بهینه‌سازی محاسبات تعبیه شده با هوش مصنوعی و یادگیری ماشین

امروزه هوش مصنوعی، یادگیری ماشین و یادگیری عمیق از عناصر مهم در دنیای دیجیتال محسوب می‌شوند. پیشرفت‌های اخیر در این فناوری‌ها و بلوغ نسبی آن‌ها باعث شده تا بسیاری از کارشناسان صنعت هوایی و تولیدکنندگان تجهیزات به دنبال بهره‌گیری از آن‌ها در جنبه‌های مختلف پلتفرم‌های اویونیک باشند. هرچند این موضوع می‌تواند آینده صنعت هوانوردی را با تحول اساسی مواجه کند، اما آغاز آن چالش‌هایی را با خود به همراه دارد. پیاده‌سازی الگوریتم‌های هوش مصنوعی و یادگیری ماشین نیازمند دسترسی به سخت‌افزارهای قدرتمند و پیشرفته است. افزایش تعداد پردازنده‌ها و حافظه در یک سیستم موجب بالا رفتن قیمت، وزن، اندازه و توان مصرفی سیستم خواهد شد. این درحالیست که تجهیزات اویونیک به خاطر محدودیت‌های یک هواپیما باید تا حد ممکن کوچک، سبک و با مصرف انرژی پایین طراحی و پیاده‌سازی شوند.

بر همین اساس محققان نیروی هوایی ایالات متحده برنامه‌ریزی کرده‌اند که در طول 5 سال آینده نزدیک به 100 میلیون دلار برای کاهش در اندازه، وزن و توان مصرفی (Swap) سیستم‌های اویونیک محاسباتی تعبیه شده یادگیری ماشین و هوش مصنوعی برای انواع هواپیماهای نظامی صرف کنند.

هدف اصلی دستیابی به بهبودهای قابل توجه در اندازه، وزن و توان مصرفی سیستم‌ها و معماری محاسباتی پیشرفته و همچنین برنامه‌ها و الگوریتم‌های قدرتمند است تا قابلیت‌های قدرتمند هوش مصنوعی و یادگیری ماشین (AI/ML) در یک محیط محاسباتی تعبیه شده گسترش پیدا کند. اهداف دقیقتر این تحقیقات عبارتند از:

• معماری‌های محاسباتی نیاز دارند به قابلیت‌های پیشرفته و جدید در شناسایی الگو، استدلال رویداد، تصمیم‌گیری قوی و یادگیری سازگار برای سرعت بخشیدن به پلتفرم‌های نیروی هوایی، دست پیدا کنند. محققان برای دسترسی به این قابلیت‌ها، محاسبات نورمورفیک یعنی همان معماری‌های محاسباتی، مدل‌ها، الگوریتم‌ها و برنامه‌های کاربردی الهام گرفته از مغز را انتخاب کرده‌اند. معماری و مدارات مجهز به عناصر نانو فناوری مانند ممریستور (مقاومت حافظه‌دار) و نانوفوتونیک می‌توانند برای پیشرفت در این زمینه همکاری کنند.
• هدف محققان نیروی هوایی توسعه و اثبات برنامه‌ها و معماری‌های سیستم محاسباتی ماژولار نوآورانه است تا در آینده نیازمندی‌های نیروی هوایی برای قابلیت‌های Plug-and-Play تعبیه شده به صورت بلادرنگ برآورده شوند. طرح‌های ماژولار باید از حسگرهای قابل تعویض و سایر دستگاه‌ها با قابلیت تنظیم مجدد نرم‌افزار به صورت خودکار بر اساس منابع موجود پشتیبانی کنند. همچنین سیستم‌های آینده نیاز به افزایش در پهنای باند داده خواهند داشت. علاوه بر این روش‌های محاسباتی و رابط‌هایی باید انتخاب شوند که مقیاس‌پذیر باشند. بنابراین بهینه‌سازی وزن، اندازه و توان مصرفی یک اولویت خواهد بود.
• آزمایشگاه تحقیقاتی نیروی هوایی نیازمند فناوری‌ها و روش‌های صحت‌سنجی، اعتبارسنجی و بهبود مقیاس‌پذیری، قابلیت اطمینان و امنیت فناوری AI/ML به ویژه روش‌ها و الگوریتم‌های یادگیری عمیق است. مباحث تحقیقاتی ممکن است شامل روش‌های توسعه، بهره‌برداری و افزایش قابلیت اطمینان سیستم‌های یادگیری عمیق باشد. همچنین تاثیر آسیب‌پذیری سیستم‌های یادگیری روی پلتفرم‌های سخت‌افزاری مختلف باید در نظر گرفته شود.

محققان قصد دارند 30 میلیون دلار برای این پروژه در سال 2019، 30 میلیون دلار در سال 2020، 15 میلیون دلار در 2021، 15 میلیون دلار در سال 2022 و 9 میلیون دلار در سال 2023 صرف کنند.