Ny teknik tillåter amerikanska soldater att lära sig 13 gånger snabbare än konventionella metoder och arméforskare sa att detta kan hjälpa till att rädda liv.

Vid U.S. Army Research Laboratory, forskare förbättrar inlärningshastigheten även med begränsade resurser. Det är möjligt att hjälpa soldater att dechiffrera tips om information snabbare och snabbare distribuera lösningar, som att känna igen hot som en fordonsburen improviserad sprängladdning, eller potentiella farozoner från flygbilder av krigszoner.

Forskarna förlitade sig på låg kostnad, lättvikts hårdvara och implementerad kollaborativ filtrering, en välkänd maskininlärningsteknik på en toppmodern, lågeffekt Field Programmable Gate Array-plattform för att uppnå 13,3 gånger snabbare träning jämfört med ett toppmodernt optimerat flerkärnigt system och 12,7 gånger snabbare för optimerade GPU-system.

Den nya tekniken förbrukade också mycket mindre ström. Förbrukningen beräknad 13,8 watt, jämfört med 130 watt för multi-core och 235 watt för GPU-plattformar, gör detta till en potentiellt användbar komponent av adaptiv, lätta taktiska datorsystem.

Dr. Rajgopal Kannan, en ARL-forskare, sa att den här tekniken så småningom skulle kunna bli en del av en uppsättning verktyg inbäddade i nästa generations stridsfordon, erbjuder kognitiva tjänster och enheter för krigsfighters i distribuerade koalitionsmiljöer.

Att utveckla teknik för nästa generations stridsfordon är en av de sex arméns moderniseringsprioriteringar som laboratoriet eftersträvar.

Kannan samarbetar med en grupp forskare vid University of Southern California, nämligen Prof. Viktor Prasanna och studenter från datavetenskap och arkitekturlabbet om detta arbete. ARL och USC arbetar för att accelerera och optimera taktiska inlärningsapplikationer på heterogen lågkostnadshårdvara genom ARL:s - West Coast open campus initiativ.

Detta arbete är en del av arméns större fokus på artificiell intelligens och forskningsinitiativ för maskininlärning som eftersträvas för att hjälpa till att få en strategisk fördel och säkerställa krigsfighters överlägsenhet med applikationer som adaptiv bearbetning på fältet och taktisk beräkning.

Kannan sa att han arbetar med att utveckla flera tekniker för att påskynda AI/ML-algoritmer genom innovativ design på toppmodern och billig hårdvara.

Kannan sa att teknikerna i tidningen kan bli en del av verktygskedjan för potentiella projekt. Till exempel, ett nytt adaptiv bearbetningsprojekt som nyligen startade där han är en nyckelforskare kunde använda dessa förmågor.

Hans uppsats om accelererande stokastisk gradientnedstigning, en teknik som finns överallt för många träningsalgoritmer för maskininlärning, vann priset för bästa papper vid det 26:e ACM/SIGDA International Symposium on Field Programmable Gate Arrays, den främsta internationella konferensen om teknisk forskning inom FPGA, hölls i Monterey, Kalifornien, 25-27 februari.