期待已久的機器學習時代終于到來了。深度學習技術(shù)對作戰(zhàn)人員的潛在好處既巨大又深遠。隨著防御系統(tǒng)趨向于更大的應(yīng)用程序自主性，深度學習技術(shù)過于復雜，無法用更傳統(tǒng)的處理技術(shù)實現(xiàn)，現(xiàn)在可以幫助顯著推動流信號或圖像數(shù)據(jù)平臺處理的進步。事實證明，這些技術(shù)可用于模式識別任務(wù)，例如自然語言處理和圖像特征檢測，從而基于龐大的數(shù)據(jù)集產(chǎn)生高度可靠的自主決策。

加速深度學習在防御系統(tǒng)中應(yīng)用的是可用的技術(shù)——最新的超大型 FPGA 的數(shù)字處理能力、高能效圖形處理器單元 （GPU） 以及與靈活的多核處理器相關(guān)的高級 SIMD ［單指令多數(shù)據(jù)］ 處理單元。通過超越曾經(jīng)使深度學習架構(gòu)對任何類型的實時應(yīng)用都不切實際的處理限制，如今，新的高性能嵌入式計算 （HPEC） 平臺提供的進步，即使在尺寸、重量和功耗 （SWaP） 受限的系統(tǒng)中，深度學習算法也可以輕松滿足。進一步定義如何應(yīng)用深度學習算法來解決應(yīng)用程序的特定問題是一項持續(xù)的挑戰(zhàn)。因此，技術(shù)供應(yīng)商必須能夠定制和完善基于HPEC的平臺，以便它們能夠輕松適應(yīng)深度學習應(yīng)用的需求。

了解深度學習如何工作的基礎(chǔ)知識有助于說明它對戰(zhàn)士的積極力量。應(yīng)用程序可以通過獲取各種傳感器（圖像、聲音、GPS 位置、雷達等）收集的任何信號（觀察）來“學習”，并以抽象的方式表示它，或者作為形狀、角落、圖案等特征表示。這些抽象由深度神經(jīng)網(wǎng)絡(luò)（DNN，或數(shù)十層處理層）組成。每個圖層根據(jù)特定類型的要素處理數(shù)據(jù)，并將結(jié)果提供給下一個圖層。結(jié)果可能令人印象深刻，有時甚至比人工制作的解決方案更好，優(yōu)化了人臉識別、圖像配準、自然語言處理和欺詐檢測等應(yīng)用程序。

由于網(wǎng)絡(luò)必須經(jīng)過“訓練”，因此必須應(yīng)用大量計算，其中信息經(jīng)過多次加權(quán)和優(yōu)化，以減少出錯的可能性。因此，學習階段通常在不間斷運行的數(shù)據(jù)中心中執(zhí)行。每個訓練結(jié)果都是一個快照。在［軍事-航空航天］設(shè)置中，這些快照將部署在實際的嵌入式HPEC系統(tǒng)上進行測試。該過程不斷重復，期望每個快照的響應(yīng)都比前一個快照更好。

使用基于英特爾至強處理器 D-1540（Broadwell DE）的現(xiàn)成處理密集型平臺，可以構(gòu)建針對深度學習應(yīng)用優(yōu)化的模塊化 HPEC 系統(tǒng)。這些系統(tǒng)充分利用其八個內(nèi)核，每個內(nèi)核有兩個AVX2單元，以同時處理八個浮點FMA（融合乘法/累加）操作。換句話說，八個內(nèi)核可以在每個時鐘周期內(nèi)執(zhí)行 128 次浮點運算。英特爾至強融核協(xié)處理器進一步提高了這一水平。提供 72 個內(nèi)核，每個內(nèi)核有兩個 AVX-512 單元，每個單元每個時鐘處理 16 個 FMA 操作，總共 2304 個 FMA 操作。另一個優(yōu)點是英特爾架構(gòu)可確保與每一代后續(xù) 64 位處理器的二進制兼容性，從而有效地保護軟件投資免受未來任何不兼容的影響。

此外，OpenCL 正在蓬勃發(fā)展，迅速成為異構(gòu)計算的首選標準。其豐富而富有表現(xiàn)力的 API 管理數(shù)據(jù)流和計算對象，并有助于確保源代碼在不同平臺（如 GPU、CPU 和 FPGA）上的可移植性。基于 VPX 的主板和平臺也增加了價值，通過背板與 PCIe Gen3 或 10 Gb 以太網(wǎng)鏈路提供高速/低延遲通信，幫助適應(yīng)最廣泛的應(yīng)用。

在當今功能強大且功能豐富的HPEC平臺的推動下，深度學習應(yīng)用程序可以輕松篩選來自軍方大信號和圖像處理系統(tǒng)的大量數(shù)據(jù)流。考慮該技術(shù)對必須持續(xù)搜索感興趣信號或目標的應(yīng)用的影響。深度學習可以成為主動搜尋威脅和自主部署主動保護系統(tǒng)的答案。在HPEC平臺的支持下，在國防系統(tǒng)智能自主需求的推動下，深度學習技術(shù)可能會在軍方未來的作戰(zhàn)戰(zhàn)略中發(fā)揮重要的新作用。

審核編輯：郭婷