Northrop udnytter maskinlæring for at hjælpe Space Force-missilparsing

Northrop udnytter maskinlæring for at hjælpe Space Force-missilparsing

Tidsstempel: 25. januar 2024 kl. 9
Kildeknude: 3084130

WASHINGTON — Northrop Grumman er ved at udvikle software, som den siger kan forenkle processen med høj indsats med at opdage, klassificere og overvåge missilopsendelser over hele kloden ved at læne sig op af mønstergenkendelsesegenskaber.

Forsvarsselskabet er i gang med at forfine det, det kalder False Track Reduction Using Machine Learning for US Space Force, med øjnene på levering i begyndelsen af ​​2025. Det forventes at blive brugt i Rumbaseret infrarødt system program, eller SBIRS, og har potentiel anvendelse i andre overhead vedvarende infrarøde opgaver.

Rumstyrkens personale sporer tusindvis af potentielle missilhændelser hver måned og må kæmpe med falske alarmer. Stadig mere sarte spionageteknologier, spredte satellitter, våben i konstant udvikling og militære opblussen i udlandet kan forværre den allerede komplicerede proces.

Northrops tilbud er designet til at lette informationsskreden analytikere står over for ved at analysere, hvad der måske ikke er en egentlig affyring eller et udgående projektil, mens de på samme tid sikrer, at ingen "virkelig begivenhed eller ægte missil" er forkert sorteret, ifølge John Stengel, direktøren for virksomhedens missionsudnyttelsesvirksomhed.

"Når sensorer bliver bedre - efterhånden som sensorer i rummet forbedres - bliver de mere følsomme. Efterhånden som sensorer bliver mere følsomme, jo flere falske spor får vi,” sagde Stengel i et interview med C4ISRNET. "At have evnen til at udnytte maskinlæring til at hjælpe mennesket i løkken, så at sige, udføre sit job, er at blive helt kritisk."

RELATEREDE

Falsk sporreduktion ved hjælp af maskinlæring er trænet på data fra den virkelige verden og kan ændres som udenlandske militærer fremme deres respektive arsenaler. Systemet bruger, hvad Stengel kaldte profiler, eller dokumenterede egenskaber såsom hastighed, form og højde, til at detektere og øremærke objekter til yderligere inspektion af brugere.

"Hvad systemet vil gøre, er at sige: 'Hey, det her virker ikke som et rigtigt missil, men jeg vil præsentere det for operatøren, mennesket i løkken, for at sikre sig og tage den beslutning, " sagde Stengel.

"Når forskellige lande i verden ændrer eller justerer eller kommer med nye våbensystemer, er vi nødt til at tage dem og tilføje dem til træningsscenarierne, så systemet kender til det, har det nyeste og bedste," tilføjede han. "Jeg har aldrig hørt om at erstatte mennesket i disse scenarier. Dette er alt om at hjælpe".

Forsvarsministeriet har i årevis betragtet kunstig intelligens og maskinlæring som afgørende for den hurtige sortering af information på slagmarken. Dens implementering tager fart og spreder sig; Afdelingen jonglerer med mere end 685 AI-relaterede projekter, herunder flere knyttet til større våbensystemer, ifølge Government Accountability Office.

C4ISRNET-reporter Courtney Albon bidrog til denne artikel.

Colin Demarest er reporter på C4ISRNET, hvor han dækker militære netværk, cyber og IT. Colin har tidligere dækket Department of Energy og dets nationale nuklearsikkerhedsadministration - nemlig oprydning fra den kolde krig og udvikling af atomvåben - for en daglig avis i South Carolina. Colin er også en prisvindende fotograf.

Tidsstempel:

Mere fra Defense News Space