美国空军与麻省理工学院联合人工智能加速器11个项目一览

概述

2019 年的项目提案征集产生了 10 个项目，共包含 15 个研究工作流。这些项目涉及 140 多名教职员工、研究人员和学生，他们隶属于麻省理工学院校园和麻省理工学院林肯实验室的 20 多个不同的组织单位。所有项目团队都涉及空军人员，他们嵌入研究团队并充当项目与国防部利益相关者之间的联络人。这些项目于 2020 年 1 月开始，推进了广泛领域的人工智能研究，包括天气建模和可视化、培训计划优化以及增强自主性以增强和放大人类决策。人工智能加速器的研究活动已成功扩展，包括与海军研究生院和美国太空部队合作的种子研究项目，以及于 2021 年 1 月启动的人工智能教育研究项目。总共11个项目 。

1 安全决策的监护人自主性

Guardian Autonomy for Safe Decision Making

Air Guardian 旨在通过开发用于增强和放大人类决策的算法和工具来推进人工智能和自主性。AI Guardian 通过使用过去的数据建议行动并融合来自传感器和信息源的输入来帮助人类。AI Guardian 系统的支持在出现意外和复杂情况时特别有用。Guardian 的端到端机器学习算法向专家学习如何在高度动态和令人惊讶的情况下以常识推理做出反应。我们的目标是使代理能够感知其环境，识别短期风险，对其操作员以及其他合作和对抗代理的意图和行为进行推理，以确定最佳行动方案。

2 通过虚拟现实和增强现实转移多机器人学习以实现快速灾难响应

该项目旨在开发一种新的框架和算法类别，使无人机系统能够在模拟器环境中学习复杂的多智能体行为，然后将其知识从模拟无缝转移到现实世界的现场环境中。该团队设想了一个急救系统，在该系统中，一群自动驾驶飞机接受了虚拟训练，了解如何在新的灾区模拟中导航和合作。然后，系统将在模拟中获得的学习转移到真正的自主飞机群中。一架飞机部署了一个大型“母舰”地面站，该地面站释放这些训练有素的自主飞机，以自动执行时间紧迫、劳动密集型的任务，例如勘测灾区以及定位和识别幸存者。

3 合成孔径雷达的多模态视觉

合成孔径雷达 (SAR) 是一种能够产生高分辨率景观图像的雷达成像技术。由于能够在所有天气和光照条件下生成图像，与光学系统相比，SAR 成像在人道主义援助和救灾 (HADR) 任务中具有优势。该项目旨在通过利用来自相关模式（例如，EO/IR、LiDAR、MODIS）、模拟数据和基于物理的模型的补充信息，提高 SAR 图像的人类可解释性、SAR 目标检测和自动目标识别 (ATR) 的性能. 项目结果和产生的技术将在整个政府企业中共享，以便在 HADR 问题空间中受益，跨服务的多个合作伙伴可能能够利用已开发的技术。

4 人工智能辅助优化训练计划

为了改善人工调度飞机航班的极其复杂和耗时的过程，该项目旨在实现飞机航班调度的自动化，以提高调度效率和在存在不确定性的情况下的鲁棒性。这将优化培训飞行计划，同时提供可解释性并消除决策中的孤岛。该技术使调度人员能够在快速变化的环境中快速有效地重新构建调度，从而大大加快计划和决策周期。虽然最初专注于飞机航班调度，但该技术适用于许多部门的所有复杂资源分配任务。

5 快速人工智能：数据中心和边缘计算

5.1 快速人工智能：快速开发便携式高性能人工智能应用

大量标记数据、新算法和计算机性能的可用性使人工智能革命成为可能。但漫长的计算机在环开发周期阻碍了人类发明和部署创造性的人工智能解决方案。此外，摩尔的终结削弱了半导体技术提供性能的历史能力。AI 性能越来越依赖于硬件架构、软件和算法。Fast AI 项目专注于为快速构建 AI 解决方案奠定基础，在现代和传统硬件平台上实现性能和可移植性。我们在编程语言、编译器技术、综合仪器、分析生产力工具和并行算法等领域进行创新。

5.2 ML 增强的数据收集、集成和异常值检测

人工智能技术成功的核心要求是高质量的数据。让系统做好“AI 就绪”的准备工作包括收集和解析原始数据以供后续摄取、扫描、查询和分析。该项目将开发 ML 增强数据库技术，以降低存储和处理成本，同时实现各种数据库孤岛之间的数据共享。此外，我们将开发一个异常值检测引擎来识别来自多个来源的复杂事件流中的时间异常。

6 非结构化信息访问和语言学习的会话交互

6.1 非结构化信息访问的对话交互

AI Accelerator 自然语言处理项目旨在推进平面/文本图像数据和空军任务中的会话代理、知识表示和预测算法。随着人工智能领域的进步，随着我们在数据中记录更多的工作，并在我们的家中找到更多的设备，人们能够以有意义的方式与技术交互至关重要——就像人类一样，语言很重要——尤其是在发现关于数字系统的信息。目标是通过对话交互和知识提取来推进人工智能社区，以进行开放域对话和非结构化信息。

6.2 人工智能个性化外语教育

AI加速器自然语言处理外语项目专注于构建个性化的外语教育框架，其中包括要获得的语言知识模型。这项工作利用当前的外语，根据学习者在课程作业各个阶段的预期知识水平量身定制，并制定标准化的能力测试措施。该模型将有助于个性化学习体验，并阐明学习结果何时和/或何处对学生不利。

7 地球情报引擎

7.1 地球情报引擎

用于天气和气候的地球情报 (EI) 引擎包括一个新颖的 AI 测试平台，以支持美国空军的快速、有效决策和长期战略规划和运营。人工智能的进步有助于缩小人工智能研究人员与可用地球系统数据之间的差距，通过一个连接数据和模型的平台、新颖的算法和图像填补任务，将低质量的天气和气候数据集与高质量的天气和气候数据集联系起来。EI引擎将为美国空军提供改进的异常检测算法；对集中式地球情报数据的关键远程访问；用于任务支持的地球智能的直观超级计算机可视化；改进任务行动的临近预报天气预报；以及受气候变化影响的战略位置识别，以加强资源配置。

7.2 可解释的机器学习

尽管机器学习模型的性能令人难以置信，但它们仍然难以理解——我们不明白它们是如何或为什么得出结论的。因此，我们不可能对模型的决策充满信心，并在它们出现故障时对其进行调试。这种“黑盒”性质限制了我们部署和节约维护机器学习系统的能力，尤其是在高风险的环境中。该项目以全新的思维方式处理机器学习的可解释性：将机器学习和人机交互方法相结合，使实际用户的可操作性成为主要目标。目标是确定可解释机器学习的标准，从而能够开发具有与人类和任务一致的数据表示和决策界面的模型。

7.3 持续和少量学习

人工智能技术已被证明在许多关键应用中非常成功，例如对象识别、语音识别等。然而，这些成功依赖于收集大量数据集和仔细的手动注释。这个过程成本高、耗时长，而且在很多情况下，没有足够的数据可用。迁移学习通过利用机器看到的过去数据仅使用少数带注释的示例来解决未来问题，从而为这些问题提供了解决方案。这项研究侧重于迁移学习中的挑战，旨在开发可以从根本上从多个异构任务中学习的算法，超越低级任务相似性，以实现跨不同任务的更广泛迁移。此类算法将在包括计算机视觉和自然语言处理在内的多个领域具有普遍适用性，并将大大减少对大量注释数据的依赖，从而降低部署和维护人工智能系统的成本和时间。

7.4 强大的人工智能开发环境

人工智能和机器学习 (ML) 方法已为美国空军展示了巨大的前景。然而，当数据输入或任务目标与算法训练期间遇到的目标发生变化时，许多现有的 ML 算法通常会发生灾难性的失败。这种缺乏可靠性以及现代 ML 技术的不透明性使得无法在关键任务环境中自信地部署机器学习系统。此外，模型无法适应不断变化的环境，这意味着每当环境发生变化时都需要（通常是昂贵且困难的）模型重新调整。本研究将侧重于以鲁棒性为中心的方法来开发 ML 算法。强大的 AI 开发环境 (RAIDEN) 优先考虑 ML 的可靠性、多功能性和适应性。我们努力提供的模型、框架和算法将简化真正可靠和高效的机器学习系统的部署。

8 使用生理和认知指标进行客观性能预测和优化

该项目汇集了生物医学仪器、信号处理、神经生理学、心理物理学、计算机视觉、人工智能 (AI) 和机器学习 (ML) 方面的专家以及空军飞行员，以开发和测试基于人工智能的多模式用于客观性能预测和优化的生理传感器融合方法。该项目将利用身临其境的虚拟环境来训练飞行员并不引人注目地测量性能预测指标。从该计划开发的一系列挑战数据集将用于参与社区。该团队与多个政府研究工作以及空中教育和培训司令部的无数飞行员培训单位合作，寻求通过明显加快飞行员培训时间表来提供概念验证，从而更快地培养“更好的飞行员”。

9 用于导航及其他领域的鲁棒神经微分模型

国防部和民用部门正在研究几种不同的 GPS 替代方案，以解决 GPS 替代方案；但是，每种替代方案都会带来额外的成本和用例。磁导航提出了一种替代 GPS 系统，该系统依赖于地球的磁共振——一个众所周知且不变的系统——进行导航。磁导航当前的一些问题涉及 1) 减少系统上的多余噪声，例如飞机本身的磁输出，2) 以与军事系统一致的实时速度或速度确定位置，以及 3) 与其他系统相结合系统来展示一个完全替代的 GPS 系统。目前的项目着眼于使用鲁棒的神经微分模型来解决磁导航的缺点并提供 GPS 的可行替代方案。

10 人工智能增强的光谱感知和干扰抑制

该项目旨在应用人​​工智能来增强美国空军检测、识别和地理定位未知射频 (RF) 信号的能力，同时提供自适应干扰缓解和智能频谱分析工具。这些能力增强了空军情报监视和侦察 (ISR) 任务、通信、信号情报 (SIGINT) 和电子战。结果将提高带宽利用效率和频谱共享，提高空军在高干扰环境中的通信性能，产生更高质量的射频信号情报，并提高系统对对抗性攻击和干扰的鲁棒性。

11 AI 教育研究：Know-Apply-Lead (KAL)

KAL 是一个探索性研究项目，旨在推进教育研究活动，为具有不同角色和教育背景的学习者（从空军和国防部 (DoD) 人员到公众）大规模促进最大的学习成果。项目团队将研究和评估与在各种现有课程中培训空军人员人工智能主题相关的各种教学实践和学习效益，绘制教育需求和能力的格局，并试点实验学习经验，目标是尽早概述用于创新技术支持的培训和学习的原型。