1 引言

這是對優化和學習的十種具體算法的一個小型綜述,結合對它們在未來芯片上的超級計算機中的數據流實現的適用性的分析,如[1]所述,以及它們對GaAs技術的適用性,這也是未來芯片上的超級計算機的一個選擇。顯然,這些算法的計算量需要在一個小的物理空間內有大量的計算能力。

在第2節中,每個算法都用適當的數學和邏輯概念進行了說明,並使用[2]中的準則進行介紹,即以下幾點:

1.要解決的問題是什麼。

2.在引入所提出的算法之前,現有的最佳算法是什麼。

3.為什麼新提出的算法會更好?

4.在哪些條件下,它的優勢有多大?

上述每個問題都盡可能簡明扼要地介紹,以便有效地深入了解其本質。

在第3節中,每一種算法都從適合數據流技術的角度進行了描述,數據流技術對高速、高精度、低功耗和低尺寸的航空航天和國防應用很有前途。

在第4節中,從適合GaAs技術的角度描述了每種算法,GaAs技術對航空航天和國防領域典型的高輻射環境下的超高速處理比較有用。

第5節介紹了與本綜述所關注的各種情況下的性價比有關的結論。

2 算法

人工智能(AI)算法已經進入國防領域,它們的廣泛使用正在改變戰爭和一般國防的經典理論。算法被用於檢測、規劃、現場作戰和輔助支持,這些都是國防部門的主要任務。算法和智能傳感器被用來在邊境口岸、海關檢查站和其他旅行口岸檢測潛在的危險人物和物體。作為這些算法的輸出,所獲得的洞察力被用來部署積極的警務工作,並對危機情況提供更全麵的了解。在計劃中,可用的數據和算法被用來更好地預測資源需求和任務及培訓演習的相關費用。在實地行動中,這些可以提供實時信息和快速評估,以改善任務結果,保護人員、資產和信息。一些係統和武器配備了各種輔助決策係統,而無人駕駛車輛和機器人則以較高的精度和較少的資源執行涉及安全風險的任務。

在本文中,我們介紹了十種算法,這些算法被用於核心、戰術和支持作戰的軍事應用中。基礎問題的實例,即算法的輸入,通常規模很大。因此,有大量的數據需要快速處理,最好是實時的、準確的和可靠的,同時保證信息的保密性和控製,即使在惡劣的條件下操作。

在DARPA讚助的項目中,最常發現的算法與我們下麵介紹的問題和算法有關。算法和問題的選擇似乎略微偏向於計算機視覺,因為它似乎是發展自動駕駛汽車的基本技術,取代了駕駛員的眼睛,從而使汽車能夠在危險的地點檢測到感興趣的物體。

A 大規模隨機規劃問題

軍隊中每天都有大量的優化問題,這些問題具有一定的不確定性,通常呈現在各種場景中。應用範圍從每月或每天的空運或海運貨物的調度[4],到網絡勞動力規劃[5]或醫療設施部署規劃[6]。這些都需要快速、準確和可靠的大規模隨機規劃問題的求解器。

Benders分解法是一種數學規劃技術,用於解決具有特定塊結構的超大型線性規劃問題[7]。

假設一個問題分兩個或多個階段發生,後麵階段的決策取決於前麵階段的結果。第一次嚐試對第一階段的問題進行決策時,事先不知道關於後麵階段決策的最優性。第一階段的決策是主問題,而後續階段被視為獨立的子問題,其信息被傳遞回主問題。如果檢測到任何違反子問題約束的情況,該約束將被添加到主問題中,然後被解決。主問題代表了一個初始的凸集,它被從子問題中收集到的信息進一步約束,因此隨著信息的增加,可行空間會縮小。如果矩陣A和B代表約束條件,Y代的可行集,我們要解決的問題被表示為最小化問題,如下所示:

在圖1中,我們說明了Bender分解算法。一旦得到初始主問題和子問題,在得出初始MP和子問題後,算法從主問題開始,然後在它們之間交替進行,直到找到一個最優解。較小的問題基本上是多項式時間可計算的問題,而它們的獨立性允許有效利用並行性。

一般來說,線性規劃是一個NP完全的問題,而Benders分解是一種能緩慢收斂到所需解決方案的方法。

B 圖像配準

機械臂和自主裝甲車的絕對精度是可能的,這要歸功於計算機視覺應用於從多個攝像機收集的高分辨率輸入,這些輸入最終需要轉化為相同的坐標係,以便為後續算法創建一致的數據。這是用所謂的圖像配準算法完成的。

圖像配準包括對源圖像進行空間轉換,以便與目標圖像對齊,如圖2所示。對齊是通過一個特定的映射來進行的,這個映射被稱為 "同構",定義如下。

有大量的算法可以準確地進行圖像配準。當圖像被暴露在噪聲中,導致一個場景在圖像中顯得雜亂無章時,現有的最佳解決方案具有多項式時間複雜性(見[8])。

最近,高分辨率圖像的實時配準(詳見[9]),正在由高速硬件來解決,這些硬件利用並行性和自適應采樣技術來滿足高速便攜式多媒體設備的要求(見[10])。

C 視頻拚接

圖像和視頻拚接是通過拚接幾個有多處重疊的圖像/視頻來獲得全麵的圖像/視頻視野,從而消除圖像或視頻中的視野限製。視頻拚接本質上是對多圖像拚接的概括,具有一係列新的限製和挑戰。

首先,圖像需要使用之前解釋過的圖像配準將其轉換為相同的坐標係。然後,根據使用情況,選擇一個適當的算法來尋找拚接縫隙。

較早開發的算法通常根據一個估計的單一變換對多個重疊的圖像進行全局變形和對齊。最近開發的算法將該問題轉化為更高級的優化問題,考慮到攝像機的移動,這需要穩定視頻。因此,視頻拚接可以被設定為優化一個由穩定項和拚接項組成的目標函數,在此基礎上進行迭代優化算法。顯然,即使是拚接低分辨率的視頻也需要大量的計算(見[11])。把這個問題帶到國防應用的現實場景中,需要對位置不固定的攝像機獲得的高分辨率視頻進行拚接。

D 模式識別算法

模式識別涉及自動識別數據中的規律性,並將數據分為不同類別。

分類是指識別一個(或多個)觀測值屬於一組類別(子群體)中的哪一個的問題。這方麵的例子是將視頻流中的識別對象標記為敵人,或者根據觀察到的設備特征(類型、某些特征的存在等)來分配網絡診斷中的一個設備。對於分類問題,我們將考慮邏輯回歸、kNN、感知機和SVM。

聚類是一種分類和預測分類標簽的方法,對於這個類別,我們將介紹kmeans算法。

最後,我們還將考慮集成學習,其本質是將多種學習算法結合在一起的有監督的元算法。

邏輯模型在統計學中被用來評估某個事件或現有的一組事件的概率,如通過/失敗、贏/輸、生/死或敵/友。它也可以擴展到對幾類事件進行建模,如確定圖像中的人是否有火箭筒,圖像中是否包含特定物體等。在圖像中檢測到的每個物體都被賦予0到1的概率,其總和為1。

kNN是一種監督學習算法,它將標記好的訓練好的樣本存儲為一對(X1, Y1), (X2, Y2), ...... ,(Xn, Yn),在Rd×{1, 2}中取值。訓練階段隻包括存儲這些樣本。為了進行預測,kNN算法找到查詢點的k個最近的鄰居,並根據最近的k個最相似的點計算出類標簽。

感知機是一種學習閾值函數的算法:一個將其輸入x(實值向量)映射到輸出值f(x)(單一二進製值)的函數。單層感知機的自然擴展是多層感知機,它基本上包含了許多組織成層的感知機,從而獲得在合理時間內解決更複雜問題的能力。

一個可靠的、高度準確的實時目標檢測算法在防禦中是最重要的。在給定的視頻中實時檢測某類語義物體的實例(如人類、動物、道路或車輛)。輸入是以連續視頻流的形式給出的,而輸出則是分配給每個檢測到的目標的注釋描述符,該描述符在其出現的幀中以適當的方框為界。

YOLO算法被認為是最先進的算法。YOLO的處理管道包括一個單一的神經網絡,它首先預測圖像中的界線框,之後問題被簡化為對空間分離的界線框的回歸。

YOLO首先將圖像分割成單元,通常是19x19的網格。然後每個單元負責預測K個邊界盒。YOLO根據單元格包含某個類別的概率,為盒子和類別確定一個置信度分數。詳細來說,一個類別的置信度分數是界線框置信度分數和類別概率的乘積。然後對所有單元格重複這一過程。然後,需要用所謂的非最大抑製法過濾掉不必要的界線框,通過這種方法,選擇一個具有最高類別概率的界線框。這樣做直到我們剩下所有不同的目標類別的界線框。

預測結果與地麵實況之間的誤差之和被用來計算損失。損失函數包括:分類損失、定位損失(預測的邊界框和地麵實況之間的誤差)和置信度損失(框的客觀性)。

這種方法在軍事上的應用有兩個額外的限製:(1)在準確性和速度之間不做權衡;(2)出於安全考慮,不使用在安全範圍外預訓練的網絡

這些限製和問題的性質要求在數據流上有巨大的連續處理能力,以使這種算法能夠成功使用。

為了檢測網絡中的入侵行為(IDS),需要對其流量進行特殊的簽名分析。正常的網絡流量往往表現出與攻擊相似的特征,而黑客經常應用混淆的方式進行網絡入侵。

機器學習為準確識別IDS提供了廣泛的有效工具,其限製條件是訓練數據集不應與惡意數據有關。支持向量機(SVM)是這項任務的一個有希望的候選者[14]。

這種算法的目的是在N維空間中找到一個超平麵,在保持最大餘量的同時將數據點分開,也就是各個類的點之間的最大距離。

盡管SVM的空間和時間複雜度是多項式的(分別是對輸入大小的二次和三次),但網絡中的數據量要求有特殊的結構,以使這種算法能有效地用於上述目的。

k-means聚類是一種矢量量化的方法,其目的是將n個觀測值劃分為k個聚類,每個觀測值都屬於平均值最近的聚類,作為聚類的原型。這導致數據空間被劃分為Voronoi單元。

集成模型使用多個不同的建模算法或不同的訓練數據集來預測一個結果。然後,集成模型將每個使用過的模型的預測結果彙總,得出其對未見過的數據的最終預測結果。特別是,Boosting是一種集成模型,已被廣泛用於軍事應用中(見[15])。

在實踐中,AdaBoost算法是通過級聯上述SVM弱分類器的數量來實現的。

3 數據流

數據流範式[16], [17], [18]已經被引入,與傳統的控製流範式[19]形成對比。在控製流中,編寫程序的目的是為了對通過硬件的數據流進行微觀控製。在數據流中,編寫程序的目的是為了配置硬件,因此,在理想情況下,電壓差可以通過硬件移動數據。

與控製流範式相比,數據流範式可以實現10倍、100倍、甚至1000倍的速度提升。同時,功率的降低可以達到10倍左右。精度可以在整個算法中變化,這就節省了芯片麵積。設備的尺寸也得到了減少,係數高達10倍。

從這種模式中受益最多的算法是那些以耗時的循環和每個特定循環迭代中的大量數據可用性為特征的算法。在本文綜述的算法中,最適合數據流實現的算法是:邏輯回歸、K-means和集成模型。

這些算法的數據流實現的例子,以及其他類似的算法,可以在appgallery.maxeler.com 或[16]中找到。關於更多信息,感興趣的讀者可以參考文獻[19]、[17]、[18]。

4 GaAS

GaAs技術也可用於處理器的設計和算法的實現。它提供了明顯更高的處理器速度和精度或輻射硬度,這使得它適合在航空航天和國防環境中使用。另一方麵,可以放置在單個芯片上的晶體管數量較少,而柵極延遲在很大程度上取決於柵極扇出。

這些特點決定了處理器設計和算法實現的具體要求。一方麵,沒有多少邏輯可以放置在單個芯片上,另一方麵,片外和片內延遲的比例相對較高。這就要求利用高度流水線架構,其中流水線元件的複雜性相對較小。

在DARPA的讚助下,實現各種類型的處理器工作在[20]和[21]中描述。重要的概念在[22]和[23]中被描述。這些概念也與本文描述的算法的實現有關

基於上述事實,可以預期最有效的實現是那些可以使用許多小元素,以流水線方式連接的算法,如圖像/視頻配準和拚接。其他例子包括感知器、SVM、kmeans和集成建模。這些說法通過本文共同作者任教的大學中的一些學生項目得到了驗證。

5 結論

所綜述的算法是根據在選定的軍事應用中的使用頻率選擇的。我們從基於數據流範式和GaAs技術的實施角度來研究這些算法。

研究發現,有些算法比其他算法更適合於數據流。也就是說,最適合的算法是那些以循環對整個運行時間的高貢獻為特征的算法,以及那些在每個循環迭代中具有高水平數據重用性的算法。

就利用GaAs技術帶來的潛在好處而言,那些可以在大量小模塊上實現的、以流水線或係統方式連接的算法有望獲得最佳性能提升。此外,對片外和片內延遲的大比率不太敏感的算法更適合這種技術,因為這種技術可以提供高速度,但不允許使用大芯片。

最後,這項調查開辟了與三角中的協同作用有關的新研究途徑:算法-架構-技術。為了從眾多的選擇中適當地選擇一種特定的算法,有必要進行本文所介紹分析。

"> 【軍用算法綜述】《綜述:軍事應用中使用的一些重要算法》2022最新論文 - 專知VIP

本文對常用於軍事目的的十種算法進行簡短綜述,然後分析它們對數據流和GaAs的潛在適用性,GaAs是芯片上超級計算機的特定架構和技術。每當一種算法或設備被用於軍事場合時,自然會假設與速度、可靠性、規模、能量、尺寸和精確度有關的嚴格要求。上述兩種範式在滿足這些要求中的大部分方麵是有希望的。

1 引言

這是對優化和學習的十種具體算法的一個小型綜述,結合對它們在未來芯片上的超級計算機中的數據流實現的適用性的分析,如[1]所述,以及它們對GaAs技術的適用性,這也是未來芯片上的超級計算機的一個選擇。顯然,這些算法的計算量需要在一個小的物理空間內有大量的計算能力。

在第2節中,每個算法都用適當的數學和邏輯概念進行了說明,並使用[2]中的準則進行介紹,即以下幾點:

1.要解決的問題是什麼。

2.在引入所提出的算法之前,現有的最佳算法是什麼。

3.為什麼新提出的算法會更好?

4.在哪些條件下,它的優勢有多大?

上述每個問題都盡可能簡明扼要地介紹,以便有效地深入了解其本質。

在第3節中,每一種算法都從適合數據流技術的角度進行了描述,數據流技術對高速、高精度、低功耗和低尺寸的航空航天和國防應用很有前途。

在第4節中,從適合GaAs技術的角度描述了每種算法,GaAs技術對航空航天和國防領域典型的高輻射環境下的超高速處理比較有用。

第5節介紹了與本綜述所關注的各種情況下的性價比有關的結論。

2 算法

人工智能(AI)算法已經進入國防領域,它們的廣泛使用正在改變戰爭和一般國防的經典理論。算法被用於檢測、規劃、現場作戰和輔助支持,這些都是國防部門的主要任務。算法和智能傳感器被用來在邊境口岸、海關檢查站和其他旅行口岸檢測潛在的危險人物和物體。作為這些算法的輸出,所獲得的洞察力被用來部署積極的警務工作,並對危機情況提供更全麵的了解。在計劃中,可用的數據和算法被用來更好地預測資源需求和任務及培訓演習的相關費用。在實地行動中,這些可以提供實時信息和快速評估,以改善任務結果,保護人員、資產和信息。一些係統和武器配備了各種輔助決策係統,而無人駕駛車輛和機器人則以較高的精度和較少的資源執行涉及安全風險的任務。

在本文中,我們介紹了十種算法,這些算法被用於核心、戰術和支持作戰的軍事應用中。基礎問題的實例,即算法的輸入,通常規模很大。因此,有大量的數據需要快速處理,最好是實時的、準確的和可靠的,同時保證信息的保密性和控製,即使在惡劣的條件下操作。

在DARPA讚助的項目中,最常發現的算法與我們下麵介紹的問題和算法有關。算法和問題的選擇似乎略微偏向於計算機視覺,因為它似乎是發展自動駕駛汽車的基本技術,取代了駕駛員的眼睛,從而使汽車能夠在危險的地點檢測到感興趣的物體。

A 大規模隨機規劃問題

軍隊中每天都有大量的優化問題,這些問題具有一定的不確定性,通常呈現在各種場景中。應用範圍從每月或每天的空運或海運貨物的調度[4],到網絡勞動力規劃[5]或醫療設施部署規劃[6]。這些都需要快速、準確和可靠的大規模隨機規劃問題的求解器。

Benders分解法是一種數學規劃技術,用於解決具有特定塊結構的超大型線性規劃問題[7]。

假設一個問題分兩個或多個階段發生,後麵階段的決策取決於前麵階段的結果。第一次嚐試對第一階段的問題進行決策時,事先不知道關於後麵階段決策的最優性。第一階段的決策是主問題,而後續階段被視為獨立的子問題,其信息被傳遞回主問題。如果檢測到任何違反子問題約束的情況,該約束將被添加到主問題中,然後被解決。主問題代表了一個初始的凸集,它被從子問題中收集到的信息進一步約束,因此隨著信息的增加,可行空間會縮小。如果矩陣A和B代表約束條件,Y代的可行集,我們要解決的問題被表示為最小化問題,如下所示:

在圖1中,我們說明了Bender分解算法。一旦得到初始主問題和子問題,在得出初始MP和子問題後,算法從主問題開始,然後在它們之間交替進行,直到找到一個最優解。較小的問題基本上是多項式時間可計算的問題,而它們的獨立性允許有效利用並行性。

一般來說,線性規劃是一個NP完全的問題,而Benders分解是一種能緩慢收斂到所需解決方案的方法。

B 圖像配準

機械臂和自主裝甲車的絕對精度是可能的,這要歸功於計算機視覺應用於從多個攝像機收集的高分辨率輸入,這些輸入最終需要轉化為相同的坐標係,以便為後續算法創建一致的數據。這是用所謂的圖像配準算法完成的。

圖像配準包括對源圖像進行空間轉換,以便與目標圖像對齊,如圖2所示。對齊是通過一個特定的映射來進行的,這個映射被稱為 "同構",定義如下。

有大量的算法可以準確地進行圖像配準。當圖像被暴露在噪聲中,導致一個場景在圖像中顯得雜亂無章時,現有的最佳解決方案具有多項式時間複雜性(見[8])。

最近,高分辨率圖像的實時配準(詳見[9]),正在由高速硬件來解決,這些硬件利用並行性和自適應采樣技術來滿足高速便攜式多媒體設備的要求(見[10])。

C 視頻拚接

圖像和視頻拚接是通過拚接幾個有多處重疊的圖像/視頻來獲得全麵的圖像/視頻視野,從而消除圖像或視頻中的視野限製。視頻拚接本質上是對多圖像拚接的概括,具有一係列新的限製和挑戰。

首先,圖像需要使用之前解釋過的圖像配準將其轉換為相同的坐標係。然後,根據使用情況,選擇一個適當的算法來尋找拚接縫隙。

較早開發的算法通常根據一個估計的單一變換對多個重疊的圖像進行全局變形和對齊。最近開發的算法將該問題轉化為更高級的優化問題,考慮到攝像機的移動,這需要穩定視頻。因此,視頻拚接可以被設定為優化一個由穩定項和拚接項組成的目標函數,在此基礎上進行迭代優化算法。顯然,即使是拚接低分辨率的視頻也需要大量的計算(見[11])。把這個問題帶到國防應用的現實場景中,需要對位置不固定的攝像機獲得的高分辨率視頻進行拚接。

D 模式識別算法

模式識別涉及自動識別數據中的規律性,並將數據分為不同類別。

分類是指識別一個(或多個)觀測值屬於一組類別(子群體)中的哪一個的問題。這方麵的例子是將視頻流中的識別對象標記為敵人,或者根據觀察到的設備特征(類型、某些特征的存在等)來分配網絡診斷中的一個設備。對於分類問題,我們將考慮邏輯回歸、kNN、感知機和SVM。

聚類是一種分類和預測分類標簽的方法,對於這個類別,我們將介紹kmeans算法。

最後,我們還將考慮集成學習,其本質是將多種學習算法結合在一起的有監督的元算法。

  • 1)邏輯回歸

邏輯模型在統計學中被用來評估某個事件或現有的一組事件的概率,如通過/失敗、贏/輸、生/死或敵/友。它也可以擴展到對幾類事件進行建模,如確定圖像中的人是否有火箭筒,圖像中是否包含特定物體等。在圖像中檢測到的每個物體都被賦予0到1的概率,其總和為1。

  • 2)online kNN

kNN是一種監督學習算法,它將標記好的訓練好的樣本存儲為一對(X1, Y1), (X2, Y2), ...... ,(Xn, Yn),在Rd×{1, 2}中取值。訓練階段隻包括存儲這些樣本。為了進行預測,kNN算法找到查詢點的k個最近的鄰居,並根據最近的k個最相似的點計算出類標簽。

  • 3)感知機

感知機是一種學習閾值函數的算法:一個將其輸入x(實值向量)映射到輸出值f(x)(單一二進製值)的函數。單層感知機的自然擴展是多層感知機,它基本上包含了許多組織成層的感知機,從而獲得在合理時間內解決更複雜問題的能力。

  • 4)用於實時目標檢測的神經網絡

一個可靠的、高度準確的實時目標檢測算法在防禦中是最重要的。在給定的視頻中實時檢測某類語義物體的實例(如人類、動物、道路或車輛)。輸入是以連續視頻流的形式給出的,而輸出則是分配給每個檢測到的目標的注釋描述符,該描述符在其出現的幀中以適當的方框為界。

YOLO算法被認為是最先進的算法。YOLO的處理管道包括一個單一的神經網絡,它首先預測圖像中的界線框,之後問題被簡化為對空間分離的界線框的回歸。

YOLO首先將圖像分割成單元,通常是19x19的網格。然後每個單元負責預測K個邊界盒。YOLO根據單元格包含某個類別的概率,為盒子和類別確定一個置信度分數。詳細來說,一個類別的置信度分數是界線框置信度分數和類別概率的乘積。然後對所有單元格重複這一過程。然後,需要用所謂的非最大抑製法過濾掉不必要的界線框,通過這種方法,選擇一個具有最高類別概率的界線框。這樣做直到我們剩下所有不同的目標類別的界線框。

預測結果與地麵實況之間的誤差之和被用來計算損失。損失函數包括:分類損失、定位損失(預測的邊界框和地麵實況之間的誤差)和置信度損失(框的客觀性)。

這種方法在軍事上的應用有兩個額外的限製:(1)在準確性和速度之間不做權衡;(2)出於安全考慮,不使用在安全範圍外預訓練的網絡

這些限製和問題的性質要求在數據流上有巨大的連續處理能力,以使這種算法能夠成功使用。

  • 5)支持向量機(SVM)

為了檢測網絡中的入侵行為(IDS),需要對其流量進行特殊的簽名分析。正常的網絡流量往往表現出與攻擊相似的特征,而黑客經常應用混淆的方式進行網絡入侵。

機器學習為準確識別IDS提供了廣泛的有效工具,其限製條件是訓練數據集不應與惡意數據有關。支持向量機(SVM)是這項任務的一個有希望的候選者[14]。

這種算法的目的是在N維空間中找到一個超平麵,在保持最大餘量的同時將數據點分開,也就是各個類的點之間的最大距離。

盡管SVM的空間和時間複雜度是多項式的(分別是對輸入大小的二次和三次),但網絡中的數據量要求有特殊的結構,以使這種算法能有效地用於上述目的。

  • 6)k-means

k-means聚類是一種矢量量化的方法,其目的是將n個觀測值劃分為k個聚類,每個觀測值都屬於平均值最近的聚類,作為聚類的原型。這導致數據空間被劃分為Voronoi單元。

  • 7) 集成模型--Boosting

集成模型使用多個不同的建模算法或不同的訓練數據集來預測一個結果。然後,集成模型將每個使用過的模型的預測結果彙總,得出其對未見過的數據的最終預測結果。特別是,Boosting是一種集成模型,已被廣泛用於軍事應用中(見[15])。

在實踐中,AdaBoost算法是通過級聯上述SVM弱分類器的數量來實現的。

3 數據流

數據流範式[16], [17], [18]已經被引入,與傳統的控製流範式[19]形成對比。在控製流中,編寫程序的目的是為了對通過硬件的數據流進行微觀控製。在數據流中,編寫程序的目的是為了配置硬件,因此,在理想情況下,電壓差可以通過硬件移動數據。

與控製流範式相比,數據流範式可以實現10倍、100倍、甚至1000倍的速度提升。同時,功率的降低可以達到10倍左右。精度可以在整個算法中變化,這就節省了芯片麵積。設備的尺寸也得到了減少,係數高達10倍。

從這種模式中受益最多的算法是那些以耗時的循環和每個特定循環迭代中的大量數據可用性為特征的算法。在本文綜述的算法中,最適合數據流實現的算法是:邏輯回歸、K-means和集成模型。

這些算法的數據流實現的例子,以及其他類似的算法,可以在appgallery.maxeler.com 或[16]中找到。關於更多信息,感興趣的讀者可以參考文獻[19]、[17]、[18]。

4 GaAS

GaAs技術也可用於處理器的設計和算法的實現。它提供了明顯更高的處理器速度和精度或輻射硬度,這使得它適合在航空航天和國防環境中使用。另一方麵,可以放置在單個芯片上的晶體管數量較少,而柵極延遲在很大程度上取決於柵極扇出。

這些特點決定了處理器設計和算法實現的具體要求。一方麵,沒有多少邏輯可以放置在單個芯片上,另一方麵,片外和片內延遲的比例相對較高。這就要求利用高度流水線架構,其中流水線元件的複雜性相對較小。

在DARPA的讚助下,實現各種類型的處理器工作在[20]和[21]中描述。重要的概念在[22]和[23]中被描述。這些概念也與本文描述的算法的實現有關

基於上述事實,可以預期最有效的實現是那些可以使用許多小元素,以流水線方式連接的算法,如圖像/視頻配準和拚接。其他例子包括感知器、SVM、kmeans和集成建模。這些說法通過本文共同作者任教的大學中的一些學生項目得到了驗證。

5 結論

所綜述的算法是根據在選定的軍事應用中的使用頻率選擇的。我們從基於數據流範式和GaAs技術的實施角度來研究這些算法。

研究發現,有些算法比其他算法更適合於數據流。也就是說,最適合的算法是那些以循環對整個運行時間的高貢獻為特征的算法,以及那些在每個循環迭代中具有高水平數據重用性的算法。

就利用GaAs技術帶來的潛在好處而言,那些可以在大量小模塊上實現的、以流水線或係統方式連接的算法有望獲得最佳性能提升。此外,對片外和片內延遲的大比率不太敏感的算法更適合這種技術,因為這種技術可以提供高速度,但不允許使用大芯片。

最後,這項調查開辟了與三角中的協同作用有關的新研究途徑:算法-架構-技術。為了從眾多的選擇中適當地選擇一種特定的算法,有必要進行本文所介紹分析。

成為VIP會員查看完整內容
24
48

相關內容

人工智能在軍事中可用於多項任務,例如目標識別、大數據處理、作戰係統、網絡安全、物流運輸、戰爭醫療、威脅和安全監測以及戰鬥模擬和訓練。
萬字長文!《衛星通信中的人工智能綜述》
專知會員服務
17+閱讀 · 8月8日
【AI與軍事】機器學習的軍事應用
專知會員服務
51+閱讀 · 4月25日
機器學習的 7 個關鍵軍事應用
專知會員服務
64+閱讀 · 4月24日
【綜述】自動駕駛領域中的強化學習,附18頁論文下載
專知會員服務
127+閱讀 · 2020年2月8日
論文落地 101:算法工程化的那些坑
PaperWeekly
12+閱讀 · 2018年11月3日
基於深度學習的目標檢測算法綜述
AI研習社
13+閱讀 · 2018年4月25日
國家自然科學基金
0+閱讀 · 2014年12月31日
國家自然科學基金
0+閱讀 · 2013年12月31日
國家自然科學基金
1+閱讀 · 2013年12月31日
國家自然科學基金
2+閱讀 · 2013年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2011年12月31日
國家自然科學基金
0+閱讀 · 2011年12月31日
國家自然科學基金
0+閱讀 · 2009年12月31日
國家自然科學基金
0+閱讀 · 2008年12月31日
國家自然科學基金
1+閱讀 · 2008年12月31日
Arxiv
13+閱讀 · 2021年3月29日
Self-Driving Cars: A Survey
Arxiv
35+閱讀 · 2019年1月14日
A Survey on Deep Transfer Learning
Arxiv
11+閱讀 · 2018年8月6日
Arxiv
10+閱讀 · 2018年5月13日
VIP會員
相關基金
國家自然科學基金
0+閱讀 · 2014年12月31日
國家自然科學基金
0+閱讀 · 2013年12月31日
國家自然科學基金
1+閱讀 · 2013年12月31日
國家自然科學基金
2+閱讀 · 2013年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
0+閱讀 · 2011年12月31日
國家自然科學基金
0+閱讀 · 2011年12月31日
國家自然科學基金
0+閱讀 · 2009年12月31日
國家自然科學基金
0+閱讀 · 2008年12月31日
國家自然科學基金
1+閱讀 · 2008年12月31日
微信掃碼谘詢專知VIP會員
Top