Nieuwe technologie stelt Amerikaanse soldaten in staat om 13 keer sneller te leren dan conventionele methoden en legeronderzoekers zeiden dat dit levens kan helpen redden.

In het onderzoekslaboratorium van het Amerikaanse leger, wetenschappers verbeteren het leertempo, zelfs met beperkte middelen. Het is mogelijk om soldaten te helpen hints van informatie sneller te ontcijferen en oplossingen sneller in te zetten, zoals het herkennen van bedreigingen zoals een geïmproviseerd explosief in een voertuig, of potentiële gevarenzones uit beelden van oorlogsgebieden vanuit de lucht.

De onderzoekers vertrouwden op goedkope, lichtgewicht hardware en geïmplementeerde collaboratieve filtering, een bekende machine learning-techniek op een state-of-the-art, Low-power Field Programmable Gate Array platform om een ​​13,3 keer snellere training te bereiken in vergelijking met een state-of-the-art geoptimaliseerd multi-core systeem en 12,7 keer sneller voor geoptimaliseerde GPU-systemen.

De nieuwe techniek verbruikte ook veel minder stroom. Verbruik in kaart gebracht 13,8 watt, vergeleken met 130 watt voor de multi-core en 235 watt voor GPU-platforms, waardoor dit een potentieel nuttig onderdeel is van adaptieve, lichtgewicht tactische computersystemen.

Dr. Rajgopal Kannan, een ARL-onderzoeker, zei dat deze techniek uiteindelijk onderdeel zou kunnen worden van een reeks tools die zijn ingebed in het gevechtsvoertuig van de volgende generatie, het aanbieden van cognitieve diensten en apparaten voor oorlogsvechters in gedistribueerde coalitieomgevingen.

Het ontwikkelen van technologie voor de volgende generatie gevechtsvoertuigen is een van de zes prioriteiten voor de modernisering van het leger die het laboratorium nastreeft.

Kannan werkt samen met een groep onderzoekers van de University of Southern California, namelijk Prof. Viktor Prasanna en studenten van het data science en architecture lab over dit werk. ARL en USC werken aan het versnellen en optimaliseren van tactische leerapplicaties op heterogene goedkope hardware via ARL's - West Coast open campus-initiatief.

Dit werk maakt deel uit van de grotere focus van het leger op onderzoeksinitiatieven op het gebied van kunstmatige intelligentie en machine learning die worden nagestreefd om een ​​strategisch voordeel te behalen en de superioriteit van oorlogsjagers te verzekeren met toepassingen zoals adaptieve verwerking op het veld en tactische computing.

Kannan zei dat hij werkt aan de ontwikkeling van verschillende technieken om AI/ML-algoritmen te versnellen door middel van innovatieve ontwerpen op ultramoderne goedkope hardware.

Kannan zei dat de technieken in de paper onderdeel kunnen worden van de gereedschapsketen voor potentiële projecten. Bijvoorbeeld, een nieuw adaptief verwerkingsproject dat onlangs is gestart en waar hij een belangrijke onderzoeker is, deze mogelijkheden zou kunnen gebruiken.

Zijn paper over het versnellen van stochastische gradiëntafdaling, een techniek die alomtegenwoordig is voor veel trainingsalgoritmen voor machine learning, won de best-paper award op het 26e ACM/SIGDA International Symposium on Field Programmable Gate Arrays, de belangrijkste internationale conferentie over technisch onderzoek in FPGA's, gehouden in Monterey, Californië, 25-27 februari.