση χημικών συστημάτων άρνησης περιοχής από τον αντίπαλο σε επίμονες (μακράς διάρκειας) ή μη επίμονες (βραχυπρόθεσμες) μορφές. Μέσω αυτής της τεχνικής, οι διοικητές μπορούν να διατηρήσουν τη μαχητική ισχύ και να μεγιστοποιήσουν τις ικανότητές τους ενάντια στη συνεχή χρήση χημικών όπλων κατά της κοινής δύναμης των ΗΠΑ και των συμμαχικών δυνάμεων. Τα αποτελέσματα αυτής της μελέτης θα μπορούσαν να οδηγήσουν σε περαιτέρω ενσωμάτωση της βαθιάς μάθησης στις διαδικασίες λήψης στρατιωτικών αποφάσεων και να δημιουργήσουν την ευκαιρία για τους ηγέτες της Κοινής Δύναμης να σχεδιάσουν στρατιωτικές επιχειρήσεις με πιο ακριβείς προβλέψεις χημικών απειλών.

Η μηχανική μάθηση είναι ένας αναδυόμενος κλάδος που εξασφαλίζει πιο αποτελεσματικές και ακριβέστερες αναλύσεις περίπλοκων θεμάτων. Η εξερεύνηση των δυνατοτήτων μηχανικής μάθησης του JSTO για την αντιμετώπιση χημικών όπλων μπορεί να επιτρέψει πιο αξιόπιστη μοντελοποίηση και πρόβλεψη απειλών για πολεμιστές στο πεδίο της μάχης και καλύτερα ενημερωμένες αποφάσεις για τους διοικητές της Κοινής Δύναμης.

POC: Richard Fry, [email protected]