新技术使美国士兵的学习速度比传统方法快13倍，陆军研究人员表示，这可能有助于挽救生命。

在美国陆军研究实验室，即使资源有限，科学家们也在提高学习速度。它可以帮助士兵更快地破译信息暗示，更快地部署解决方案，例如识别威胁，如车载简易爆炸装置，或从空中战区图像中识别潜在危险区域。

研究人员依靠低成本、轻量级的硬件，并在最先进的低功耗现场可编程门阵列平台上实现了协同滤波，这是一种著名的机器学习技术，与最先进的优化多核系统相比，实现了13.3倍的训练加速，对优化的GPU系统提高了12.7倍。

新技术消耗的电力也少得多。功耗为13.8瓦，而多核平台为130瓦，GPU平台为235瓦，使其成为自适应、轻量级战术计算系统的潜在有用组件。

ARL的研究员Rajgopal Kannan博士说，这项技术最终可能会成为嵌入在下一代战车为分布式联盟环境中的作战人员提供认知服务和设备。

为下一代战车开发技术是其中之一军队现代化建设重点实验室正在追求。

Kannan与南加州大学的一组研究人员，即Viktor Prasanna教授和数据科学与架构实验室的学生合作进行这项工作。ARL和南加州大学正在通过ARL的西海岸开放校园计划，加速和优化战术学习在异构低成本硬件上的应用。

这项工作是陆军更大的人工智能和机器学习研究计划的一部分，旨在帮助获得战略优势，并通过战场上的自适应处理和战术计算等应用确保作战人员的优势。

Kannan表示，他正在研究通过在最先进的廉价硬件上进行创新设计来加快AI/ML算法的几种技术。

Kannan说，论文中的技术可以成为潜在项目的工具链的一部分。例如，最近开始的一个新的自适应处理项目就可以使用这些功能，他是该项目的关键研究员。

他的论文在加速随机梯度下降在2月25日至27日于加利福尼亚州蒙特利举行的第26届ACM/SIGDA现场可编程门阵列国际研讨会上，该技术获得了最佳论文奖。该研讨会是fpga技术研究的第一届国际会议。

---

了下:航空+国防，AI•机器学习

---