人工智慧將在雷達和電子戰中發揮重要作用，對電子元器件提出的要求是……

來自雷達和電子戰系統的分析數據決定了執行特定任務的路線。對於雷達和電子戰系統來說，快速篩選這些數據並將其轉化為可操作的情報至關重要。為了實現這一目標，國防工業正在使用人工智慧、機器學習和深度學習技術對這些系統進行編程，並使其成為更智能、更自主的工具。

戰場環境變得日益智能和更具連接性，設計變得日益重要。圖形處理單元（GPU）、現場可編程門陣列（FPGA）和通用計算圖形處理單元（GPGPU）都只是更加智能雷達和電子戰系統編程的一部分；感測器在獲取數據方面也扮演著重要的角色。軍事用戶希望在更小、更輕的系統中實現所有這些功能。

Abaco系統公司業務發展技術總監皮特·湯姆森表示，「總的來看，軍事客戶的需求就是相互關聯的感測器、通信設備和干擾機，前者速度快、穩健且難以檢測，後者可以適應未知威脅。」也正是因為這些未知威脅使設計師和工程師日以夜繼地推動國防工業創新，並使用諸如人工智慧、機器學習和深度學習等新技術。他補充道，「人工智慧優勢在於演算法可以適應不斷變化的環境和場景，人工智慧還可以代替系統操作員實施目標識別等任務。」

人工智慧取代人類對數據進行分析，根據麻省理工學院解釋，「神經網路」或者目前所說的「深度學習」實質上意味著擁有一台可以做出決策且像人類一樣思考的智能計算機。湯姆森稱，「神經網路可用於這些系統的雜波抑制、目標檢測、分類和跟蹤。」

Pentek公司副總裁兼共同創始人Rodger Hosking表示，「社區正在尋求獲得可行情報的更好方式，目前通過技術手段收集的信息太多，人類不可能實時篩選出來。信息與知識不同，知識可引導你採取行動。因此，今年的熱門話題是如何使用人工智慧和學習演算法等新策略自動評估信息，這些策略可幫助提高人類的決策速度和準確性。」

柯蒂斯·懷特公司防務解決方案產品管理和系統應用工程管理Marc Couture表示，隨著這些技術的不斷使用，這些趨勢將會持續，因為「這些演算法非常複雜，為能夠篩選出這些目標，這些機器必須更像人類。」

未來的挑戰：更具適應性的智能化戰場

湯姆森評論道，隨著時間的推移，雷達和電子戰解決方案將利用更多技術識別目標，並改進決策過程。另外，對這些方法進行整合「將產生更智能、更自主雷達和電子戰平台。」此外，更廣泛分散式/智能感測器網路將需要更加重視網路安全。「如果敵人可闖入單個節點，並通過網路禁用某個功能，那麼這將是一個重大漏洞。因此，網路安全將繼續成為包括雷達和電子戰信號處理在內的系統的重要組成部分。」

不僅需要考慮安全問題，還要考慮處理需求和封裝。柯蒂斯·懷特公司防務解決公司FPGA高級產品經理Denis Smetana表示，「我們如何管理正在產生的功率和熱量？為了充分利用現有的FPGA和GPGPU容量，我們需要轉向更具有吸引力的散熱技術，如空氣流通（AFT），甚至液體流通（LFT）。」

Hosking的觀點與此相符，正如他所說，「由於組件密度不斷增加，封裝和散熱管理變得越來越困難。新材料和更好的EDA建模工具正在發揮作用。隨著每個系統級複雜性增加，功能完善的子系統對系統集成商的吸引力越來越大。高級軟體工具和API通過抽象細節來提供幫助。」

Abaco公司的湯普森表示，「在可部署的基於AI的解決方案領域面臨雙重挑戰。第一個挑戰是開發堅固強大的處理系統，足以承載承載基於計算密集型神經網路的演算法。」

另一個問題只能在戰場上使用這些系統時才能得到解答。湯姆森表示，「有了這樣一個連接的智能系統，面臨的重大挑戰將是證明這種技術對自適應和未知敵人的有效性。如果我們的系統變得如此智能，以至於我們無法證明其工作的一致性，這將對軍方運營商信任這些新的數字武器有效性構成嚴峻挑戰。」

開發更智能的雷達和電子戰工具也面臨著軟體方面的挑戰。柯蒂斯·懷特公司防務解決方案公司開放式HPEC產品高級經理Tammy Carter表示，「我們現在面臨著一些挑戰，首先是創建演算法。創建足夠大的數據集、格式化數據和標記數據只是培訓演算法的一小部分挑戰和要求。培訓演算法所需的計算能力和時間使挑戰變得更加複雜。另外，我們在FPGA中看到的瓶頸之一就是內存，包括深度學習在內的許多演算法都需要大量的數據在處理時進行存儲，這既需要大容量的存儲器，又需要高吞吐量的存儲器介面。」

利用人工智慧、機器學習和深度學習進行編程

編程演算法能夠快速響應威脅並更像人類思考，這是設計智能系統所面臨挑戰的一部分；它也是關於使用哪種類型的硬體來確保戰鬥機任務的成功舉行。Kontron公司防務領域垂直產品經理Mark Littlefield表示，「有人可能會對真正的戰場將會在FPGA與更通用的處理類型——無論是真正的CPU方法，如Xeon還是還是採用基於GPU的處理方法產生爭論。這是一種三方平衡的行為，開發人員需要在開發簡便性，每瓦特每秒10億次浮點和供電壽命之間選擇最佳方法。FPGA和CPU各有針對這三個重要的計量單位的優點和缺點。」

當把GPU、FPGA和AI概念放在一起時，湯姆森表示，「神經網路在信號處理中的應用並不新鮮，但將這些技術應用於戰場中SWaP受限制的系統正在變得真實。以最前沿GPU為代表的新一代處理硬體正在推動人工智慧用於替代或增強雷達和電子戰中的傳統信號處理技術。」

Smetana解釋道，「GPU一直比FPGA更容易編程。隨著FPGA和GPGPU供應商爭奪數據中心市場的控制權，FPGA供應商正在努力開發工具來打破這種模式，這將最終使國防工業受益。其結果是有效地將機器學習演算法映射到FPGA中所需的軟體和工具。」

Smetana進一步分析了FPGA的優缺點：「FPGA的優勢之一是它們可以重新配置。因此，它們非常適合用戶需要系統適應當前情況的環境。對於深度學習應用，FPGA比GPGPU具有更高的功效，並具有更低的延遲。因此，隨著時間的推移，我期望看到用於深度學習的FPGA和GPGPU，其中GPGPUs在培訓方面很重要，而在部署方面則優於FPGA。」

關於FPGA和降低的SWaP，工業界很多人都期待賽靈思何時發布射頻系統晶元（SoC）解決方案，它將內置更多的ADC和DAC。安納波利斯微系統公司產品開發副總裁Noah Donaldson表示，這將使SWaP降低，因為先前系統的相同功能和性能不僅增加，佔用空間更小，這也減小了總體尺寸，因為現在一塊電路板可以完成多個電路板的工作。射頻SoC還將為軍用雷達和電子戰解決方案提供更多功能。

對於降低的SWaP應用，安納波利斯微系統公司為3U OpenVPX提供名為WILDSTAR UltraKVP ZPB DRAM的FPGA板—WB3XB0。這些FPGA板包括1個賽靈思Kintex Ultrascale XCKU115或Virtex Ultrascale+XCVU5P/XCVU7P/XCVU9P FPGA，具有64個高速串列連接，最高可達32.75 Gbps。有兩個80位DDR4 DRAM介面，主頻高達1200 MHz。板上四核ARM CPU運行至1.3 GHz本地應用程序要求。它可通過背板PCIe或乙太網訪問，並為所有FPGA提供專用的AXI介面。

Littlefield表示，「我們看到FPGA發揮著非常重要的作用，但我們也看到了像因特爾Xeon這樣更通用的處理器。目前這代英特爾XeonD實際上是一款非常強大的處理器，能夠處理機器學習和人工智慧等各種問題。我認為，雷達和電子戰開發人員正在採取一種非常實用的方法，讓嵌入式計算行業受到金融和自動駕駛汽車等各種因素的影響，從而推動機器學習和人工智慧的基礎技術發展。他們可以在可用時提升和利用這些技術。」

隨著GPGPU的推出，GPU與FPGA的爭論仍在繼續，突出的部分是利用軍事應用商業解決方案的發展。Couture表示，「我們所看到的一個大趨勢就是將GPGPU引入電子戰。GPGPU歷來被用於遊戲系統和渲染視頻顯示器。其目標是能夠編程『非常不同類型的處理器，讓他們相互交談，並能夠使用這些新的範例，如深度學習和機器學習』。」

湯普森評論道，需要指出的是，雖然FPGA非常重要，但它只是一個難題。為了實現自適應和機器學習演算法，設計工作必須使用最新的CPU和GPU技術。

數據和感測器在智能戰場上的作用

最終，智能系統的高性能運行歸結為數據和數據分析師。卡特說，「在演算法能夠自我教導之前，必須由分析師來教授它們，在分析師培訓機器之前，他們必須經過培訓，像機器一樣思考。」

但是，這仍然是一個問題，因為沒有足夠的人員或分析人員篩選大量生成的數據。對於雷達和電子戰應用，數據就是一切。湯姆森表示，「一個短期的離軸旋轉將需要在平台上實現更多的實時數據存儲，以收集『原始』真實世界的感測器數據以促進神經網路培訓。」

尋求真正適應性的戰場將繼續推動感測器達到收集可操作情報的極限。湯普森表示，在三年後，一個主要挑戰將是戰場上感測器和干擾器數量的增加。它不會是一個高價值的平台，但許多小型系統都在適應性戰場上發揮作用。

Couture表示，「未來的趨勢是感測器數據呈指數增長。電子戰和ISR感測器關聯了太多的感測器和太少的分析人員，這包括從電光紅外圖像數據、更高解析度的相機、所有射頻微波調諧器等收集的數據。處理要求變得更加苛刻，不僅對於日益龐大的感測器數據，而且對於感測器融合，你基本上是將相控陣雷達矩陣和射頻發射器數據與電光成像之間的映射進行交叉相關。」

Smetana指出：除了數據中心市場正在進行的工作外，這可能不一定與軍事有關，但從商業案例的角度來看，這正在推動很多將機器學習型演算法有效地映射到FPGA中的真正需要的軟體和工具。

Hosking補充道，作戰人員不再奢望篩選數據以便採取行動，而」適應性反制措施可以動態阻塞或修改信號以逃避或混淆敵人」，隨著新技術的發展，這些功能不斷變得更加完善和精確。

實現這些流程中的一部分自動化就是通過每項任務獲得大量數據的答案。Hosking說，「信號的自動分類有助於比人類操作者更快，更準確地識別和分離目標。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！