СМИ

Нейронный компьютер. Эра боевых роботов.

Ничто так не тяготит нас, как

наступающий вслед за бурей страшных

событий мертвый покой бездействия —

та ясность, где уже нет места ни страху, ни надежде.

Мэри Шелли, «Франкенштейн»

В этом году Пентагон приступает к реализации самой масштабной программы «обучения» боевых машин — на финальном этапе электронные нейрокомпьютеры беспилотных наземных и летательных аппаратов научатся самостоятельно принимать решения в боевой обстановке.

Американские власти уже утвердили соответствующий бюджет. Проектом, как и стоило ожидать, займется Управление перспективных исследовательских проектов Министерства обороны США или DARPA. Ожидается, что на программу исследований в области боевых беспилотных систем военные США потратят около 10 миллиардов долларов.

В DARPA уже успешно осуществляется разработка единой боевой информационно-управляющей системы, которая станет единой для всех типов военных дронов. Такая система представляет собой сложный аналитический нейрокомпьютер, который обобщает все полученные с поля боя данные и позволяет как обмениваться информацией между беспилотными устройствами, так и координировать их работу в контексте боевой операции.

В результате реализации программ DARPA, беспилотники смогут сами принимать решения о нанесении удара в зависимости от типа цели без участия оператора. Нейрокомпьютеры беспилотных аппаратов научатся действовать в зависимости от приоритета целей, отличать своих от чужих, действовать полностью автономно. Дроны смогут расставлять приоритеты и самостоятельно действовать в конкретной атаке или в конкретном спонтанном боевом эпизоде. Нейрокомпьютеры научатся действовать так, как это делают реальные пилоты самолетов или экипажи танков. Важность данного проекта трудно недооценить.

В данной статье мы рассмотрим особенности построения нейросетевого интеллектуального устройства контроля бортовых систем беспилотного летательного аппарата. К сожалению, в Интернете практически отсутствуют публикации на данную тему. Сегодня мы постараемся восполнить этот пробел. Для лучшего понимания материала рекомендуется ознакомиться с материалом, представленном в предыдущей статье.

Современные беспилотные системы.

Понятие «автономный беспилотный аппарат» на сегодняшний день весьма расплывчато. Большинство выпускающихся сегодня моделей имеют тот или иной уровень автономности, могут передвигаться по заранее запрограммированным маршрутам, следовать по промежуточным точкам, автоматически использовать аварийные режимы, например, при потере связи или разряде аккумуляторов. Самые продвинутые возможности этих аппаратов сегодня — распознавание и избежание столкновений, групповые полеты и очередность выполнения задач.

Однако, в мире сегодня развиваются эффективные системы радиоэлектронной борьбы, постановки помех. Стремительно растут возможности самого «железа», которое позволяет использовать беспилотные аппараты гораздо дальше возможных зон их надежного контроля. Таким образом, в докладе DARPA говорится, что автономность становится всё более важным фактором развития беспилотной технологии.

Так же DARPA рекомендует объединить усилия авиаконструкторов и специалистов по искусственному интеллекту (ИИ). Более того, DARPA отводит особую роль внедрению новых технологий в производство, а так же созданию новейших ремонтных комплексов для нового вида оружия. Идея получила название «завод в одной коробке». То есть все расходные материалы и необходимый инструмент, включая станки с ЧПУ, процессоры, бортовую электронику, кабели и т.д., должны перевозиться непосредственно к месту ведения боевых действий и храниться в нескольких модифицированных грузовых контейнерах. Так же в кротчайшие сроки должен быть подготовлен соответствующий персонал.

Нейросетевое устройство (электронный «мозг»)

Сейчас мы рассмотрим гипотетическую конфигурацию искусственного интеллекта полностью автономного боевого аппарата. Конечно, пока еще таких машин не создано, и мы можем только представить, исходя из логики и зная набор основных функций данных аппаратов, какая будет архитектура их нейронных компьютеров.

Аппараты новейшего поколения будут рассчитаны на решение гораздо большего количества боевых задач, чем существующие сейчас действующие образцы. Решение многочисленных боевых задач потребует установки на беспилотные аппараты принципиально новых систем, позволяющих получать и регистрировать большое количество информации, в том числе в аудио и в видео-формате. Таким образом, нагрузка на искусственный интеллект аппарата будет достаточно серьезной только из-за объемов поступающей и регистрируемой информации. Как мы уже говорили в прошлом материале, функцию распознавания образов лучше всего выполняют так называемые сверточные нейронные сети.

В то же время, для распознавания другого типа информации, более подходят рекуррентные сети. Есть так же быстрообучающиеся однослойные нейронные сети, которые более подходят для оперативной работы в боевых условиях. Соответственно, в нейрокомпьютере беспилотника должна существовать определенный набор конфигураций нейросетей.

Гипотетически этого можно достичь двумя способами. Во-первых, возможно объединить несколько различных типов нейрокомпьютеров в единую систему. Этот способ – самый очевидный. Однако, по-настоящему перспективным является другой путь решения возникшей проблемы. Необходимо создать такой искусственный интеллект, который самостоятельно будет принимать решение о реконфигурации нейронной сети в зависимости от решаемой задачи, будь то наблюдение за местностью, работа в режиме

воздушного или наземного боя, контроль технического состояния бортовых систем и так далее. Это очень экономичное решение, не требующее, к тому же, системы коммуникации между различными модулями, которая, разумеется, усложнит всю схему в целом.

Теперь рассмотрим гипотетический рабочий режим нейрокомпьютера автономного аппарата во время выполнения боевой задачи. В бортовом устройстве контроля цифровые сигналы от датчиков объекта контроля поступают в блок цифровых сигналов. В то же время, аналоговые сигналы от датчиков объекта контроля поступают в блок аналоговых сигналов, где осуществляется их фильтрация и анологово-цифровое преобразование.

Затем обработанные сигналы параллельно передаются на входы нейросетевого блока (БНС — блок нейросетевой), где осуществляется их обработка, после чего выходные данные поступают в бортовое устройство регистрации (БУР) и устройство автоматической реконфигурации бортового оборудования (УАР БО). УАР БО осуществляет определенные действия в аварийной ситуации действия — отключение неисправного блока, переключения с целью использования резервного канала связи для благополучного завершения полета или выдачи сигнала в аварийную систему аппарата с передачей сообщения об аварии и координат на наземный пункт управления.

Наземная часть системы предназначена только для ручной настройки бортового нейрокомпьютера на заданные параметры (минимальные, максимальные значения параметров входных и выходных сигналов, параметры архитектуры нейросети), контроля бортовой части после ее настройки и плановом техническом обслуживании в наземных условиях. Все решения нейрокомпьютер принимает самомтоятельно.

Ядром бортового управления беспилотной боевой машиной является, разумеется, нейросетевой блок (БНС). Преобразованные сигналы обрабатываются в нейросетевом модуле, который функционирует по следующему алгоритму:

— на вход нейросети подается текущий сигнал;

— вычисляются выходные сигналы первого нейронного слоя;

— вычисляются послойно выходные сигналы скрытых и выходного слоев.

Сигналы выходного слоя являются результирующими сигналами нейросети. В модуле выходных сигналов результирующие сигналы нейросети преобразуются к виду sj , удобному для потребителей.

В модуле памяти хранятся данные о параметрах (минимальные, максимальные значения) входных и выходных сигналов, архитектуре нейросети (весовые коэффициенты, количество слоев, количество нейронов), полученные в результате обучения БНС с помощью наземной части системы контроля.

Разумеется, важным параметром бортового нейрокомпьютера является способность к самообучению.

Процесс обучения БНС включает ряд этапов:

1. Определение архитектуры нейронной сети:

— количество входов и выходов;

— количество слоев и нейронов в каждом слое;

— значения сигналов смещений для нейронов.

2. Настройка каналов модуля предобработки сигналов:

— ввод минимально и максимально возможных значений входных сигналов;

— ввод минимально и максимально возможных значений приведенных сигналов.

3. Настройка каналов модуля выходных сигналов для преобразования сигналов нейросети в требуемую форму.

4. Обучение собственно нейросети.

Последний этап обучения БНС наиболее трудоемкий с вычислительной точки зрения. В настоящее время разработаны различные методы обучения нейронных сетей, которые позволяют автоматизировать этот процесс. Наиболее широко известен метод обратного распространения ошибки. На основе его можно построить достаточно эффективный алгоритм обучения нейронной сети, который представляет собой следующее:

а) выбирается значение шага обучения 0< р < 1;

б) задается значение максимально допустимой ошибки E max на любом нейроне выходного слоя нейросети;

в) первоначально выбираются весовые коэффициенты связей в нейронной сети и начальные значения весовых коэффициентов смещений. Их значения можно задать случайным образом;

г) на основе известных экспертных знаний, знаний формализованных в виде технического

описания и инструкции по эксплуатации объекта контроля, данных полученных при испытании объекта, определяются обучающие наборы из K примеров преобразованных значений входных и соответствующих им выходных сигналов нейронной сети;

д) по заданному значению входа нейросети первого примера обучающего набора вычисляются значения на выходе каждого нейрона первого слоя и всех последующих слоев поочередно.

е) определяются значения ошибок каждого нейрона выходного слоя и всех предыдущих слоев поочередно в порядке убывания номера слоя.

ж) производится корректировка весовых коэффициентов нейронных связей между первым слоем и входами. Та же операция производится для смещений нейронов первого слоя, поочередно между всеми последующими слоями и для смещений нейронов последующих слоев.

з) затем расчеты выполняются для каждого из оставшихся примеров обучающего набора;

и) после текущего цикла обучения на всех примерах вычисляется значение ошибки на выходе каждого нейрона выходного слоя сети для всего обучающего набора. В связи с важностью, с точки зрения безопасности работы аппарата, нейросетевое устройство контроля необходимо обеспечить точность сигнала не ниже заданной на каждом выходе нейросети, поэтому целесообразно применить правило остановки процесса обучения нейросети, основанное на сравнении расчетной Е (к) с заданной максимально допустимой ошибкой Е (mах).

— если Е(к) > Е mах , то обучение повторяется;

— если Е(к) ? Е mах , то нейронная сеть считается обученной и готова к применению по назначению.

Eстественным образом возникает вопрос о возможности практической реализации такого нейросетевого устройства. Существуют два варианта реализации нейросети: программная (программы на обычных ЭВМ, которые получили название нейроэммуляторов) и аппаратная. Хотя программные реализации преобладают над аппаратными, однако удельный вес аппаратных реализаций нейросетевых устройств в общем количестве мировых технологических разработок неуклонно растет. Наибольшее развитие в данном направлении наблюдается в Японии, где идет непрерывная разработка нейронных компьютеров для военного применения.

Перспективы реализации.

В первую очередь стоит подчеркнуть, что на поле боя в результате успешного внедрения данной технологии перестанут гибнуть экипажи воздушных и наземных боевых машин. Появятся подводные беспилотные аппараты, боевые корабли получат «электронный мозг». Даже те системы, которые по-прежнему будут управляться человеком, получат, в качестве корректировщика, нейрокомпьютеры.

Неоценимое значение имеет внедрение роботизированных систем для саперов. Автономное устройство может справиться с задачей быстрее, у нейрокомпьютера нет эмоций, вероятность ошибки сведена к минимуму. Нейрокомпьютеры могут самостоятельно работать там, где оператор робота просто не может поддерживать связь с устройством.

Произойдет миниатюризация боевых аппаратов, так как нейрокомпьютеры не требуют сложных систем жизнеобеспечения, аварийного катапультирования и гораздо легче живого пилота. Соответственно, произойдет увеличение количества боезапасов.

Нейронные сети можно применять в аппаратах с ядерным двигателем, так как радиация не оказывает на нейрокомпьютеры такого разрушительного воздействия, как на человеческое тело. Соответственно, появится возможность создания долговременно патрулирующих воздушное пространство бомбардировщиков-ракетоносцев, у которых будет полностью отсутствовать живой экипаж, а все решения будет принимать нейронный компьютер.

Как мы видим, технологии в военной отрасли развиваются очень бурно. Еще в 80-е годы подобные системы считали перспективой отдаленного будущего. Но будущее пришло к нам раньше, чем мы ожидали. И как всегда, будущее приходит к нам на платформе военных разработок.

Танай Чолханов, специально для News Front