Η κινεζική AI μετατρέπει τους πυραύλους αέρος αέρος σε υπερόπλο και σκορπά τρόμο στη Δύση
Το παιχνίδι «κρυφτού» μεταξύ των μαχητικών αεροσκαφών stealth και των αισθητήρων εντοπισμού πυραύλων εισέρχεται σε μια νέα εποχή, με την τεχνητή νοημοσύνη (AI) να προστίθεται στην εξίσωση και να έχει τη δυνατότητα να αλλάξει τους κανόνες εμπλοκής, όπως τονίζουν οι Eurasian Times στις 20/8, σχολιάζοντας το νέο κινεζικό επίτευγμα που εντοπίζει μαχητικά F-22 και F-35 με ποσοστό επιτυχίας 97,1%.
Τα μαχητικά αεροσκάφη τεχνολογίας stealth έχουν σχεδιαστεί ώστε να αποκρύπτουν το ίχνος τους στα ραντάρ, καθιστώντας εξαιρετικά δύσκολο τον εντοπισμό, την παρακολούθηση και τη στοχοποίησή τους.
Ωστόσο, παρά τον ειδικό σχεδιασμό των επιφανειών τους, τα υλικά απορρόφησης ραντάρ (Radar Absorbent Materials – RAM), την εσωτερική μεταφορά οπλισμού και τη μειωμένη εκπομπή θερμικής και ραδιοσυχνικής ακτινοβολίας, υπάρχει ένα στοιχείο που τα αεροσκάφη stealth δεν μπορούν να κρύψουν: το θερμικό τους ίχνος.
Το παιχνίδι της παραπλάνησης και η αδυναμία των stealth τεχνολογιών
Όταν πύραυλοι με αισθητήρες υπέρυθρης καθοδήγησης εντοπίσουν και «κλειδώσουν» σε ένα μαχητικό αεροσκάφος, το αεροσκάφος εκτοξεύει θερμοβολίδες (flares), οι οποίες έχουν ως στόχο να παραπλανήσουν τους υπέρυθρους αισθητήρες του πυραύλου και να διακόψουν την εγκλωβισμένη στόχευση.
Αυτό δημιουργεί ένα πρόβλημα αναγνώρισης για τον πύραυλο, καθώς ο αισθητήρας του πρέπει να αποφασίσει εάν η θερμότητα που ανιχνεύει προέρχεται από το ίδιο το αεροσκάφος ή από τις παραπλανητικές θερμοβολίδες που εκτοξεύθηκαν από το μαχητικό — συχνά μέσα σε χρονικό διάστημα μόλις λίγων χιλιοστών του δευτερολέπτου.
Ωστόσο, το υπέρυθρο αποτύπωμα από την εξαγωγή θερμών καυσαερίων του κινητήρα ενός αεροσκάφους, καθώς και η θερμότητα που δημιουργείται λόγω της αεροδυναμικής τριβής κατά την πτήση, διαφέρει από εκείνο που παράγουν οι θερμοβολίδες.
Αυτά τα μοναδικά θερμικά χαρακτηριστικά των αεροσκαφών — συμπεριλαμβανομένων και των μαχητικών stealth — θα μπορούσαν να προσφέρουν πολύτιμες πληροφορίες στους υπέρυθρους αισθητήρες των πυραύλων για την αναγνώριση, την παρακολούθηση και την τελική προσβολή στόχων, καθιστώντας τις θερμοβολίδες αναποτελεσματικές.
Η κινεζική AI μετατρέπει τους πυραύλους αέρος αέρος σε υπερόπλο και σκορπά τρόμο στη Δύση
Εκμεταλλευόμενοι αυτή τη «δυνατότητα αποκάλυψης», ερευνητές στην Κίνα ανέπτυξαν ένα ελαφρύ σύστημα τεχνητής νοημοσύνης, το οποίο θα μπορούσε να επιτρέψει σε πυραύλους αέρος-αέρος με θερμική καθοδήγηση να αναγνωρίζουν τα υπέρυθρα ίχνη προηγμένων μαχητικών αεροσκαφών μέσα σε λίγα χιλιοστά του δευτερολέπτου.
Το σύστημα κατέγραψε υψηλή ακρίβεια σε εργαστηριακές δοκιμές απέναντι σε προσομοιωμένους στόχους τύπου F-22 και F-35.
Σύμφωνα με τις αναφορές, το νέο σύστημα πέτυχε ποσοστό ακρίβειας έως και 97,1% στην αναγνώριση στόχων F-22 και F-35 κατά τη διάρκεια προσομοιωμένων εργαστηριακών δοκιμών.
«Τα ελαφριά μοντέλα αναγνώρισης θα μπορούσαν να χρησιμοποιηθούν ευρέως σε μελλοντικούς πυραύλους αέρος-αέρος, καθώς μπορούν να προσφέρουν ταχύτατη αναγνώριση, διατηρώντας παράλληλα ισχυρές δυνατότητες ταυτοποίησης», δήλωσε ο Αν Τζιανγκσάν, πρώτος συγγραφέας της μελέτης.
Η έρευνα δημοσιεύθηκε στο κινεζικό επιστημονικό περιοδικό με κριτές Journal of Electronic Measurement and Instrumentation και πραγματοποιήθηκε από ερευνητές του Ινστιτούτου Τεχνολογίας του Πεκίνου.
Το συγκεκριμένο ίδρυμα είναι γνωστό για την έντονη στρατιωτική ερευνητική του δραστηριότητα και αποτελεί ένα από τα λίγα κινεζικά πανεπιστήμια που υπόκεινται σε αμερικανικές κυρώσεις.
Στην ερευνητική ομάδα συμμετείχαν επίσης επιστήμονες από την Κινεζική Ακαδημία Αερομεταφερόμενων Πυραύλων και ένα εθνικό εργαστήριο-κλειδί για την ανίχνευση στόχων κοντά στην επιφάνεια, σύμφωνα με την εφημερίδα South China Morning Post του Χονγκ Κονγκ.
«Το μοντέλο επιτρέπει την αποτελεσματική ταξινόμηση και αναγνώριση στόχων σε συστήματα υπέρυθρης απεικόνισης σάρωσης τοποθετημένα σε πυραύλους, επιτυγχάνοντας ακρίβεια αναγνώρισης 97,1% κατά τη διάρκεια των δοκιμών», ανέφεραν οι ερευνητές στη μελέτη τους.
Για την εκπαίδευση του συστήματος, οι ερευνητές δημιούργησαν μια βάση δεδομένων αποτελούμενη από 3.245 υπέρυθρες εικόνες, οι οποίες συλλέχθηκαν μέσω ενός συστήματος υπέρυθρης σάρωσης τοποθετημένου σε πύραυλο.
Το πετυχημένο... πείραμα με τη στοχοποίηση των αμερικανικών F-22 και F-35
Το σύνολο δεδομένων περιλάμβανε τρεις κατηγορίες εναέριων στόχων: δύο τύπους αεροσκαφών που προσομοίωναν τα χαρακτηριστικά των μαχητικών F-22 και F-35, καθώς και ένα περιφερόμενο πυρομαχικό (loitering munition).
Μετά την επεξεργασία στατιστικών σφαλμάτων, ο επιταχυντής υλικού πέτυχε ποσοστό ακρίβειας αναγνώρισης 96,4%, με μέσο χρόνο επεξεργασίας συμπερασμάτων (inference time) περίπου 1,5 χιλιοστά του δευτερολέπτου και συνολική κατανάλωση ενέργειας μόλις 2,2 Watt.
Ο εξαιρετικά μικρός χρόνος απόκρισης θεωρείται κρίσιμος παράγοντας, καθώς ένας πύραυλος διαθέτει μόλις λίγα χιλιοστά του δευτερολέπτου κατά τη διάρκεια της πτήσης του για να εντοπίσει το υπέρυθρο ίχνος ενός στόχου και να προχωρήσει στην αναγνώρισή του.
Αντίστοιχα σημαντικές είναι και οι ενεργειακές απαιτήσεις, καθώς ο επιταχυντής τεχνητής νοημοσύνης πρέπει να μπορεί να ενσωματωθεί σε έναν μικρού μεγέθους πύραυλο χωρίς να επιβαρύνει το σύστημα.
Για τον λόγο αυτό, οι ερευνητές κλήθηκαν να αντιμετωπίσουν και ένα σημαντικό πρόβλημα υλικού: πώς θα μπορούσαν να κατασκευάσουν έναν επιταχυντή τεχνητής νοημοσύνης που θα είναι μικρός σε μέγεθος, ελαφρύς και με χαμηλή κατανάλωση ενέργειας.
Κι όμως... η νέα υπερτεχνολογία της Κίνας συνοδεύεται από... χαμηλό κόστος
Τα συμβατικά μοντέλα τεχνητής νοημοσύνης απαιτούν υπερβολικά μεγάλους υπολογιστικούς πόρους, γεγονός που καθιστά δύσκολη την ενσωμάτωσή τους σε οπλικά συστήματα και πυραύλους.
Παρότι τα παραδοσιακά μοντέλα βαθιάς μάθησης (deep learning) μπορούν να επιτύχουν υψηλή ακρίβεια αναγνώρισης, ο μεγάλος αριθμός παραμέτρων τους και οι αυξημένες υπολογιστικές απαιτήσεις τα καθιστούν δύσχρηστα για ανάπτυξη σε μικρές ενσωματωμένες συσκευές.
Για τον λόγο αυτό, η ερευνητική ομάδα ανέπτυξε ένα ελαφρύ νευρωνικό δίκτυο.
Σύμφωνα με τη μελέτη, οι ερευνητές μείωσαν το μοντέλο στο 16,1% των παραμέτρων που χρησιμοποιούσαν προηγούμενες μεθοδολογίες, ενώ παράλληλα περιόρισαν τις απαιτήσεις υπολογιστικής ισχύος στο 19,2%.
Το νέο μοντέλο χρησιμοποιεί τεχνικές όπως:
με στόχο τη μείωση του υπολογιστικού κόστους.
Μέσω αυτών των τεχνικών, η ομάδα κατάφερε να περιορίσει τη συνολική κατανάλωση ενέργειας του συστήματος στα μόλις 2,2 Watt.
Προκειμένου το σύστημα τεχνητής νοημοσύνης να είναι κατάλληλο για χρήση σε πυραυλικά συστήματα, οι ερευνητές σχεδίασαν επίσης έναν ειδικό επιταχυντή AI.
Ο επιταχυντής αυτός περιλάμβανε βελτιστοποιημένες μονάδες συνελικτικών υπολογισμών (convolution modules), δομές παράλληλης επεξεργασίας και μεθόδους προσωρινής αποθήκευσης δεδομένων (data buffering), ώστε να αυξηθεί η αποδοτικότητά του.
«Το τελικό σύστημα πέτυχε μια ισορροπία μεταξύ της ακρίβειας αναγνώρισης, της ταχύτητας επεξεργασίας, της κατανάλωσης ενέργειας του υλικού και των διαθέσιμων υπολογιστικών πόρων», έγραψαν ο κύριος συγγραφέας της μελέτης Λιου Μινγκ και η ερευνητική του ομάδα.
Το πιο εντυπωσιακό του στοιχείο;
Το σύστημα χαρακτηρίζεται ως σχετικά χαμηλού κόστους...
To ζήτημα της δοκιμής σε πραγματικές συνθήκες μάχης και οι... «εμπιστευτικές πληροφορίες» των Κινέζων ερευνητών
Συγκεκριμένα, «η πλατφόρμα Zynq7020 AI που χρησιμοποιήθηκε στη μελέτη κοστίζει μόλις μερικές εκατοντάδες γιουάν και το κόστος του υλικού είναι σχετικά χαμηλό», δήλωσε ο Αν.
Οι ερευνητές ανέφεραν ότι η προτεινόμενη λύση προσφέρει έναν ελαφρύ δομικό σχεδιασμό για συστήματα υπέρυθρης απεικόνισης σάρωσης που τοποθετούνται σε πυραύλους.
Ωστόσο, το υψηλό ποσοστό ακρίβειας 97,1% που επιτεύχθηκε κατά τις δοκιμές απέναντι σε προσομοιωμένους στόχους stealth, όπως τα μαχητικά F-22 και F-35, δεν σημαίνει ότι το σύστημα μπορεί να εντοπίσει επιχειρησιακά F-22 και F-35 σε πραγματικές συνθήκες πεδίου μάχης.
Όταν ο Αν ρωτήθηκε ειδικά για τη δυνητική ακρίβεια της μεθόδου στην αναγνώριση μαχητικών πέμπτης γενιάς, όπως τα αμερικανικά F-22 και F-35, 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 Αν.
Το ΑΙ έρχεται για να αλλάξει τα πάντα στον τρόπο που αντιμετωπίζονται τα stealth μαχητικά
Οι δοκιμές πραγματοποιήθηκαν με τη χρήση προσομοιωμένων στόχων και, σύμφωνα με τους ερευνητές, απαιτούνται περισσότερα πειράματα και επιπλέον δεδομένα προκειμένου να βελτιωθούν τόσο η ακρίβεια αναγνώρισης όσο και η ταχύτητα επεξεργασίας.
Η μελέτη παρουσίασε επίσης και άλλους περιορισμούς.
Για παράδειγμα, οι ερευνητές περιόρισαν την έρευνά τους σε πυροσωλήνες πυραύλων αέρος-αέρος μικρής εμβέλειας.
Επιπλέον, όπως ανέφερε ο Αν, «η επίδραση στα συστήματα πυραύλων εδάφους-αέρος παραμένει να επιβεβαιωθεί».
Παρά τους περιορισμούς αυτούς, η μελέτη αναδεικνύει μια αναδυόμενη πρόκληση για την αεροπορία stealth.
Καμία χώρα μέχρι σήμερα δεν έχει επιλύσει πλήρως το πρόβλημα του θερμικού ίχνους από τις εξατμίσεις των κινητήρων, ενώ η εξέλιξη μικρών υπέρυθρων αισθητήρων πυραύλων που βασίζονται στην τεχνητή νοημοσύνη θα μπορούσε, στο μέλλον, να περιορίσει ή ακόμη και να καταστήσει λιγότερο αποτελεσματικό το πλεονέκτημα της τεχνολογίας stealth.
www.bankingnews.gr
Τα μαχητικά αεροσκάφη τεχνολογίας stealth έχουν σχεδιαστεί ώστε να αποκρύπτουν το ίχνος τους στα ραντάρ, καθιστώντας εξαιρετικά δύσκολο τον εντοπισμό, την παρακολούθηση και τη στοχοποίησή τους.
Ωστόσο, παρά τον ειδικό σχεδιασμό των επιφανειών τους, τα υλικά απορρόφησης ραντάρ (Radar Absorbent Materials – RAM), την εσωτερική μεταφορά οπλισμού και τη μειωμένη εκπομπή θερμικής και ραδιοσυχνικής ακτινοβολίας, υπάρχει ένα στοιχείο που τα αεροσκάφη stealth δεν μπορούν να κρύψουν: το θερμικό τους ίχνος.
Το παιχνίδι της παραπλάνησης και η αδυναμία των stealth τεχνολογιών
Όταν πύραυλοι με αισθητήρες υπέρυθρης καθοδήγησης εντοπίσουν και «κλειδώσουν» σε ένα μαχητικό αεροσκάφος, το αεροσκάφος εκτοξεύει θερμοβολίδες (flares), οι οποίες έχουν ως στόχο να παραπλανήσουν τους υπέρυθρους αισθητήρες του πυραύλου και να διακόψουν την εγκλωβισμένη στόχευση.
Αυτό δημιουργεί ένα πρόβλημα αναγνώρισης για τον πύραυλο, καθώς ο αισθητήρας του πρέπει να αποφασίσει εάν η θερμότητα που ανιχνεύει προέρχεται από το ίδιο το αεροσκάφος ή από τις παραπλανητικές θερμοβολίδες που εκτοξεύθηκαν από το μαχητικό — συχνά μέσα σε χρονικό διάστημα μόλις λίγων χιλιοστών του δευτερολέπτου.
Ωστόσο, το υπέρυθρο αποτύπωμα από την εξαγωγή θερμών καυσαερίων του κινητήρα ενός αεροσκάφους, καθώς και η θερμότητα που δημιουργείται λόγω της αεροδυναμικής τριβής κατά την πτήση, διαφέρει από εκείνο που παράγουν οι θερμοβολίδες.
Αυτά τα μοναδικά θερμικά χαρακτηριστικά των αεροσκαφών — συμπεριλαμβανομένων και των μαχητικών stealth — θα μπορούσαν να προσφέρουν πολύτιμες πληροφορίες στους υπέρυθρους αισθητήρες των πυραύλων για την αναγνώριση, την παρακολούθηση και την τελική προσβολή στόχων, καθιστώντας τις θερμοβολίδες αναποτελεσματικές.
Η κινεζική AI μετατρέπει τους πυραύλους αέρος αέρος σε υπερόπλο και σκορπά τρόμο στη Δύση
Εκμεταλλευόμενοι αυτή τη «δυνατότητα αποκάλυψης», ερευνητές στην Κίνα ανέπτυξαν ένα ελαφρύ σύστημα τεχνητής νοημοσύνης, το οποίο θα μπορούσε να επιτρέψει σε πυραύλους αέρος-αέρος με θερμική καθοδήγηση να αναγνωρίζουν τα υπέρυθρα ίχνη προηγμένων μαχητικών αεροσκαφών μέσα σε λίγα χιλιοστά του δευτερολέπτου.
Το σύστημα κατέγραψε υψηλή ακρίβεια σε εργαστηριακές δοκιμές απέναντι σε προσομοιωμένους στόχους τύπου F-22 και F-35.
Σύμφωνα με τις αναφορές, το νέο σύστημα πέτυχε ποσοστό ακρίβειας έως και 97,1% στην αναγνώριση στόχων F-22 και F-35 κατά τη διάρκεια προσομοιωμένων εργαστηριακών δοκιμών.
«Τα ελαφριά μοντέλα αναγνώρισης θα μπορούσαν να χρησιμοποιηθούν ευρέως σε μελλοντικούς πυραύλους αέρος-αέρος, καθώς μπορούν να προσφέρουν ταχύτατη αναγνώριση, διατηρώντας παράλληλα ισχυρές δυνατότητες ταυτοποίησης», δήλωσε ο Αν Τζιανγκσάν, πρώτος συγγραφέας της μελέτης.
Η έρευνα δημοσιεύθηκε στο κινεζικό επιστημονικό περιοδικό με κριτές Journal of Electronic Measurement and Instrumentation και πραγματοποιήθηκε από ερευνητές του Ινστιτούτου Τεχνολογίας του Πεκίνου.
Το συγκεκριμένο ίδρυμα είναι γνωστό για την έντονη στρατιωτική ερευνητική του δραστηριότητα και αποτελεί ένα από τα λίγα κινεζικά πανεπιστήμια που υπόκεινται σε αμερικανικές κυρώσεις.
Στην ερευνητική ομάδα συμμετείχαν επίσης επιστήμονες από την Κινεζική Ακαδημία Αερομεταφερόμενων Πυραύλων και ένα εθνικό εργαστήριο-κλειδί για την ανίχνευση στόχων κοντά στην επιφάνεια, σύμφωνα με την εφημερίδα South China Morning Post του Χονγκ Κονγκ.
«Το μοντέλο επιτρέπει την αποτελεσματική ταξινόμηση και αναγνώριση στόχων σε συστήματα υπέρυθρης απεικόνισης σάρωσης τοποθετημένα σε πυραύλους, επιτυγχάνοντας ακρίβεια αναγνώρισης 97,1% κατά τη διάρκεια των δοκιμών», ανέφεραν οι ερευνητές στη μελέτη τους.
Για την εκπαίδευση του συστήματος, οι ερευνητές δημιούργησαν μια βάση δεδομένων αποτελούμενη από 3.245 υπέρυθρες εικόνες, οι οποίες συλλέχθηκαν μέσω ενός συστήματος υπέρυθρης σάρωσης τοποθετημένου σε πύραυλο.
Το πετυχημένο... πείραμα με τη στοχοποίηση των αμερικανικών F-22 και F-35
Το σύνολο δεδομένων περιλάμβανε τρεις κατηγορίες εναέριων στόχων: δύο τύπους αεροσκαφών που προσομοίωναν τα χαρακτηριστικά των μαχητικών F-22 και F-35, καθώς και ένα περιφερόμενο πυρομαχικό (loitering munition).
Μετά την επεξεργασία στατιστικών σφαλμάτων, ο επιταχυντής υλικού πέτυχε ποσοστό ακρίβειας αναγνώρισης 96,4%, με μέσο χρόνο επεξεργασίας συμπερασμάτων (inference time) περίπου 1,5 χιλιοστά του δευτερολέπτου και συνολική κατανάλωση ενέργειας μόλις 2,2 Watt.
Ο εξαιρετικά μικρός χρόνος απόκρισης θεωρείται κρίσιμος παράγοντας, καθώς ένας πύραυλος διαθέτει μόλις λίγα χιλιοστά του δευτερολέπτου κατά τη διάρκεια της πτήσης του για να εντοπίσει το υπέρυθρο ίχνος ενός στόχου και να προχωρήσει στην αναγνώρισή του.
Αντίστοιχα σημαντικές είναι και οι ενεργειακές απαιτήσεις, καθώς ο επιταχυντής τεχνητής νοημοσύνης πρέπει να μπορεί να ενσωματωθεί σε έναν μικρού μεγέθους πύραυλο χωρίς να επιβαρύνει το σύστημα.
Για τον λόγο αυτό, οι ερευνητές κλήθηκαν να αντιμετωπίσουν και ένα σημαντικό πρόβλημα υλικού: πώς θα μπορούσαν να κατασκευάσουν έναν επιταχυντή τεχνητής νοημοσύνης που θα είναι μικρός σε μέγεθος, ελαφρύς και με χαμηλή κατανάλωση ενέργειας.
Κι όμως... η νέα υπερτεχνολογία της Κίνας συνοδεύεται από... χαμηλό κόστος
Τα συμβατικά μοντέλα τεχνητής νοημοσύνης απαιτούν υπερβολικά μεγάλους υπολογιστικούς πόρους, γεγονός που καθιστά δύσκολη την ενσωμάτωσή τους σε οπλικά συστήματα και πυραύλους.
Παρότι τα παραδοσιακά μοντέλα βαθιάς μάθησης (deep learning) μπορούν να επιτύχουν υψηλή ακρίβεια αναγνώρισης, ο μεγάλος αριθμός παραμέτρων τους και οι αυξημένες υπολογιστικές απαιτήσεις τα καθιστούν δύσχρηστα για ανάπτυξη σε μικρές ενσωματωμένες συσκευές.
Για τον λόγο αυτό, η ερευνητική ομάδα ανέπτυξε ένα ελαφρύ νευρωνικό δίκτυο.
Σύμφωνα με τη μελέτη, οι ερευνητές μείωσαν το μοντέλο στο 16,1% των παραμέτρων που χρησιμοποιούσαν προηγούμενες μεθοδολογίες, ενώ παράλληλα περιόρισαν τις απαιτήσεις υπολογιστικής ισχύος στο 19,2%.
Το νέο μοντέλο χρησιμοποιεί τεχνικές όπως:
- δομική βελτιστοποίηση (structural optimization),
- συγχώνευση κανονικοποίησης παρτίδας (batch normalization fusion),
- κβαντοποίηση 8-bit (8-bit quantization),
με στόχο τη μείωση του υπολογιστικού κόστους.
Μέσω αυτών των τεχνικών, η ομάδα κατάφερε να περιορίσει τη συνολική κατανάλωση ενέργειας του συστήματος στα μόλις 2,2 Watt.
Προκειμένου το σύστημα τεχνητής νοημοσύνης να είναι κατάλληλο για χρήση σε πυραυλικά συστήματα, οι ερευνητές σχεδίασαν επίσης έναν ειδικό επιταχυντή AI.
Ο επιταχυντής αυτός περιλάμβανε βελτιστοποιημένες μονάδες συνελικτικών υπολογισμών (convolution modules), δομές παράλληλης επεξεργασίας και μεθόδους προσωρινής αποθήκευσης δεδομένων (data buffering), ώστε να αυξηθεί η αποδοτικότητά του.
«Το τελικό σύστημα πέτυχε μια ισορροπία μεταξύ της ακρίβειας αναγνώρισης, της ταχύτητας επεξεργασίας, της κατανάλωσης ενέργειας του υλικού και των διαθέσιμων υπολογιστικών πόρων», έγραψαν ο κύριος συγγραφέας της μελέτης Λιου Μινγκ και η ερευνητική του ομάδα.
Το πιο εντυπωσιακό του στοιχείο;
Το σύστημα χαρακτηρίζεται ως σχετικά χαμηλού κόστους...
To ζήτημα της δοκιμής σε πραγματικές συνθήκες μάχης και οι... «εμπιστευτικές πληροφορίες» των Κινέζων ερευνητών
Συγκεκριμένα, «η πλατφόρμα Zynq7020 AI που χρησιμοποιήθηκε στη μελέτη κοστίζει μόλις μερικές εκατοντάδες γιουάν και το κόστος του υλικού είναι σχετικά χαμηλό», δήλωσε ο Αν.
Οι ερευνητές ανέφεραν ότι η προτεινόμενη λύση προσφέρει έναν ελαφρύ δομικό σχεδιασμό για συστήματα υπέρυθρης απεικόνισης σάρωσης που τοποθετούνται σε πυραύλους.
Ωστόσο, το υψηλό ποσοστό ακρίβειας 97,1% που επιτεύχθηκε κατά τις δοκιμές απέναντι σε προσομοιωμένους στόχους stealth, όπως τα μαχητικά F-22 και F-35, δεν σημαίνει ότι το σύστημα μπορεί να εντοπίσει επιχειρησιακά F-22 και F-35 σε πραγματικές συνθήκες πεδίου μάχης.
Όταν ο Αν ρωτήθηκε ειδικά για τη δυνητική ακρίβεια της μεθόδου στην αναγνώριση μαχητικών πέμπτης γενιάς, όπως τα αμερικανικά F-22 και F-35, 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 Αν.
Το ΑΙ έρχεται για να αλλάξει τα πάντα στον τρόπο που αντιμετωπίζονται τα stealth μαχητικά
Οι δοκιμές πραγματοποιήθηκαν με τη χρήση προσομοιωμένων στόχων και, σύμφωνα με τους ερευνητές, απαιτούνται περισσότερα πειράματα και επιπλέον δεδομένα προκειμένου να βελτιωθούν τόσο η ακρίβεια αναγνώρισης όσο και η ταχύτητα επεξεργασίας.
Η μελέτη παρουσίασε επίσης και άλλους περιορισμούς.
Για παράδειγμα, οι ερευνητές περιόρισαν την έρευνά τους σε πυροσωλήνες πυραύλων αέρος-αέρος μικρής εμβέλειας.
Επιπλέον, όπως ανέφερε ο Αν, «η επίδραση στα συστήματα πυραύλων εδάφους-αέρος παραμένει να επιβεβαιωθεί».
Παρά τους περιορισμούς αυτούς, η μελέτη αναδεικνύει μια αναδυόμενη πρόκληση για την αεροπορία stealth.
Καμία χώρα μέχρι σήμερα δεν έχει επιλύσει πλήρως το πρόβλημα του θερμικού ίχνους από τις εξατμίσεις των κινητήρων, ενώ η εξέλιξη μικρών υπέρυθρων αισθητήρων πυραύλων που βασίζονται στην τεχνητή νοημοσύνη θα μπορούσε, στο μέλλον, να περιορίσει ή ακόμη και να καταστήσει λιγότερο αποτελεσματικό το πλεονέκτημα της τεχνολογίας stealth.
www.bankingnews.gr
Σχόλια αναγνωστών