Autonome Militärdrohne mit Raketen Pholamai / iStock
Seit mehreren Jahren plant und entwickelt die US-Armee ihre Multi - Domänenbetrieb MDO . Die Armee erwartet, dass dies bis zum fertig ist 2028 als erster Schritt in ihrer Lehrentwicklung.
Die Multi-Domain-Operationen beschreiben, wie die Streitkräfte der US-Armee als Teil der Joint Force in Zukunft militärisch miteinander konkurrieren, eindringen, sich auflösen und ihre Gegner ausbeuten werden.
Soziales menschliches Verhalten ist extrem fließend und manchmal irrational . Wenn man autonome Agenten entwirft, die als Kriegskämpfer auftreten, muss man die Risikoelemente hinterfragen, die dies für die Menschheit mit sich bringt.
Autonome Militärroboter
Autonome Militärroboter sind Roboter - oder ferngesteuerte mobile Roboter -, die für militärische Anwendungen wie Transport zur Suche und Rettung sowie zum Angriff entwickelt wurden. Einige autonome Militärrobotersysteme - von denen einige auch als Killerroboter bezeichnet werden - werden derzeit verwendet.und viele andere sind in der Entwicklung.
Die US-Armee plant, bis 2028 Multi-Domain-Operationen MDO einzusetzen, für die maschinelle Lernkomponenten erforderlich sind, um den Robotern oder Killerrobotern Autonomie und Entscheidungsfindung auf dem Schlachtfeld zu ermöglichen.
Multi-Domain-Operationen, das zukünftige Betriebskonzept der US-Armee, erfordern, dass autonome Agenten mit Lernkomponenten neben dem Warfighter arbeiten. Neue Forschungsergebnisse der Armee verringern die Unvorhersehbarkeit der aktuellen Lernrichtlinien zur Verstärkung des Trainings, sodass sie insbesondere auf physische Systeme praktikabler sindBodenroboter.
Diese Lernkomponenten ermöglichen autonome Agenten zu argumentieren und anzupassen um die Bedingungen auf dem Schlachtfeld zu ändern, sagte der Armeeforscher Dr. Alec Koppel vom US Army Combat Capabilities Development Command, jetzt bekannt als DEVCOM, Army Research Laboratory.
Laut S. Koppel besteht der zugrunde liegende Anpassungs- und Neuplanungsmechanismus aus verstärkenden lernbasierten Richtlinien. Die effiziente Verfügbarkeit dieser Richtlinien ist entscheidend für die Verwirklichung des Betriebskonzepts für Multi-Domain-Operationen.
Koppel sagt, dass Policy Gradient Methoden in Bestärkungslernen sind die Grundlage für skalierbare Algorithmen für durchgehende Räume, aber vorhandene Techniken können keine umfassenderen Entscheidungsziele wie Risikosensitivität, Sicherheitsbeschränkungen, Exploration und Abweichung von einem Prior beinhalten.
Entwerfen autonomes Verhalten Wenn die Beziehung zwischen Dynamik und Zielen komplex ist, kann dies durch verstärkendes Lernen angegangen werden, das in letzter Zeit für die Lösung bisher unlösbarer Aufgaben wie Strategiespiele wie Go, Schach und Videospiele wie Atari und Starcraft II, Dr. Koppel, Beachtung gefunden hatsagte.
Die vorherrschende Praxis erfordert leider eine astronomische Probenkomplexität, wie z. B. Tausende von Jahren simuliertes Gameplay , sagte er. Diese Beispielkomplexität macht viele gängige Trainingsmechanismen für datenarme Einstellungen, die im MDO-Kontext für die erforderlich sind, nicht anwendbar. Kampffahrzeug der nächsten Generation NGCV.
Dr. Alec Koppel und sein Forschungsteam entwickelten neue Richtliniensuchschemata für allgemeine Versorgungsunternehmen, deren Stichprobenkomplexität ebenfalls festgelegt ist. Sie stellten fest, dass die resultierenden Richtliniensuchschemata die Volatilität der Belohnungsakkumulation verringern, eine effiziente Erkundung unbekannter Domänen ermöglichen und aMechanismus zur Einbeziehung früherer Erfahrungen.
"Diese Forschung trägt zur Erweiterung der Klassik bei Policy Gradient Theorem beim verstärkten Lernen ", sagte Koppel." Es werden neue Suchschemata für allgemeine Versorgungsunternehmen vorgestellt, deren Stichprobenkomplexität ebenfalls festgelegt ist. Diese Innovationen sind Auswirkungen auf die US-Armee durch die Ermöglichung von Lernzielen zur Stärkung, die über die kumulative Standardrendite hinausgehen, wie z. B. Risikosensitivität, Sicherheitsbeschränkungen, Exploration und Abweichung von einem früheren Stand. "Insbesondere im Zusammenhang mit Bodenrobotern sei die Erfassung von Daten kostspielig.
"Die Verringerung der Volatilität der Belohnungsakkumulation, die Sicherstellung, dass eine unbekannte Domäne auf effiziente Weise erkundet wird, oder die Einbeziehung vorheriger Erfahrungen tragen alle dazu bei, die bestehenden Hindernisse für die Stichprobeneffizienz der vorherrschenden Praxis beim verstärkten Lernen zu überwinden, indem die Menge an Zufallsstichproben verringert wird, die erforderlich sindum die Richtlinienoptimierung abzuschließen ", sagte Dr. Koppel.
Dr. Alec Koppel hat seine Bemühungen darauf verwendet, seine Erkenntnisse anwendbar zu machen innovative Technologie für Soldaten auf dem Schlachtfeld.
"Ich bin optimistisch, dass Verstärkungslernen ausgestattet ist autonome Roboter wird in der Lage sein unterstütze den Warfighter bei der Erforschung, Aufklärung und Risikobewertung auf dem zukünftigen Schlachtfeld ", sagte Dr. Koppel. Laut Koppel motiviert die Verwirklichung dieser Vision seine Bemühungen, alle Probleme zu untersuchen, die sie in Zukunft finden könnten.
Der nächste Schritt für diese Forschung ist die Einbeziehung der umfassendere Entscheidungsziele aktiviert von allgemeinen Versorgungsunternehmen bei der Stärkung des Lernens in Einstellungen für mehrere Agenten und untersuchen, wie interaktive Einstellungen zwischen Verstärkungslernmitteln entstehen synergistisches und antagonistisches Denken unter den Teams.
Laut Dr. Alec Koppel wird die Technologie, die aus dieser Forschung resultiert, sein in der Lage, unter Unsicherheit zu argumentieren in Teamszenarien. Die Forschung wurde in Zusammenarbeit mit der Princeton University, der University of Alberta und Google Deepmind durchgeführt und war ein Spotlight-Vortrag bei NeurIPS 2020 eine Premiere-Konferenz, die den Austausch von Forschung zu neuronalen Informationsverarbeitungssystemen unter biologischen, technologischen, mathematischen und theoretischen Aspekten fördert.
Das Risiko autonomer Killerroboter
In der Lage zu sein, die Technologie zu entwickeln, die autonome Roboter baut, die möglicherweise töten können, wirft viele Fragen auf.
Wie wir sehen, Experten in Maschinelles Lernen und militärische Technologie Angenommen, es ist jetzt technologisch möglich, Roboter zu bauen, die Entscheidungen treffen. Diese autonomen Roboter können entscheiden, wen sie anvisieren und töten sollen, ohne dass ein menschlicher Controller beteiligt ist.
Andere Technologien wie Gesichtserkennung und Entscheidungsalgorithmen werden immer leistungsfähiger. Wenn alle Technologien zusammengefügt werden, wird es einfacher, solche Killerroboter zu entwickeln.
Entwicklung der Technologie, die autonom baut Entscheidungsroboter was möglicherweise töten kann, wirft viele Fragen auf. T Diese vollständig autonomen Waffen würden neue technische und moralische Dilemmata das sollte nicht ignoriert werden.
Gesichtserkennung und Objekterkennung sind Fähigkeiten, die im Rahmen eines Toolkits für wahrscheinlich unerlässlich werden. tödliche autonome Waffen GESETZE.
Da das Militär mit Robotern experimentiert, die Teil des Schlachtfeldes sein und möglicherweise bereits 2028 als Killerwaffen eingesetzt werden, ist es vielleicht an der Zeit, ihre weitere Entwicklung in Frage zu stellen.
Sollten wir darüber nachdenken, ob die Kriege der Zukunft werden mehr High-Tech-Infusionen und weniger Menschen? In Zukunft autonome Killerroboter wird sich gegen Menschen wenden? Welche Konsequenzen würde dies für die Menschheit bringen?
Verwandte Artikel :