Искусственные нейронные сети в военной сфере



В статье описаны разные архитектуры искусственных нейронных сетей, применение и общее введение в теорию искусственного интеллекта. Также в статье рассматривается применение в военной сфере.

Ключевые слова: искусственный интеллект, машинное обучение, сеть, IBM, NPU, нейронная сеть.

На сегодняшний день искусственный интеллект (ИИ) является настоящим технологическим трендом. Растет число стартапов с применением технологии ИИ, крупнейшие гиганты IT-индустрии такие как, Microsoft, IBM и Google борются за доминирование в области искусственного интеллекта. Также правительства таких стран как США, Россия, Китай уделяют значительное внимание и привлекают ученых, программистов и математиков для разработки эффективных систем искусственного интеллекта в военной промышленности. Так что такое искусственный интеллект?

Термин и понятие «искусственный интеллект» появился в 1956 г. и ввел его Джон Маккарти, но настоящей популярности технология ИИ достигла лишь сегодня на фоне увеличения объемов данных, усовершенствования алгоритмов и роста вычислительных мощностей. Точного и единого определения ИИ нету, но более подходящее определение гласит так: “Искусственным интеллектом (ИИ) — способность интеллектуальных машин выполнять творческие функции, которые традиционно считаются прерогативой человека.” Также термином ИИ обозначают науку и технологию создания интеллектуальных машин.

В 1950 г. знаменитый математик Алан Тьюринг предложил эмпирический тест на определение искусственного интеллекта, в то время термина ИИ еще не существовало. Целью теста Тьюринга было определить способна ли машина мыслить.

Первые исследования и эксперименты в области ИИ, начавшиеся в 50-х годах прошлого века, были направлены на решение проблем и разработку систем символьных вычислений. В 60-х годах это направление привлекло интерес Министерства обороны США: американские военные начали обучать компьютеры имитировать мыслительную деятельность человека.

В наши дни применение технологий искусственного интеллекта сводится к разработке программ для узкоспециализированных задач, как распознавание образов и изображений, распознавание человеческого голоса, прогнозирование, выявление шаблонов и закономерностей в определенных данных. То есть говоря языком математики, искусственный интеллект успешно справляется с такими задачами, как классификация, кластеризация и регрессия. Это направление в ИИ называется — “слабый” искусственный интеллект, когда целью использования технологии ИИ является только решение задач.

Есть и другое направление, более фундаментальное — “сильный” искусственный интеллект. Задачи и проблемы сильного ИИ — разработка полноценной и автономной системы искусственного интеллекта, которая решала бы глобальные задачи, в которых участвует человек. Иными словами, это более фундаментальный и философский подход создания полноценного ИИ. Существует только приблизительное понимание того, как работает человеческий мозг. Пока далеко не все свойства разума возможно имитировать с помощью алгоритмов искусственного интеллекта. Однако в будущем могут возникнуть прорывные идеи, которые повлияют на резкий скачок в развитии ИИ.

Искусственные Нейронные Сети

Искусственная Нейро́нная сеть (также искусственная нейронная сеть, ИНС) — математическая модель, а также её программная или аппаратная реализация, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма [1]. Это понятие возникло при изучении процессов, протекающих в мозге живых существ, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса [2]. После разработки алгоритмов обучения полученные модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

Искусственные нейронные сети является одним из методов разработки искусственного интеллекта, так искусственные нейронные сети — это алгоритм который имитирует, хоть и примитивно, работу мозга живых существ. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ искусственных нейронных сетей перед классическими линейными алгоритмами. Технически обучение заключается в нахождении коэффициентов (весов) связей между нейронами. В процессе обучения нейронная сеть способна выявлять комплексные зависимости между входными данными (Input) и выходными (Output), а также выполнять обобщение. Это означает, что в случае успешного обучения, нейронная сеть сможет дать верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или искаженных данных. С точки зрения математики, искусственные нейронные сети — это громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информации и это все связано между собой функциональным отношением между входными данными и матрицей весов (коэффициентов).

Рис. 1. Простая модель искусственного нейрона

Искусственный нейрон — базовый элемент любой искусственной нейронной сети (рис. 1). Немаловажную роль в работе нейронной сети играет функция активации (рис. 2), одной из самых распространённых является — сигмоидальная функция, как правило эту функцию используют на результирующем выходном слое (Output Layer).

Рис. 2. Функции активации

Существует множество архитектур искусственных нейронных сетей (рис. 3).

Рис. 3. Архитектуры нейронных сетей

Самые распространенные и эффективные модели нейронных сетей:

1. Перцептрон. Обычно многослойный перцептрон (multi-layer perceptron).
2. Сверточные нейронные сети (Convolutional Neural Networks). Отлично подходит для многозначной классификаций и для распознавания изображений или объектов.
3. LSTM. Долгая краткосрочная память, разновидность архитектуры рекуррентных нейронных сетей, предложенная в 1997 году Зеппом Хохрайтером и Юргеном Шмидхубером [3]. Применяется в анализе временных рядов, для распознавания речи и в различных нелинейных задачах.

Для разработки нейронных сетей очень удобно пользоваться такими языками программирования как Python, R, C++. Также существуют фреймворки, которые гораздо облегчат разработку. Самые популярные из них Tensorflow, Keras, Pytorch, Theano. В фреймворках уже заложены готовые функции для построения моделей машинного обучения, статистические функции обработки данных, различные функции активаций и многое другое.

Нейрокомпьютеры иих применение ввоенной сфере

Нейрокомпьютер — устройство переработки информации на основе принципов работы естественных нейронных систем [4]. Эти принципы были формализованы, что позволило говорить о теории искусственных нейронных сетей. Основные проблемы нейрокомпьютеров заключается в разработке реальных физических устройств, которые бы позволили не просто моделировать искусственные нейронные сети на традиционном компьютере, но также изменить принципы работы компьютера, что говорит о том, что они работают в соответствии с теорией искусственных нейронных сетей.

Термины нейрокибернетика, нейроинформатика, нейрокомпьютеры вошли в научный обиход недавно — в середине 80-х годов XX века. Однако электронный и биологический мозг живых существ постоянно сравнивались на протяжении всей истории компьютерных наук.

В отличие от классических цифровых систем, представляющих собой совокупность процессорных и запоминающих блоков, нейропроцессоры содержат память, распределённую в связях между очень простыми блоками, которые часто могут быть описаны как формальные нейроны или блоки из однотипных формальных нейронов. Тем самым основная нагрузка на выполнение конкретных функций процессорами ложится на саму aрхитeктуpу системы, детали которой в свою очередь определяются межнейронными связями. Подход, основанный на представлении как памяти данных, так и алгоритмов системой связей (и их весами), называется коннекционизмом.

Три основных преимущества нейрокомпьютеров:

1. Все алгоритмы нейроинформатики высокопараллельны и имеют нелинейную динамическую природу.
2. Нейрокомпьютеры устойчивы к помехам и разрушениям.
3. Устойчивые и надёжные нейросистемы могут разрабатываться из ненадёжных компонентов, имеющих значительный разброс параметров.

Нейропроцессоры (нейрокомпьютеры) можно рассматривать как дополнительный блок для компьютера или сопроцессора для ускорения решения задач машинного обучения: анализ данных, распознавание объектов и др. Также нейропроцессоры идеально подходят для автоматического управления дронами (БПЛА), для программ автопилотов в автомобилях и в различных задачах управления.

За последние несколько лет мы достигли невероятного прогресса в приложениях машинного обучения и превзошли людей в некоторых задачах, таких как игры, игра го и шахматы. В то же время, приложения машинного обучения поднимают человеческую жизнь на новый уровень. Некоторые из приложений включают в себя:

1. Самостоятельное вождение автомобилей.
2. Мониторинг системы или территории с помощью угроз, таких как система безопасности, включающая распознавание лиц в реальном времени.
3. Улучшение медицинского обслуживания за счет точного анализа и лечения, и многие другие.

Все это в геометрической прогрессии увеличило количество вычислений. Использование графических процессоров не может масштабироваться постоянно. Это толкнуло на путь к разработке процессора, который будет работать лучше, чем графические процессоры, и справится с прогрессом, который мы делаем в области машинного обучения. NPU требуются для следующих целей: Ускорение вычислений задач машинного обучения в несколько раз (почти в 10 КБ) по сравнению с графическими процессорами. Потребление низкой мощности и улучшение использования ресурсов для задач машинного обучения по сравнению с GPU и CPU.

Рабочие модели нейропроцессоров (NPU):

1. TPU by Google
2. NNP, Myriad, EyeQ by Intel
3. NVDLA by Nvidia
4. AWS Inferentia by Amazon
5. Ali-NPU by Alibaba
6. Kunlun by Baidu
7. Sophon by Bitmain
8. MLU by Cambricon
9. IPU by Graphcore
10. Ascend by Huawei
11. Neural Engine by Apple
12. Neural Processing Unit (NPU) by Samsung

В разработке нейропроцессоров активно участвуют американские компании Intel, IBM, Nvidia, AMD. В 2014 году компания IBM представила интересный продукт — TrueNorth (рис. 4). Это исследовательский проект нейроморфического процессора второго поколения, разработанный в рамках программы DARPA SyNAPSE. Процессор имеет неклассическую архитектуру (не основан на архитектуре фон Неймана) и вдохновлен некоторыми моделями работы неокортекса [6]. TrueNorth подходит для исполнения рекуррентных нейронных сетей, которые могут применяться для классификации различной информации, в том числе, изображений, речи и видео.

Рис. 4. Нейропроцессор TrueNorth

Искусственные нейронные сети также используются в радиолокации в военных целях, для распознавания радиотехнических сигналов и для идентификации объектов. ИНС (Искусственные нейронные сети) все больше находят применение в цифровой обработке сигналов, что вызывает интерес у военных. Американская компания Northrop Grumman разрабатывает новые системы обнаружения и подавления сигналов радиолокационных станций, с использованием технологии машинного обучения. Новая система будет применяться на самолетах для радиоэлектронной борьбы. Детектирование сигналов таких радаров является достаточно сложной задачей, которая становится существенно труднее в условиях, когда радиолокационная станция работает в условиях «радиошума» — излучения от коммерческих и частных систем, включая радио, телевидение и сотовую связь. Разработка нейрокомпьютеров для обнаружения и подавления сигналов радаров вeдетcя компанией Northrop Grumman по контракту с ВМС США. Машинное обучение, то есть использование нейрокомпьютеров позволяет быстро находить определенные шаблоны (паттерны) в больших массивах данных, поэтому такую технологию необходимо использовать при разработке системы. В составе вооруженных сил США военные самолеты радиоэлектронной борьбы должны выполнять несколько задач. В их числе — постановка помех системам связи противника, подавление радиолокационных станций и систем наведения вооружения, а также обнаружение радаров и передающих антенн. Cамолeты радиоэлектронной борьбы могут, например, «скрывать» перемещение войск, подавляя системы обнаружения противника.

Рис. 5. Распознавание объектов в поле военных действий

К конкретным военным применениям относятся поиск ракет, поражение ракет, распознавание целей сонара, автоматическое распознавание целей и автопилоты. Две уникальные характеристики нейропроцессоров (нейрокомпьютеров) заключаются в том, что они являются нелинейными процессорами и что они обучены, а не запрограммированы для выполнения задач обработки способом, аналогичным способу обучения человеческого мозга. Обучение достигается путем изменения синаптических весов каждого искусственного нейрона до тех пор, пока не будет достигнут конечный желаемый отклик обработки системы.

Рис. 6. БПЛА военного назначения

БПЛА (Беспилотный летательный аппарат) является необходимым аппаратом в современной военной индустрии и нейрокомпьютеры отлично подходят для управления “беспилотниками”. БПЛА может управляться дистанционно, а также полностью автоматически без участия контроля человека. Искусственную нейронную сеть можно рассматривать в качестве контроллера для управления дроном (БПЛА). То есть нейроконтроллер может заменить привычный PD-контроллер и стать альтернативой для PID-регулятора, так как нейронная сеть может контролировать входные и выходные данные в режиме реального времени.

Литература:

1. Нейронная сеть // Большая российская энциклопедия, 2004–2017.
2. Мак-Каллок У. С., Питтс В. Логическое исчисление идей, относящихся к нервной активности // Автоматы. 1956. — С. 363–384.
3. Sepp Hochreiter; Jürgen Schmidhuber. Long short-term memory // Neural Computation: journal. — 1997. — Vol. 9, no. 8. — P. 1735–1780.
4. Дунин-Барковский В. Л., Нейрокибернетика, Нейроинформатика, Нейрокомпьютеры, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с.
5. Винер Н., Кибернетика, или Управление и связь в животном и машине. 1983. — 344 с.
6. Introducing a Brain-inspired Computer TrueNorth's neurons to revolutionize system