2020年12月23日,星期三

美国陆军将使用AI开发化学生物防御系统

美国陆军已宣布计划在开发化学和生物防御解决方案时利用人工智能和机器学习(AI / ML)的潜力。

根据美国陆军作战能力发展司令部化学生物学中心周一发布的新闻稿,AI / ML是下一代计算机功能,具有改变从人们的生活和工作方式到战斗和胜利方式的一切潜力。

还指出,战斗能力发展司令部化学生物中心(DEVCOM CBC)通过其“大挑战计划”(Grand Challenge Program)来跟上这一计算革命的步伐,首先是三个试点项目和一个招募更多人的研讨会。

继续阅读以下内容-

“我们从三个试点项目开始,以展示整个中心的AI / ML的价值,”正在努力的中心研究化学家Patrick Riley说。 “我们的目标是按照'快速失败'的原则启动许多小型项目,以便我们可以在中心了解AI / ML的最佳用途。”

负责化学生物学中心的Patrick Riley’的人工智能和机器学习计划STEWARD,该计划编写了一个使用AI / ML推进其研究的软件程序。杰克·邦佳摄

该计划将集中在四个关键领域:教育,小型项目,基础设施工具和通信。目的是建立对员工内部AI / ML的基础理解,并通过动手项目形式为员工参与创造机会。

这项工作被称为STEWARD,它代表软件工具和教育劳动力,以使用人工智能进行研发。它是最新的“大挑战”的产物,该竞赛每三年在中心举行一次,邀请科学家和工程师提出一项大胆的新计划,以资助和发展。大挑战赛的获胜者使中心保持在创新科学的最前沿。过去的一位获奖者将材料与生物科学相结合,创造出了具有生物活性的全新材料。另一位过去的获奖者提高了该中心在安全实验室内从几英寸远至24米的范围内检测化学和生物制剂的能力。

这是对未来的最新飞跃,它与更大的陆军未来司令部(AFC)合作,通过向所有AFC员工提供AI教育来创建适合AI的劳动力。反过来,这与国防部对AI的总体方法是一致的,这就是使其成为一种根深蒂固的战士技能。军事规划人员预计,最终AI / ML将成为进入敌手决策循环的关键。如果AI / ML可以使美军在以观察为导向的决定行动过程(称为OODA循环)中更快地行动,那么他们可以使对手保持平衡,并通过更大的敏捷性而不是更大的力量获胜。 AI / ML在推进美国的化学生物防御计划方面也具有巨大的潜力。

STEWARD AI计划由五个中心科学家组成的委员会管理,每个委员会的专业知识不同,但都热衷于为中心服务’的任务是加快发现速度并为战士提供新功能。它以一个讲座系列拉开序幕,在该系列讲座中,员工队伍和几位外部客座讲师对AI / ML进行了总体解释,并说明了他们如何使用它来增强自己的研究。该委员会还在该中心的内联网上创建了STEWARD AI Program网站。它包括精选的视频,AI实验以及指向免费工具的链接,以试用AI / ML。

承担使用计算机视觉识别图像是否为苹果的任务。 AI / ML算法要求计算机为图像分配0(表示“否”)或1(表示“是”)。对于神经网络,图像数据集会做出许多“是”,“否”的预测。该软件程序会评估其预测率,然后更新权重以尝试降低其预测误差,以便在下一次更准确地进行预测。研究人员可以设置此错误更新的次数,希望接近准确度最高的时间。而且,研究人员可以通过拍摄不同种类的苹果并从许多不同角度拍摄照片来添加更多特征,以描绘不同的颜色变化,皮肤纹理和不规则性。这会将更多信息添加到数据集中,这将有助于最终模型更准确地执行。

该中心的研究人员经常使用的一种流行的开源AI / ML形式称为随机森林。之所以得名,是因为它使用多个决策树来制定单个决策,然后实际上在决策树中进行投票以进行预测。每棵树在选择特性和权重上越独立,就越好-人群的智慧。与神经网络不同,Random Forest可以打开AI / ML的黑匣子,告诉我们做出决定时最重要的特征。

随机森林是一种开放源代码算法,可作为集成方法,对多个决策树的结果求平均值以进行预测。

如果要在识别苹果的较早示例中使问题复杂化,可以将计算机摄像头的眼睛看成是番茄。两者都是圆形的红色果实,但是虽然区分它们对我们来说很容易,但是对于AI / ML来说却很难。答案–继续添加训练数据,让算法添加更多树,继续通过软件的自动迭代功能进行预测并从中学习。随着时间的流逝,该算法将能够非常准确地区分两者。实际上,现在存在可商购的算法,该算法不仅不会使苹果与西红柿混淆,而且可以被农民用来在恰到好处的成熟阶段自主选择苹果,以进行挑选和销售。另一种算法对西红柿也是如此。

就像一千英里的旅程从第一步开始一样,向AI / ML精通的劳动力过渡也要从几个试点项目开始。中心的前三个项目之一使用AI / ML通过扫描并形成存储库来保存和使用中心的遗留数据,即数十年来科学家笔记本中的记录。另一人则试图通过开发可与市售增强现实头戴式耳机一起操作的算法,使用AI识别战场上的关键物体。第三个目标是使用一种算法来快速检查庞大的化合物库,以找到最适合刺激金属以产生可用于分解化学剂分子的电荷的化合物。

该中心有一些古老的研究人员的笔记本,其中包含数十年前的手写数据。其中一些数据对于当前的研究特别有价值。由中心数学家Thomas Ingersoll博士和计算机科学家Pronoti Kundu博士组成的团队选择了一大堆笔记本,这些笔记本中记录了唯一的,永远不会出现的结果的数据。重复实验。在1990年代,陆军经历了冷战后的休假,这使一千多名士兵可以参加一次演习,其中一组穿着完整的战场化学生物防护装备,而另一组则没有。然后对这两组人进行计时,以执行典型的战场步兵,火炮和装甲功能,例如正面攻击,精确射击和后勤。

从这些实验中获得的数据都被精心记录在笔记本中,至今仍是信息的金矿。但是所有内容均经过打字处理,并带有指纹,咖啡渍和泛白污点,使其不适合简单扫描。英格索尔(Ingersoll)和昆杜(Kundu)决定,他们将找到将数据提供给当前研究人员的最佳方法。昆都正在追求使用计算机视觉的AI / ML增强扫描方法。她尝试了不同的AI / ML软件程序,以找到最能克服这些障碍的程序。这意味着它必须首先能够识别表,从中提取表,并且不能将丢失的值记录为乱码。

同时,Ingersoll正在使用来自实验的原始数字化数据(记录在现已停用的Microsoft Access版本中)在现代软件系统中重新创建表格。他必须学习如何在过时的Access代码中编写软件查询,并运行一种称为“方差分析(ANOVA)”的统计工具来进行检索后处理。事实证明,该过程非常缓慢但非常准确。起初,Kundu的过程也非常缓慢,但是一旦她找到了最适合工作的AI / ML软件,并建立了数据输入和检索系统,它就会变得更快,几乎与Ingersoll的方法一样准确。

他们完成项目后,希望能够向中心提供经过测试和验证的建议,以关于如何最好地保留中心丰富的旧数据存储库的建议。

过去几年,中心研究人员一直在使用增强现实作为教学工具。市售的增强现实耳机可以使用软件通过眼镜将图形叠加到现实世界中。然后,观看者可以查看实际的设备,并以关于如何操作该设备的说明的形式出现软件创建的或增强现实(AR)覆盖图。计算机科学家Jacob Shaffer,多媒体专家Don Lail,高级研究科学家Charles Davidson博士和物理学家Gary Kipler博士的团队希望使用AI / ML教授化学生物检测设备的操作,并识别该领域的化学生物威胁。

这需要使用机器学习算法并对其进行“训练”以识别其环境中的对象。例如,假设头戴式耳机可以识别陆军当前的化学药剂检测工作量,联合化学药剂检测设备或JCAD。在这种情况下,它可以利用一个经过预训练的库来向现场的战士展示如何使用它。最终,他们希望该耳机告诉佩戴它的战士,它会看到附近的化学或生物威胁。如果成功的话,这将对战场上的战斗人员的安全和能力做出重大贡献。

这个概念正式称为等离子催化,它的目的是找到一种理想的材料,使它受到光的照射,以形成电子云。这些电子然后进入附近的半导体,如果该半导体与化学试剂接触,被激发的电子将破坏该试剂的分子结构,使其无害。中心化学工程师Matthew Browe和中心研究科学家John Landers博士的团队在这里看到了使用AI / ML的机会。正确的算法可以潜在地识别可以提供实际的现场去污的新型等离子体催化剂材料。半导体与新发现的等离激元催化剂的成功配对可用于涂料中,甚至可用于防护服中的一层。

为了达到这一点,Browe和Landers需要找到可能的最佳无机化合物,以在暴露于光线时产生激发电子。碰巧的是,加州大学伯克利分校开发了一个数据库,正式称为材料项目,其中包含13万多种化合物。该数据库是通过科学界内部的众包创建的。 Browe和Landers正在开发一种算法,可以搜索这个庞大的数据库并选择称为高性能等离激元催化剂的材料。然后,他们将填充自己的较小数据集,其中包含这些材料的电子结构数据,以识别所有高性能等离激元催化剂材料共有的关键电子结构特征。

他们计划使用从材料项目数据库中最佳等离激元催化剂候选物中产生的模型的发现,潜在地识别具有类似电子特征的新材料,这些材料可能会成为有希望的新型未发现的等离激元催化剂。中心研究人员可以使用此较小的列表来针对实验室中的合成和性能测量。这将涉及到一些试验和错误,但是与托马斯·爱迪生(Thomas Edison)在发现灯泡用钨之前尝试了数千种化合物不同,机器学习模型(例如由Browe和Landers开发的模型)的结果将仅产生一个候选子集。数十次试验。现在这尤其重要,因为大流行的限制减少了可利用的实验室时间,因此,在进行台式试验之前,对材料进行最佳的向下选择比以往任何时候都更为重要。

11月3日,STEWARD AI程序委员会举行了一个研讨会,向所有有兴趣研究AI / ML是否可以在研究过程中增强其数据分析的中心研究人员开放。它是由Microsoft Teams举办的。在类似于快速约会的过程中,十多个研究人员每个人都有机会与一个或多个委员会成员进入团队聊天室,以查看该研究人员的数据是否与AI / ML的功能相匹配。大多数参与者都对AI / ML知之甚少,但渴望找到新的更好的工具来推进他们的研究。

作为一个新的AI / ML试点项目,向委员会成员介绍作为资助对象的研究工作差异很大。一位研究人员想了解AI / ML是否可以帮助她优化如何构造金属有机骨架催化剂。这些是定制分子,非常类似于使用有机支柱和金属节点的竖立装置构建而成,为化学战剂分子进入并被捕获和中和创造了空隙。多年来,世界各地的学术和国防实验室都建立了越来越先进的MOF,并扩展了其可以执行的功能。构建MOF的可能性范围很广。它们基于研究人员对有机支柱和金属节点的选择,并考虑了特定的特殊功能。 AI / ML具有检查现有MOF的全部范围及其作为数据集的功能以及对如何更好地选择节点和支撑以增强功能进行预测的潜力。

研讨会上介绍的另一项技术涉及生物识别器,该生物识别器使用荧光指示威胁因子的存在。研究人员对使用AI / ML预测各种威胁因素进行阳性检测或命中的可能性感兴趣,然后使用AI / ML对检测这些因素的阈值进行了微调,从而节省了检测时间,并节省了几秒钟的时间。减少系统对操作员的依赖。

研讨会的另一个研究领域涉及使用AI / ML更好地处理液相色谱质谱仪产生的大量数据。它们被称为LC / MS,是一种广泛使用的实验室分析仪器,用于检测低浓度生物样品中的蛋白质,脂质和小分子代谢物。这使研究人员可以对宿主对它们在体内的反应或作用机制进行建模。在中心,这对于更好地了解人类接触化学和生物制剂至关重要。结果以图表的形式出现,以图表形式将每种物质的质量与其电荷和信号强度进行比较。它们不可避免地包括必须识别和消除的误报。 AI / ML可以自动执行和微调此功能,从而减少误报并提高速度。

由于AI / ML,世界正在发生变化。最终,每一项涉及用于获取结果的大量数据的任务都将采用AI / ML来减少或完全消除人们对数据意义的理解。这可能是自微芯片以来最大的计算机创新。从无人驾驶汽车到疫苗开发,再到炸弹处理之类的危险工作,它将彻底改变。它已经在银行安全,气候变化模型,航运物流和许多其他大规模的人类努力中做出了巨大的改变。

实际上,国防技术的各个方面也将发生根本性的变化。 “化学生物学中心致力于采用AI / ML来跟上这种变化的步伐,并在发挥领导作用方面发挥更大的作用,以更好地保护战士和国家免受当前和新兴的许多化学生物制剂威胁。该中心主任埃里克·摩尔(Eric Moore)博士说。

随着时间的流逝,人工智能/机器学习将不会影响中心的研究和运营领域。中心领导层的看法,未来就在这里,而STEWARD AI计划仅仅是在这里开始使用它。

如果您希望在我们的新闻报道中报道语法或事实错误,可以通过使用 在线反馈表.

如果您想表达对我们正在做的事情的支持,可以在这里进行: patreon.com/defenceblog

执行编辑

你可能还喜欢

现在趋势