《基于神经网络评估的军事模拟深度限制搜索》最新100页

美国国防部（DoD）对利用人工智能（AI）增强具有作战行为的军事模拟越来越感兴趣。本文探讨了深度有限神经（DLN）搜索的应用--一种集成了卷积神经网络（CNN）的博弈树搜索技术，作为在特定方案下训练的评估函数，以提高人工智能在生成战斗行为方面的可扩展性和有效性。利用专为人工智能研究设计的军事模拟平台 Atlatl 进行了各种实验，以评估 DLN 在不同场景下的性能。这些实验包括测试训练 DLN 的人工智能组合、评估其在多个对手面前的表现，以及探索环境规模和单位数量的变化。此外，研究还采用了 DeepMind 的 AlphaStar 所展示的联盟训练概念，以训练人工智能模型，避免过度拟合并制定稳健的策略。研究结果表明，在基准场景下，DLN 优于现有的替代方案，但在扩展到更大、更复杂的环境方面仍存在挑战。这些发现为人工智能驱动的军事模拟的未来研究与开发提供了宝贵的见解，支持了美国陆军作战能力开发指挥分析中心（DEVCOM DAC）正在进行的工作。

本文分为五章。第 1 章概述了研究内容，包括论文的背景、动机、问题陈述、目标、意义、范围和结构。第 2 章回顾了有关军事模拟中的人工智能的现有文献和研究，指出了当前知识中存在的差距，并讨论了对抗树搜索、DLN 和 Atlatl 框架等相关概念。第 3 章详细介绍了进行实验所使用的方法和程序。其中包括研究设计、数据收集方法和分析技术。第 4 章详细介绍了实验结果，提供了数据和结论。第 5 章对结果进行分析和解释，与现有研究进行比较，讨论其影响，解决论文中提出的研究问题，总结主要发现，讨论对该领域的贡献，并提出未来研究的方向。

图 2.7. 显示的是启用人机交互后浏览器中出现的 Atlatl 场景示例。该场景显示了多种不同的地形和单位类型，以及代表敌对势力的红色和蓝色队伍。