Ελαφροί και χαμηλού κόστους πύραυλοι με ανίχνευση θερμότητας θα μπορούσαν να χρησιμοποιηθούν για την αναγνώριση μαχητικών stealth σε μελλοντικές αερομαχίες με υψηλή ακρίβεια
Τα F-35 και F-22 μπορεί να είναι μεταξύ των πιο προηγμένων μαχητικών stealth στον κόσμο, όμως υπάρχει ένα πράγμα που δεν μπορούν να κρύψουν: τη θερμότητα.
Όταν πύραυλοι με ανίχνευση θερμότητας εγκλωβίζουν αεροσκάφη, τα μαχητικά απελευθερώνουν φωτοβολίδες (flares) για να μπερδέψουν τους υπέρυθρους αισθητήρες και να διακόψουν την παρακολούθηση του πυραύλου.
Ωστόσο, τα υπέρυθρα σήματα που παράγονται από τα μαχητικά, συμπεριλαμβανομένης της θερμότητας από τα καυσαέρια των κινητήρων και της τριβής του αέρα πάνω στην άτρακτο, διαφέρουν από εκείνα που παράγουν οι φωτοβολίδες.
Αυτά τα θερμικά ίχνη θα μπορούσαν να παρέχουν πολύτιμες υπέρυθρες πληροφορίες για τον εντοπισμό και την αναγνώριση στόχων σε μελλοντικές αερομαχίες, καθιστώντας παράλληλα τις φωτοβολίδες άχρηστες.
Κινέζοι ερευνητές δημιούργησαν ένα ελαφρύ σύστημα τεχνητής νοημοσύνης (AI) που θα μπορούσε να βοηθήσει πυραύλους αέρος-αέρος με ανίχνευση θερμότητας να αναγνωρίζουν προηγμένα μαχητικά αεροσκάφη.
Η υψηλή ακρίβειά του επιδείχθηκε σε εργαστηριακές δοκιμές με ομοιώματα στόχων τύπου F-22 και F-35.
«Τα ελαφριά μοντέλα αναγνώρισης θα μπορούσαν να χρησιμοποιούνται ευρέως σε μελλοντικούς πυραύλους αέρος-αέρος, επειδή μπορούν να προσφέρουν αναγνώριση υψηλής ταχύτητας, διατηρώντας παράλληλα ισχυρές δυνατότητες ταυτοποίησης», δήλωσε στις 10 Αυγούστου ο An Jiangshan, πρώτος συγγραφέας της μελέτης.
Η μελέτη, η οποία δημοσιεύθηκε στο κινεζικό επιστημονικό περιοδικό Journal of Electronic Measurement and Instrumentation, με κριτές, περιλάμβανε ερευνητές από το Beijing Institute of Technology, το οποίο είναι γνωστό για την ισχυρή ερευνητική του δραστηριότητα στον στρατιωτικό τομέα και συγκαταλέγεται στα λίγα κινεζικά πανεπιστήμια που υπόκεινται σε αμερικανικές κυρώσεις.
Στη συνεργασία συμμετείχαν επίσης ερευνητές από την China Airborne Missile Academy και ένα εθνικό εργαστήριο-κλειδί για ανίχνευση κοντά στην επιφάνεια.
«Το μοντέλο επιτρέπει την αποτελεσματική ταξινόμηση και αναγνώριση στόχων σε συστήματα υπέρυθρης απεικόνισης σάρωσης που φέρονται από πυραύλους, επιτυγχάνοντας ακρίβεια αναγνώρισης 97,1% κατά τη διάρκεια των δοκιμών», έγραψαν οι ερευνητές.
Το σύστημα είναι σχετικά φθηνό.
«Η πλατφόρμα Zynq7020 [AI] που χρησιμοποιήθηκε στην εργασία κοστίζει μόλις μερικές εκατοντάδες γιουάν και το κόστος του υλικού είναι σχετικά χαμηλό», δήλωσε ο An.
Οι ερευνητές ανέφεραν ότι η προτεινόμενη λύση προσφέρει έναν ελαφρύ σχεδιασμό για συστήματα υπέρυθρης απεικόνισης σάρωσης που φέρονται από πυραύλους.
Όταν ρωτήθηκε σχετικά με την πιθανή ακρίβεια της μεθόδου στην αναγνώριση μαχητικών πέμπτης γενιάς, όπως τα αμερικανικά F-22 και F-35, ο An δήλωσε ότι το σχετικό σύνολο δεδομένων δοκιμών περιλάμβανε «ζητήματα εμπιστευτικότητας και δεν μπορούσε να δημοσιοποιηθεί».
«Για τους προσομοιωμένους στόχους στο τρέχον σύνολο δεδομένων [δοκιμών], το ποσοστό αναγνώρισης μπορεί να φτάσει περίπου το 90%», πρόσθεσε ο An.
Συστήματα υπέρυθρης απεικόνισης
Η μελέτη επικεντρώθηκε σε συστήματα υπέρυθρης απεικόνισης σάρωσης που φέρονται από πυραύλους, όπου οι υπολογιστικοί πόροι είναι περιορισμένοι λόγω αυστηρών απαιτήσεων ως προς το μέγεθος, το βάρος και την κατανάλωση ενέργειας.
Τα παραδοσιακά μοντέλα βαθιάς μάθησης μπορούν να επιτύχουν υψηλή ακρίβεια αναγνώρισης, όμως ο μεγάλος αριθμός παραμέτρων τους και οι υψηλές υπολογιστικές απαιτήσεις καθιστούν δύσκολη την ανάπτυξή τους σε μικρές ενσωματωμένες συσκευές.
Ως εκ τούτου, η ομάδα ανέπτυξε ένα ελαφρύ νευρωνικό δίκτυο.
Σε σύγκριση με προηγούμενες μεθόδους, το νέο μοντέλο μείωσε τον αριθμό των παραμέτρων του στο 16,1% και τις απαιτήσεις υπολογιστικής ισχύος στο 19,2%, σύμφωνα με τη μελέτη.
Το μοντέλο χρησιμοποιεί δομική βελτιστοποίηση, συγχώνευση κανονικοποίησης παρτίδας (batch normalization fusion) και κβαντοποίηση 8 bit, προκειμένου να μειώσει το υπολογιστικό κόστος.
Για να καταστήσουν το σύστημα AI κατάλληλο για πλατφόρμες τοποθετημένες σε πυραύλους, οι ερευνητές σχεδίασαν έναν ειδικό επιταχυντή τεχνητής νοημοσύνης.
Ο επιταχυντής περιλάμβανε βελτιστοποιημένες μονάδες συνέλιξης, δομές παράλληλης επεξεργασίας και μεθόδους προσωρινής αποθήκευσης δεδομένων, με στόχο τη βελτίωση της αποδοτικότητας.
«Το τελικό σύστημα πέτυχε ισορροπία μεταξύ της ακρίβειας αναγνώρισης, της ταχύτητας εξαγωγής συμπερασμάτων, της κατανάλωσης ισχύος του υλικού και των απαιτούμενων πόρων υλικού», έγραψαν ο κύριος συγγραφέας Liu Ming και η ομάδα του.
Οι δοκιμές πραγματοποιήθηκαν με συνολικά 3.245 υπέρυθρες εικόνες στόχων, οι οποίες συλλέχθηκαν από σύστημα υπέρυθρης απεικόνισης σάρωσης που έφερε πύραυλος.
Το σύνολο δεδομένων περιλάμβανε τρεις κατηγορίες εναέριων στόχων, μεταξύ των οποίων δύο τύπους αεροσκαφών που μιμούνταν τα F-22 και F-35, καθώς και ένα περιφερόμενο πυρομαχικό (loitering munition).
Μετά τη στατιστική επεξεργασία των σφαλμάτων, ο επιταχυντής υλικού πέτυχε ακρίβεια αναγνώρισης 96,4%, με μέσο χρόνο εξαγωγής συμπεράσματος περίπου 1,5 χιλιοστό του δευτερολέπτου και συνολική κατανάλωση ισχύος 2,2 watt.
«Η παρούσα εργασία επικεντρώνεται κυρίως στους πυροκροτητές μικρής εμβέλειας πυραύλων αέρος-αέρος και η αποτελεσματικότητα [της τεχνολογίας] σε πυραύλους εδάφους-αέρος παραμένει να επαληθευτεί», δήλωσε ο An.
Οι ερευνητές ανέφεραν ότι η μελλοντική εργασία θα επικεντρωθεί στη βελτίωση της ακρίβειας αναγνώρισης και της ταχύτητας επεξεργασίας, με στόχο την αποτελεσματικότερη αναγνώριση εναέριων υπέρυθρων στόχων.
www.bankingnews.gr
Όταν πύραυλοι με ανίχνευση θερμότητας εγκλωβίζουν αεροσκάφη, τα μαχητικά απελευθερώνουν φωτοβολίδες (flares) για να μπερδέψουν τους υπέρυθρους αισθητήρες και να διακόψουν την παρακολούθηση του πυραύλου.
Ωστόσο, τα υπέρυθρα σήματα που παράγονται από τα μαχητικά, συμπεριλαμβανομένης της θερμότητας από τα καυσαέρια των κινητήρων και της τριβής του αέρα πάνω στην άτρακτο, διαφέρουν από εκείνα που παράγουν οι φωτοβολίδες.
Αυτά τα θερμικά ίχνη θα μπορούσαν να παρέχουν πολύτιμες υπέρυθρες πληροφορίες για τον εντοπισμό και την αναγνώριση στόχων σε μελλοντικές αερομαχίες, καθιστώντας παράλληλα τις φωτοβολίδες άχρηστες.
Κινέζοι ερευνητές δημιούργησαν ένα ελαφρύ σύστημα τεχνητής νοημοσύνης (AI) που θα μπορούσε να βοηθήσει πυραύλους αέρος-αέρος με ανίχνευση θερμότητας να αναγνωρίζουν προηγμένα μαχητικά αεροσκάφη.
Η υψηλή ακρίβειά του επιδείχθηκε σε εργαστηριακές δοκιμές με ομοιώματα στόχων τύπου F-22 και F-35.
«Τα ελαφριά μοντέλα αναγνώρισης θα μπορούσαν να χρησιμοποιούνται ευρέως σε μελλοντικούς πυραύλους αέρος-αέρος, επειδή μπορούν να προσφέρουν αναγνώριση υψηλής ταχύτητας, διατηρώντας παράλληλα ισχυρές δυνατότητες ταυτοποίησης», δήλωσε στις 10 Αυγούστου ο An Jiangshan, πρώτος συγγραφέας της μελέτης.
Η μελέτη, η οποία δημοσιεύθηκε στο κινεζικό επιστημονικό περιοδικό Journal of Electronic Measurement and Instrumentation, με κριτές, περιλάμβανε ερευνητές από το Beijing Institute of Technology, το οποίο είναι γνωστό για την ισχυρή ερευνητική του δραστηριότητα στον στρατιωτικό τομέα και συγκαταλέγεται στα λίγα κινεζικά πανεπιστήμια που υπόκεινται σε αμερικανικές κυρώσεις.
Στη συνεργασία συμμετείχαν επίσης ερευνητές από την China Airborne Missile Academy και ένα εθνικό εργαστήριο-κλειδί για ανίχνευση κοντά στην επιφάνεια.
«Το μοντέλο επιτρέπει την αποτελεσματική ταξινόμηση και αναγνώριση στόχων σε συστήματα υπέρυθρης απεικόνισης σάρωσης που φέρονται από πυραύλους, επιτυγχάνοντας ακρίβεια αναγνώρισης 97,1% κατά τη διάρκεια των δοκιμών», έγραψαν οι ερευνητές.
Το σύστημα είναι σχετικά φθηνό.
«Η πλατφόρμα Zynq7020 [AI] που χρησιμοποιήθηκε στην εργασία κοστίζει μόλις μερικές εκατοντάδες γιουάν και το κόστος του υλικού είναι σχετικά χαμηλό», δήλωσε ο An.
Οι ερευνητές ανέφεραν ότι η προτεινόμενη λύση προσφέρει έναν ελαφρύ σχεδιασμό για συστήματα υπέρυθρης απεικόνισης σάρωσης που φέρονται από πυραύλους.
Όταν ρωτήθηκε σχετικά με την πιθανή ακρίβεια της μεθόδου στην αναγνώριση μαχητικών πέμπτης γενιάς, όπως τα αμερικανικά F-22 και F-35, ο An δήλωσε ότι το σχετικό σύνολο δεδομένων δοκιμών περιλάμβανε «ζητήματα εμπιστευτικότητας και δεν μπορούσε να δημοσιοποιηθεί».
«Για τους προσομοιωμένους στόχους στο τρέχον σύνολο δεδομένων [δοκιμών], το ποσοστό αναγνώρισης μπορεί να φτάσει περίπου το 90%», πρόσθεσε ο An.
Συστήματα υπέρυθρης απεικόνισης
Η μελέτη επικεντρώθηκε σε συστήματα υπέρυθρης απεικόνισης σάρωσης που φέρονται από πυραύλους, όπου οι υπολογιστικοί πόροι είναι περιορισμένοι λόγω αυστηρών απαιτήσεων ως προς το μέγεθος, το βάρος και την κατανάλωση ενέργειας.
Τα παραδοσιακά μοντέλα βαθιάς μάθησης μπορούν να επιτύχουν υψηλή ακρίβεια αναγνώρισης, όμως ο μεγάλος αριθμός παραμέτρων τους και οι υψηλές υπολογιστικές απαιτήσεις καθιστούν δύσκολη την ανάπτυξή τους σε μικρές ενσωματωμένες συσκευές.
Ως εκ τούτου, η ομάδα ανέπτυξε ένα ελαφρύ νευρωνικό δίκτυο.
Σε σύγκριση με προηγούμενες μεθόδους, το νέο μοντέλο μείωσε τον αριθμό των παραμέτρων του στο 16,1% και τις απαιτήσεις υπολογιστικής ισχύος στο 19,2%, σύμφωνα με τη μελέτη.
Το μοντέλο χρησιμοποιεί δομική βελτιστοποίηση, συγχώνευση κανονικοποίησης παρτίδας (batch normalization fusion) και κβαντοποίηση 8 bit, προκειμένου να μειώσει το υπολογιστικό κόστος.
Για να καταστήσουν το σύστημα AI κατάλληλο για πλατφόρμες τοποθετημένες σε πυραύλους, οι ερευνητές σχεδίασαν έναν ειδικό επιταχυντή τεχνητής νοημοσύνης.
Ο επιταχυντής περιλάμβανε βελτιστοποιημένες μονάδες συνέλιξης, δομές παράλληλης επεξεργασίας και μεθόδους προσωρινής αποθήκευσης δεδομένων, με στόχο τη βελτίωση της αποδοτικότητας.
«Το τελικό σύστημα πέτυχε ισορροπία μεταξύ της ακρίβειας αναγνώρισης, της ταχύτητας εξαγωγής συμπερασμάτων, της κατανάλωσης ισχύος του υλικού και των απαιτούμενων πόρων υλικού», έγραψαν ο κύριος συγγραφέας Liu Ming και η ομάδα του.
Οι δοκιμές πραγματοποιήθηκαν με συνολικά 3.245 υπέρυθρες εικόνες στόχων, οι οποίες συλλέχθηκαν από σύστημα υπέρυθρης απεικόνισης σάρωσης που έφερε πύραυλος.
Το σύνολο δεδομένων περιλάμβανε τρεις κατηγορίες εναέριων στόχων, μεταξύ των οποίων δύο τύπους αεροσκαφών που μιμούνταν τα F-22 και F-35, καθώς και ένα περιφερόμενο πυρομαχικό (loitering munition).
Μετά τη στατιστική επεξεργασία των σφαλμάτων, ο επιταχυντής υλικού πέτυχε ακρίβεια αναγνώρισης 96,4%, με μέσο χρόνο εξαγωγής συμπεράσματος περίπου 1,5 χιλιοστό του δευτερολέπτου και συνολική κατανάλωση ισχύος 2,2 watt.
«Η παρούσα εργασία επικεντρώνεται κυρίως στους πυροκροτητές μικρής εμβέλειας πυραύλων αέρος-αέρος και η αποτελεσματικότητα [της τεχνολογίας] σε πυραύλους εδάφους-αέρος παραμένει να επαληθευτεί», δήλωσε ο An.
Οι ερευνητές ανέφεραν ότι η μελλοντική εργασία θα επικεντρωθεί στη βελτίωση της ακρίβειας αναγνώρισης και της ταχύτητας επεξεργασίας, με στόχο την αποτελεσματικότερη αναγνώριση εναέριων υπέρυθρων στόχων.
www.bankingnews.gr
Σχόλια αναγνωστών