نورثروپ از یادگیری ماشینی برای کمک به تجزیه موشک نیروی فضایی استفاده می کند

نورثروپ از یادگیری ماشینی برای کمک به تجزیه موشک نیروی فضایی استفاده می کند

تمبر زمان: 25 ژانویه 2024، 9:40 صبح
گره منبع: 3084130

واشنگتن – Northrop Grumman در حال توسعه نرم‌افزاری است که می‌گوید می‌تواند فرآیند پرمخاطره کشف، طبقه‌بندی و نظارت بر پرتاب موشک‌ها در سراسر جهان را با تکیه بر قابلیت‌های تشخیص الگوی ساده‌تر کند.

این شرکت دفاعی در حال پالایش چیزی است که آن را کاهش مسیر کاذب با استفاده از یادگیری ماشینی برای نیروی فضایی ایالات متحده می‌نامد و در اوایل سال 2025 تحویل می‌شود. پیش‌بینی می‌شود از آن در سیستم مادون قرمز مبتنی بر فضا برنامه، یا SBIRS، و کاربرد بالقوه ای در دیگر تکالیف مادون قرمز پایدار بالای سر دارد.

پرسنل نیروی فضایی هر ماه هزاران حادثه موشکی احتمالی را دنبال می‌کنند و باید با هشدارهای نادرست مقابله کنند. فن‌آوری‌های جاسوسی ظریف، ماهواره‌های در حال توسعه، سلاح‌های در حال توسعه و شعله‌ور شدن نظامی در خارج از کشور می‌توانند این فرآیند پیچیده را تشدید کنند.

پیشنهاد Northrop برای سهولت طراحی شده است بهمن اطلاعات به گفته جان استنگل، مدیر شرکت بهره برداری ماموریت، تحلیلگران با تجزیه آنچه که ممکن است پرتاب واقعی یا پرتابه خروجی نباشد، مواجه می شوند و در عین حال، اطمینان حاصل می کنند که هیچ «رویداد واقعی یا موشک واقعی» به درستی طبقه بندی نشده است.

هرچه حسگرها بهتر می شوند - با بهبود حسگرها در فضا - حساس تر می شوند. استنگل در مصاحبه ای با C4ISRNET گفت: هر چه حسگرها حساس تر می شوند، مسیرهای نادرست بیشتری دریافت می کنیم. "داشتن توانایی استفاده از یادگیری ماشینی برای کمک به انسان در این حلقه، به اصطلاح، کار خود را انجام دهد، این است که کاملاً حیاتی شود."

مرتبط

کاهش مسیر نادرست با استفاده از یادگیری ماشینی بر روی داده های دنیای واقعی آموزش داده شده است و می تواند به عنوان ارتش خارجی اصلاح شود زرادخانه مربوطه خود را پیش ببرند. این سیستم از آنچه استنگل پروفایل نامیده یا ویژگی های اثبات شده ای مانند سرعت، شکل و ارتفاع را برای شناسایی و تعیین اشیاء برای بازرسی بیشتر توسط کاربران استفاده می کند.

آنچه که سیستم قرار است انجام دهد این است که بگوید: "هی، این یک موشک واقعی به نظر نمی رسد، اما من آن را به اپراتور ارائه می کنم، انسان در حلقه، تا مطمئن شود و این تصمیم را بگیرد. استنگل گفت.

وی افزود: از آنجایی که کشورهای مختلف جهان سیستم‌های تسلیحاتی جدیدی را اصلاح می‌کنند یا تنظیم می‌کنند یا به آن‌ها می‌رسند، ما باید آن‌ها را بگیریم و به سناریوهای آموزشی اضافه کنیم تا سیستم از آن مطلع شود، جدیدترین و بهترین‌ها را داشته باشد. من هرگز در مورد جایگزینی انسان در این سناریوها نشنیده ام. این هست همه چیز در مورد کمک کردن"

وزارت دفاع سال‌ها هوش مصنوعی و یادگیری ماشینی را برای مرتب‌سازی سریع اطلاعات میدان نبرد حیاتی می‌دانست. اجرای آن در حال افزایش سرعت و گسترش است. به گفته دفتر پاسخگویی دولت، این وزارتخانه در حال انجام بیش از 685 پروژه مرتبط با هوش مصنوعی، از جمله چندین پروژه مرتبط با سیستم های تسلیحاتی بزرگ است.

کورتنی آلبون، خبرنگار C4ISRNET در این مقاله مشارکت داشت.

کالین دمارست یک خبرنگار در C4ISRNET است که در آن شبکه‌های نظامی، سایبری و فناوری اطلاعات را پوشش می‌دهد. کالین قبلا وزارت انرژی و اداره امنیت هسته ای ملی آن - یعنی پاکسازی جنگ سرد و توسعه تسلیحات هسته ای - را برای یک روزنامه روزانه در کارولینای جنوبی پوشش می داد. کالین همچنین یک عکاس برنده جایزه است.

تمبر زمان:

بیشتر از فضای دفاعی اخبار