美國戰略家認為，人工智能(AI)有可能實現更好、更快的決策，這在未來的軍事沖突中是決定性的。機器學習應用將越來越多地影響政治和軍事領導人對戰略環境的看法，權衡風險和選擇，并判斷他們的對手。但是，將關鍵的人類決策過程暴露在人工智能系統的中會有什么風險？

要獲得人工智能在決策方面的優勢，首先需要了解其局限性和陷阱。人工智能系統根據數據模式進行預測。總是有一些意外行為或失敗的機會。現有的工具和技術試圖使人工智能對失敗更加穩健，往往會導致性能上的權衡，解決了一個問題，但可能會使另一個問題惡化。人們對人工智能的脆弱性和缺陷的認識不斷提高，但也需要在現實的部署背景下對技術故障的潛在后果進行更深入的分析。

本簡報研究了直接或間接影響決策的人工智能系統故障如何與戰略壓力和人為因素相互作用，從而引發危機或沖突的升級：

• 納入人工智能的進攻行動或干擾對手的人工智能系統可能導致不可預見的系統故障和連帶效應，引發意外的升級。
• 不安全的、訓練不足的或應用于錯誤類型問題的人工智能系統可能為決策過程注入不良信息，導致意外升級。
• 發現人工智能系統被破壞，可能會對關鍵能力的可靠性或生存能力產生不確定性，如果沖突似乎迫在眉睫，會促使決策者故意升級。

這些情景揭示了一個核心困境：決策者希望使用人工智能來減少不確定性，特別是當涉及到他們對戰場的認識，了解對手的意圖和能力，或了解他們自己抵御攻擊的能力。但通過依賴人工智能，他們在人工智能系統技術故障的可能性和后果方面引入了一個新的不確定性來源。

有效利用人工智能需要以一種有謹慎的和有風險的方式來平衡優勢與局限。沒有辦法保證概率性人工智能系統會完全按照預期行為，也沒有辦法保證它能給出正確的答案。然而，軍隊可以設計人工智能系統和依賴它們的決策過程，以減少人工智能失敗的可能性并控制其后果，包括通過：

• 為決策環境中使用的人工智能系統定義一套特定的任務屬性、標準和要求，如信任度量和保障措施，以檢測妥協或突發屬性。
• 規定人工智能在決策中的使用，將人工智能應用于非常適合的狹窄問題，同時保留人類判斷問題，如解釋對手的意圖；并考慮在某些領域完全排除人工智能。
• 盡可能地讓高級決策者參與他們所依賴的系統的開發、測試和評估過程，并讓他們了解人工智能的優勢和缺陷，以便他們能夠識別系統的故障。

美國應繼續帶頭制定負責任地開發和使用人工智能的全球標準，采取步驟展示某些可靠性，并盡可能地鼓勵其他國家采取類似的預防措施：

• 澄清為限制支持決策的人工智能系統的風險而實施的做法和保障措施。
• 開展國際合作，制定互利的技術保障措施和最佳做法，以減少人工智能災難性故障的風險。
• 承諾在使用包含人工智能能力的進攻性行動和針對人工智能系統的行動時保持克制，因為這些行動存在重大升級風險。

下一場戰爭將在一個高科技戰場上進行。但哪些技術將產生真正的影響？美國將在哪里找到技術優勢？這份CSIS報告確定了在與近似對手的戰斗中可能產生差異的七種技術。其中三項是 "沖刺"技術，美國應以大量的資源和集中的承諾積極追求進步：量子傳感和計算、生物技術和安全、冗余的通信網絡。四個是 "后續 "技術，美國應該支持和引導私營部門正在進行的努力：高性能電池、人工智能/機器學習、天基傳感器和機器人技術。

在這些技術中，任何一項失敗的后果都是巨大的——它們可能導致勝利和失敗的區別。本報告旨在將工作重點放在情報工作、混合戰爭、競爭和沖突等重要領域，以便為今天的競爭和未來的潛在沖突做好準備。

1 安全和冗余的通信

明天的戰斗將在很大程度上取決于通信。部隊的聯合，與盟友的行動，甚至分散的部隊之間的戰術協調，都取決于安全和隨時隨地的通信。遠距離交戰將使通信變得更加關鍵，從提供來襲火力的警告到與遠處的人員協調。高端傳感器套件和實時目標數據只有在用于將信息從傳感器傳輸到射手的通信網絡中才會有效。

2 量子技術

量子技術將徹底改變計算能力、加密和傳感技術。目前的加密技術構建得非常復雜，以至于現代計算機需要數千年的時間才能強行破解。量子計算機將能夠在幾分鐘內破解非對稱加密。同時，量子傳感器利用微小粒子的敏感性來測量環境中的微妙變化，包括旋轉、任何頻率的電磁信號和溫度。量子傳感器可以使一個導航系統即使在被GPS拒絕的環境中也能運行。

3 生物工程

在軌能力的巨大進步將在空間領域創造一個明確的優勢，包括在軌加油、在軌數據處理和彈性空間架構。安裝在小型衛星集群上的高光譜和日益敏感的傳感器，以及配備了傾斜和提示AI/ML算法的機載處理器，可以選擇最可能重要的數據，并迅速下傳到地面網。

4 天基技術

在軌能力的巨大進步將在空間領域創造一個明確的優勢，包括在軌加油、在軌數據處理和彈性空間結構。安裝在小型衛星集群上的高光譜和日益敏感的傳感器，以及配備了傾斜和提示AI/ML算法的機載處理器，可以選擇最可能重要的數據，并迅速下傳到地面網狀結構。

5 高性能電池

現代軍隊對燃料和電力有巨大的需求，從車輛到通信設備到運行背包式無人機和其他戰術監控的筆記本電腦。電力對情報工作也很關鍵--小型化的電池可以為隱藏在不尋常物品中的通信或收集裝置提供燃料。此外，向具有較長停留時間的無人駕駛系統的推進將需要持久的電池系統。

6 AI/ML

通過在國防部行動中的適當整合，人工智能/ML系統將加速--并使美國國家安全界的大多數核心功能復雜化。處理龐大的數據集和透過噪音關注信號的能力將幫助情報人員更有效地提供指示和警告，幫助政策制定者了解復雜的趨勢，并幫助作戰人員管理多層次的戰場，包括自主車輛和全域的戰爭。

7 機器人技術

機器人的進步，結合自主或半自主的能力，將有可能在戰場內外的危險情況下將人的生命風險降到最低，并執行對人來說不可能或危險的任務。

量子通信是當今最安全的數據傳輸技術。光纖通信線路和衛星到地面的鏈路已經成為迄今為止開發最成功的量子網絡基礎。使用無人機、衛星或兩者進行自由空間量子通信，可以減少對永久性地面連接的需求，并利用空間的低損耗限制，使其更有效率。這項工作調查了基于量子衛星和量子無人機網絡的最新發展。在此，從網絡的角度探討了最新技術的重要性，包括量子人工智能、區塊鏈量子機器學習、量子衛星和量子無人機。此外，這項工作還討論了基于衛星的圖像和人工智能的作用。

量子計算、通信、人工智能、機器學習、無人機和物聯網等技術正在帶來各種應用，如隧道或地下測量、交通監控、長距離密鑰分配和安全通信等。量子計算為人工智能提供了各種支持[1]。例如，與傳統算法[146][147]（如PRNGs、Middlesquare方法、BBS、LFSRs、XORshift等）相比，TRNGs的可行性要高得多。這是因為量子計算利用了量子力學現象，如光子的隨機偏振或電子的量子隧道，來生成真正的隨機數。量子支持的AI和ML算法可以通過分析數據中的模式并檢測和消除偏見來幫助，這可以提高隨機數生成過程的質量。量子區塊鏈技術也可以通過利用區塊鏈網絡的去中心化特性來創建TRNG，允許根據密碼學特性來生成隨機數。最后，量子支持的物聯網可以通過收集各種傳感器和設備的數據來生成隨機數，這些傳感器和設備可以捕獲隨機事件，如溫度波動或大氣噪聲。通過結合來自多個來源的數據，可以創建更加穩健、不太可能包含偏見或模式的TRNGs。真正的隨機性支持各種密碼學算法，隨著非重復性數字的機會增加而變得更加強大。像密碼學一樣，量子計算支持其他各種概念，包括模擬退火、蒙特卡洛、隨機漫步和各種類似的方法[148][149][150][151][152]。量子計算給人工智能領域帶來各種優勢，包括[62][63][64][146][147][148]：

• (i) 它有助于建立一個錯誤幾率較小的量子計算系統，并提高計算能力的能力。量子比特，或稱量子比特，可以對許多狀態進行編碼，并比傳統比特更快、更準確地進行計算。量子計算機可以迅速和正確地分析大量的數據并進行復雜的計算，減少復雜的模擬、優化和其他應用中的錯誤。通過將重復的、容易出錯的操作自動化，人工智能也可能將錯誤降到最低。人工智能系統可以檢查巨大的數據量，并使用機器學習算法和深度神經網絡找到人類可能錯過的模式和聯系。這可以減少數據分析、決策和其他錯誤。

• (ii) 它有助于建立開源的建模和訓練框架，這些框架更加有用和強大。機器學習是通過使用新數據來完善模型的迭代過程，以提高其預測能力。由于涉及大量的數據和復雜的模型，這個過程可能很耗時。量子計算有可能加速傳統上緩慢進行的特定計算，從而減少這一過程的費力性。因此，其適應性的幾率要高得多。

• (iii) 這有助于開發一個重要的、以功能為中心的生態系統，以提高應用能力。例如，量子計算提供了處理海量數據，并以比經典計算機更高的速度和精度進行復雜的計算。這種能力可以被用來創建量子啟發算法，它可以優化供應鏈管理、金融建模和其他大規模優化問題等任務。此外，量子計算可以促進量子模擬器的創建，這些模擬器可以非常精確地模擬復雜的化學反應和材料，有可能為新型藥物和材料開發鋪平道路。

• (iv) 與基于經典計算的基礎設施相比，量子計算有能力大幅提升不同人工智能應用的性能。量子計算機被設計用來處理大量的數據，并以高效、并行的方式進行復雜的計算。這可以促進創建量子啟發的算法，優化各種人工智能應用，提高其性能和效率。這些算法還可以解決大規模的優化問題，而這些問題通常對經典計算機來說是具有挑戰性的。這種算法的一個主要例子是量子機器學習算法，可以用來解決金融和物流等領域復雜的優化問題，可能會帶來更大的運營效率。

此外，AI、ML、區塊鏈和物聯網等技術可以幫助滿足量子計算的要求，包括[62][63][64][149][152][153]：（i）高可擴展性，（ii）長相干時間，（iii）提供高容錯能力，（iv）Qubit初始化，（v）支持提高Universal量子門的功能，以及（vi）Qubit測量和綜合能力，（vii）在可信任的環境下安全傳輸qubits。

A. AI、ML和量子計算

QIP是量子物理學在信息處理方面的應用。具體來說，在經典處理中不存在鏡像的三種量子資源是QIP潛在力量的來源。在QIP中，不可能高估多粒子量子態的意義，因為每個粒子都不能脫離其他粒子來描述[2]-[6]。在一系列領域，包括計算機科學、生物信息學、金融分析、機器人和其他感興趣的領域，ML都有相當大的前景[2]。由于正在產生的數據量越來越大，傳統的計算機可能無法跟上持續上升的 "大數據 "的步伐，最終可能變得無法解決。最近的幾項研究[7]-[11]表明，量子ML算法比傳統ML算法要好幾個數量級甚至更多。

• TFQ是一個用于量子ML的開源工具箱[132]。它是由谷歌、滑鐵盧大學、X公司和大眾公司創建的。量子系統可以用這個項目的資源進行控制和建模[12][13]。涉及量子人工智能工作的重要步驟簡要說明如下[13][14]。

• 根據Dilmegani[13]，量子數據可以表示為被稱為量子張量的多維數字陣列，它被用來描述量子信息。這些數據由TensorFlow處理，建立一個數據集，可用于其他應用。

• 為了挑選量子神經網絡模型，首先必須通過研究和實驗建立對量子數據結構及其特點的完整把握。從被遮蔽的糾纏狀態中恢復信息將通過使用量子處理技術來完成。

• 量子態的測量可以提供經典信息，這些信息可以以從經典分布中選擇的樣本形式獲得，這些樣本可以用來進一步完善測量。因此，在測量量子態時收集的信息被用來在未來生成新的量子態。有可能直接從它們所要代表的量子態中檢索出每d個值。TFQ方法，可以在大量的運行中計算出一個平均值，由兩個步驟組成，在第一步，張量或量子數據被移到一個專門調用量子電路的小工具的框架，這將導致生成一個量子數據集。隨后，為張量流計算圖生成一個量子神經網絡的原型（第二步）。

• 在將量子信息轉換為常規信息后，現在可以采用DL算法來發現不同類型數據之間的相關性。

• 最近為QML開發了幾個庫[201]-[228]。例如，PennyLane, Qiskit Machine Learning, TensorFlow, Cirq, Strawberry Fields, Forest SDK, ProjectQ, Pyquil, QuTiP, QMLT, Xanadu, Microsoft quantum development kit, Amazon braket, quasar、 qiskit nature, openFermion, Tequila, QMLjl, DWave ocean SDK, QFlow, QNNPACK, QGAN, QubitKit, Qulacs, Quantum circuit learning, quantum machine learning toolbox, Theano-QuTIP, and Quanlse. 表一顯示了這些庫和工具包的比較分析。

B. 區塊鏈與量子網絡

Kearney和Perez-Delgado[15]討論說，與其他形式的密碼系統不同，區塊鏈系統旨在保護信息資產，而不是其他類型的密碼系統[124][126][127][128][129][131]。由于它是交易記錄，區塊鏈本身在這個例子中充當了資產。除此之外，數據本身與密鑰對是隔離的，而且在量子技術的改進下，加密貨幣區塊鏈系統并不脆弱（量子技術正變得越來越普遍）[124][125] 。根據目前的預測，到2035年，量子計算機將能夠有效地破解RSA2048加密方案，使其非常有可能做到這一點。總部位于美國的NIST正致力于開發和部署一個能抵抗量子攻擊的公鑰密碼學標準。圖1顯示了重要的量子和區塊鏈相關概念，包括量子ML、基于量子計算的AI實踐、主要的量子算法類型、量子計算、量子AI和量子區塊鏈。下面簡要討論一些顯示區塊鏈與量子計算的重要性的研究。

• Iovane[16]討論說，區塊鏈，顧名思義，是以信息塊的形式記錄所有交易的開放式賬本。這些結構通過使用量子密碼學技術連接起來。為了保持系統的機密性，需要一個高效和優化的密鑰率，以及一個用于調制信號的加密載體。通過模擬QKD協議[157][158]來評估加密貨幣系統，該協議由六個狀態組成。觀察產生密鑰的速度，以驗證是否正在采取通往更好的加密貨幣系統的路線。為了構建一個線性連接，有必要采用一個數學模型來確定適當的限制。

• Sun等人[17]確定Logicontract基金會創建了LC，一個具有量子安全的許可區塊鏈，可用于交易業務。Logicontract（LC）是一個經過許可的區塊鏈，它使用量子技術來減輕量子計算帶來的風險。該區塊鏈采用了基于QKD機制的數字簽名方案，而共識是通過基于投票的共識算法實現的。在這項工作中，LC被用作量子安全的、有許可的區塊鏈，以防止量子計算的威脅。此外，它有一個基于邏輯的腳本語言，用于創建智能合約和一個抗量子的彩票協議，這說明了它的力量和用途。這個數字簽名系統是基于QKD算法和基于投票的共識機制，被美國國會圖書館用來認證數字文件。大自然對這項研究做出了最重要的貢獻，它建立了一個在任何情況下都能保證安全的LC簽名系統。LC是一個經過量子安全處理的區塊鏈，以確保其用戶的數據得到安全保障。為了確保安全的簽名，我們利用了基于QKD的簽名技術，以及一個依賴于投票的共識程序。我們的長期目標是在LC平臺上以合理的方式為智能合約開發一種基于邏輯的編程語言，這將使我們能夠實現這一目標。作為這些演示的結果，有人建議可以利用LC創建一個假想的抗量子的彩票系統，它可以使用與LC兼容的玩具腳本語言來實現。最終，這項工作的結論是，鑒于目前的技術狀況，LC在理論上是可行的。通過未來將進行的一系列測試，LC協議的安全性、可擴展性和適用性將得到進一步研究。應該指出的是，這項工作中提出的智能合約的形式化與在比特幣區塊鏈上可以找到的基本智能合約的形式化是相同的，在其他出版物中已經進行了深入研究。通過未來將進行的一系列測試，LC協議的安全性、可擴展性和適用性將得到進一步研究。為了在接下來的工作中取得成功，必須設計一個計劃來克服迄今為止遇到的問題。

C. 本工作的目標

這項工作的主要目標簡要說明如下：

• 了解量子計算機和計算基礎設施的重要性、使用案例以及量子計算機和量子計算領域的最新發展。

• 探討量子計算領域的應用，特別是在戰區，戰爭物品是否可以相互連接，以支持和增加現有基礎設施的能力。

• 研究和回顧量子人工智能和量子ML領域的最先進方法。

• 探討區塊鏈在量子網絡中的可能性、用例和應用。這項研究準備分析有助于提高量子網絡計算能力的區塊鏈技術（如智能合約、工具、技術）。

研究如何使用人工智能和ML算法、數學模型和方法來分析基于衛星的圖像

D. 論文組織

、 這項工作組織如下。第2節介紹了關于量子衛星、量子無人機的最新文獻和基于量子計算研究的最新調查。第3節介紹了量子計算機和計算領域的最新發展。第4節介紹了量子計算在各種應用中的重要性。第5節展示了量子人工智能和量子機器學習在近代的重要性。第6節介紹了量子衛星和量子無人機。第7節展示了區塊鏈在量子網絡中的重要性。第8節介紹了量子技術、基于衛星和無人機的網絡以及它們與先進技術的整合方面的公開研究挑戰和未來方向。最后，第9節總結了這項工作。

圖1：整合量子計算、機器學習、人工智能和區塊鏈的重要概念。

各國在量子空間的貢獻

• 美國政府已與NIST、NSF和DoE合作，開展為期5年、預算12億美元的量子項目。超過20位工業和研究專家將密切關注量子計算項目的發展。

• 中國向世界宣布，到2035年，中國在國家量子通信基礎設施領域的發展將引領中國走向世界。為了在量子衛星、無人機和其他計算設備領域開展工作，中國投資10億美元。

• 加拿大D-Wave系統投資3300萬美元，在量子計算領域取得了明顯的成績。

• 英國計劃用10億英鎊的巨額投資實施量子戰略，這將反映國家的GDP增長2.4個百分點。這些行業已經與一個專門的國家量子計算中心合作。

• 為了加入量子計算在各個應用領域的競爭，在四年內分配了6.5億歐元的種子資金用于開發創新項目。

• 在一項國家戰略中，法國已決定通過連續五年每年投資2億歐元在量子計算領域推出創新理念，在量子領域完成世界。感受到研究團隊的承諾，知名行業和創業投資者也承諾籌集8億歐元的資金，以專注于成為與美國和中國一樣的 "領先的量子三國 "的一部分。

• 俄羅斯成立了國家量子實驗室，著名的科學家和研究人員一起努力利用7.9億美元的政府資金，將量子概念轉化為實際用途。

• 印度政府已決定投資8000億盧比用于國家量子技術和應用任務，為期5年。

本文的目的是表明，研究機器學習系統中潛在的組成和函數結構使我們能夠更好地理解它們。本文探索了機器學習許多子領域的范疇理論表述，包括優化、概率、無監督學習和有監督學習。本文首先研究了當用一般的范疇理論結構取代梯度時，各種優化算法的行為。證明了這些算法的關鍵性質在非常寬松的假設下是成立的，并通過數值實驗證明了這一結果。本文還探索了動態系統的范疇論視角，使我們能夠從簡單操作的組成中構建強大的優化器。其次，從范疇理論的角度研究了概率建模與梯度優化之間的關系;本文從這個角度來研究最大似然估計如何在從統計模型到監督學習算法的轉換中保持某些關鍵結構。

//ora.ox.ac.uk/objects/uuid:ec72e338-d95e-4bd6-9412-7ac76b7ddc15

接下來，我們從函數的角度來研究無監督學習。我們基于非監督學習算法的函式表示的范疇論性質，開發了非監督學習算法的分類法，并證明了這些分類法是算法行為的預測。用這個視角推導出了一系列用于聚類和流形學習的新無監督學習算法，并證明了這些新算法在真實世界數據上可以優于常用的替代算法。還用這些工具證明了關于流行的無監督學習算法的行為和局限性的新結果，包括細化界限和在噪聲面前的穩定性。最后，轉向監督學習，并證明數據科學和機器學習中許多最常見的問題都可以表示為Kan擴展。本文用這個角度推導出新的分類和監督聚類算法。同時在真實數據上對這些算法的性能進行了測試。

戰爭的特點正在發生根本性的變化，這些變化對空中力量的影響尤其深遠。多域整合為空中力量和越來越多的空間力量在未來幾年內的一系列轉變做好了準備，這些轉變不僅與技術有關，而且與空軍組織和進行規劃和行動的戰略和作戰概念有關。

迫在眉睫的、不可避免的多域作戰似乎是空中力量的一個明顯的邏輯演變，它可能會引發這樣的問題：為什么我們沒有更早地沿著這些思路思考和發展作戰概念？畢竟，對優化、作戰協同和武力經濟的尋求在空中力量中是持久的。可以說，多年來，空軍及其相關部門事實上已經嘗試以某種方式或形式在多域背景下運作。然而，在整個部隊甚至整個戰區范圍內，為多域作戰（MDO）提出的早期作戰概念（CONCOPS），在多域作戰空間產生作戰協同和效果的努力是前所未有的。

諸如聯合全域指揮與控制（JADC2）這樣的結構闡述了一個作戰云賦能的未來戰爭，其中任務指揮和戰斗空間管理被有效地隱含在整個戰斗部隊中，觀察-定向-決定-行動（OODA）環路被加速到邊緣計算的速度。傳感器和通信網絡決定了空軍承擔幾乎所有傳統任務的功能能力。數據和數據流將變得比空軍傳統上對機動自由的依賴更加重要，并且有效地成為其戰略推動者。空軍力量將越來越多地與網絡而非平臺、數據而非武器系統有關。

任務的成功和失敗一直是由指揮官和作戰人員可用的態勢感知水平決定的。在新興的作戰模式中，空軍以近乎實時的速度收集、處理和利用數據的能力有效地使數據成為最大的工具和最令人垂涎的武器。收集、處理、匯總、分析、融合和傳播大量的數據、信息和知識將需要像未來有爭議的戰場上的事件速度一樣快。目前正在進行的戰爭數字化將導致在未來幾年內將 "大數據"廣泛用于作戰過程。空間領域將在實現全球范圍內連續的、有保障的和安全的通信方面發揮顯著的作用，除了更傳統的遠程監視用途外，它還被用作這種通信的運輸層。

對信息主導地位的追求將以新的和不確定的方式在物理、電磁和虛擬世界中擴展競爭的連續性。隨著空軍對帶有嵌入式人工智能（AI）工具和應用的作戰云的使用，新的風險、脆弱性和故障點將被引入。本出版物收集了來自世界各地領先的思想家的文章和見解，對多域整合和空中力量的信息優勢框架和概念的一些最相關問題提供了深入的觀點。這里的觀點和討論反映了當前對各種戰略、指揮和作戰層面的思考，讀者會發現這些思考對他們更廣泛的理解很有幫助。

這里介紹的專家展望本身既不樂觀也不悲觀，正如我們所期望的那樣，所確認的是各種新技術促成的 "飛躍"機會正在地平線上形成，但其有效利用帶來了復雜和破壞性的新挑戰。在強調其中一些關鍵的挑戰和更好地理解這些挑戰的必要性的同時，正如通常的情況一樣，沒有快速的解決辦法或現成的解決方案。然而，有令人信服的理由認為，今天所預見的眾多挑戰似乎在理論上和技術上是可以克服的，有些甚至在未來幾年內就可以克服。在未來存在的許多不確定因素中，可以肯定的是，空中力量將被徹底重新定義。

現代數字雷達在其波形、雷達參數設置和傳輸方案方面提供了前所未有的靈活性，以支持多種雷達系統目標，包括目標探測、跟蹤、分類和其他功能。這種靈活性為提高系統性能提供了潛力，但需要一個閉環感知和響應方法來實現這種潛力。完全自適應雷達（FAR），也被稱為認知雷達，是模仿認知的感知-行動周期（PAC），以這種閉環方式適應雷達傳感器。在這項工作中，我們將FAR概念應用于雷達資源分配（RRA）問題，以決定如何將有限的雷達資源如時間、帶寬和天線波束寬度分配給多個相互競爭的雷達系統任務，并決定每個任務的傳輸參數，使雷達資源得到有效利用，系統性能得到優化。

已經提出了一些感知-行動的RRA方法。這一領域的最新工作被稱為認知雷達資源管理，而較早的相關工作則被稱為簡單的傳感器管理或資源分配。這些算法依賴于兩個基本步驟。首先，它們以概率方式捕獲（感知）監視區域的狀態。其次，他們使用這種概率描述，通過確定哪些行動有望實現效用最大化來選擇未來的傳感行動。

任何RRA算法的一個關鍵挑戰是平衡目標探測、跟蹤、分類和其他雷達任務的多個競爭性目標。這一點通過優化步驟中用于選擇下一步雷達行動的目標函數來解決。目標函數也被稱為收益、標準、價值或成本函數。因此，以適合優化的數學形式闡明系統目標，對完全自適應雷達資源分配（FARRA）系統的運行至關重要。隨著可用于適應的參數數量和雷達系統任務數量的增加，這變得越來越困難。這種優化有兩種基本方法：任務驅動和信息驅動。

在任務驅動的方法中，為每個任務指定性能服務質量（QoS）要求，如探測目標的預期時間或跟蹤的均方根誤差（RMSE），并通過加權各種任務的效用來構建一個綜合目標函數。這樣做的好處是能夠分別控制任務性能，并確定任務的相對重要性。然而，它需要用戶有大量的領域知識和判斷力，以指定任務要求和傳感器成本，并構建成本/效用函數和加權，以結合不同的任務性能指標。

在信息驅動的方法中，一個全局信息測量被優化。常見的信息測量包括熵、相互信息（MI）、Kullback-Leibler分歧（KLD）和Renyi（alpha）分歧。信息指標隱含地平衡了一個雷達可能獲得的不同類型的信息。這具有為所有任務提供共同的衡量標準（信息流）的理想特性，但沒有明確優化諸如RMSE等任務標準。因此，信息理論的衡量標準可能很難被終端用戶理解并歸結為具體的操作目標。此外，如果沒有額外的特別加權，它們不允許單獨控制任務，并可能產生以犧牲其他任務為代價而過度強調某些任務的解決方案，或者選擇在用戶偏好判斷下只提供邊際收益的傳感器行動。

在這項工作中，我們考慮一個雷達系統對多個目標進行同步跟蹤和分類。基于隨機優化的FAR框架[28]，為我們的PAC提供了結構。我們開發并比較了用于分配系統資源和設置雷達傳輸參數的任務和信息驅動的FARRA算法，并在模擬機載雷達場景和俄亥俄州立大學的認知雷達工程工作區（CREW）實驗室測試平臺上說明其性能。這項工作結合并擴展了我們以前在傳感器管理[8-14]和FAR[18, 21, 27, 29-31]的工作。初步版本發表于[32]。結果表明，任務和信息驅動的算法具有相似的性能，但選擇不同的行動來實現其解決方案。我們表明，任務和信息驅動的算法實際上是基于共同的信息理論量，所以它們之間的區別在于所使用的指標的粒度和指標的加權程度。

本章的組織結構如下。在第10.2節中，我們提供了FAR框架的概述，在第10.3節中，我們通過為這個問題指定FAR框架的組成部分來開發多目標多任務FARRA系統模型。在第10.4節中，我們描述了組成FARRA PAC的感知和執行處理器，包括我們采用的任務和基于信息的目標函數。在第10.5節中，我們提供了比較優化方法的機載雷達仿真結果，在第10.6節中，我們展示了CREW測試平臺的結果。最后，第10.7節介紹了這項工作的結論。

完全自適應雷達框架

單個PAC的FAR框架是在[18, 27]中開發的，在此總結一下。圖10.1是一個系統框圖。PAC由感知處理器和執行處理器組成。PAC通過硬件傳感器與外部環境互動，通過感知處理器和執行處理器與雷達系統互動。感知處理器接收來自硬件傳感器的數據，并將其處理為對環境的感知。該感知被傳遞給雷達系統以完成系統目標，并傳遞給執行處理器以決定下一步行動。執行處理器接收來自感知處理器的感知以及來自雷達系統的要求，并解決一個優化問題以決定下一個傳感器的行動。執行處理器通知硬件傳感器下一次觀察的設置，傳感器收集下一組數據，然后循環往復。

圖10.1: 單一PAC FAR框架

來自李海同學的《人工智能、機器學習的理論與實踐》

?人工神經網絡 ?卷積神經網絡 ?循環神經網絡 ?強化學習 ?知識圖譜 ?條件隨機場 ?隱馬爾可夫模型 ?線性回歸 ?自適應線性單元 ?Logistic回歸 ?Softmax回歸 ?NaiveBayes ?決策樹 ?Apriori ?FP-growth ?kMeans ?奇異值分解 ?主成分分析 ?遺傳算法 ?有限狀態機 ?蒙特卡洛樹搜索 ?TF-IDF ?人工智能先決條件

//www.ml-tech.net/

近年來，機器學習取得了顯著進展，提供了一些新功能，比如創建復雜的、可計算的文本和圖像表示。這些功能催生了新產品，如基于圖像內容的圖像搜索、多種語言之間的自動翻譯，甚至是真實圖像和聲音的合成。同時，機器學習已經在企業中被廣泛采用，用于經典的用例(例如，預測客戶流失、貸款違約和制造設備故障)。

在機器學習取得成功的地方，它是非常成功的。

在許多情況下，這種成功可以歸因于對大量訓練數據的監督學習(結合大量計算)。總的來說，有監督的學習系統擅長于一項任務:預測。當目標是預測一個結果，并且我們有很多這個結果的例子，以及與它相關的特征時，我們可能會轉向監督學習。

隨著機器學習的普及，它在業務流程中的影響范圍已經從狹窄的預測擴展到決策制定。機器學習系統的結果經常被用來設定信用限額，預測制造設備故障，以及管理我們的各種新聞推送。當個人和企業試圖從這些復雜和非線性系統提供的信息中學習時，更多(和更好)的可解釋性方法已經被開發出來，這是非常重要的。

然而，僅僅基于預測的推理有一些基本的限制。例如，如果銀行提高客戶的信用額度會發生什么?這些問題不能用建立在先前觀察到的數據上的相關模型來回答，因為它們涉及到客戶選擇的可能變化，作為對信用限額變化的反應。在很多情況下，我們的決策過程的結果是一種干預——一種改變世界的行動。正如我們將在本報告中展示的，純粹相關的預測系統不具備在這種干預下進行推理的能力，因此容易產生偏差。對于干預下的數據決策，我們需要因果關系。

即使對于純粹的預測系統(這是監督學習的強項)，應用一些因果思維也會帶來好處。根據因果關系的定義，它們是不變的，這意味著它們在不同的情況和環境中都是正確的。對于機器學習系統來說，這是一個非常理想的特性，在機器學習系統中，我們經常根據我們在訓練中沒有看到的數據進行預測;我們需要這些系統具有適應性和健壯性。

因果推理和機器學習的交集是一個迅速擴展的研究領域。它已經產生了可供主流采用的功能——這些功能可以幫助我們構建更健壯、可靠和公平的機器學習系統。

本書介紹了因果推理，因為它涉及很多數據科學和機器學習工作。我們引入因果圖，著重于消除理解的概念障礙。然后我們利用這個理解來探索關于不變預測的最新想法，它給高維問題帶來了因果圖的一些好處。通過附帶的原型，我們展示了即使是經典的機器學習問題，如圖像分類，也可以從因果推理工具中受益。

機器學習的巨大成功導致了AI應用的新浪潮(例如，交通、安全、醫療、金融、國防)，這些應用提供了巨大的好處，但無法向人類用戶解釋它們的決定和行動。DARPA的可解釋人工智能(XAI)項目致力于創建人工智能系統，其學習的模型和決策可以被最終用戶理解并適當信任。實現這一目標需要學習更多可解釋的模型、設計有效的解釋界面和理解有效解釋的心理要求的方法。XAI開發團隊正在通過創建ML技術和開發原理、策略和人機交互技術來解決前兩個挑戰，以生成有效的解釋。XAI的另一個團隊正在通過總結、擴展和應用心理解釋理論來解決第三個挑戰，以幫助XAI評估人員定義一個合適的評估框架，開發團隊將使用這個框架來測試他們的系統。XAI團隊于2018年5月完成了第一個為期4年的項目。在一系列正在進行的評估中，開發人員團隊正在評估他們的XAM系統的解釋在多大程度上改善了用戶理解、用戶信任和用戶任務性能。

高斯過程(GPs)為核機器的學習提供了一種有原則的、實用的、概率的方法。在過去的十年中，GPs在機器學習社區中得到了越來越多的關注，這本書提供了GPs在機器學習中理論和實踐方面長期需要的系統和統一的處理。該書是全面和獨立的，針對研究人員和學生在機器學習和應用統計學。

這本書處理監督學習問題的回歸和分類，并包括詳細的算法。提出了各種協方差(核)函數，并討論了它們的性質。從貝葉斯和經典的角度討論了模型選擇。討論了許多與其他著名技術的聯系，包括支持向量機、神經網絡、正則化網絡、相關向量機等。討論了包括學習曲線和PAC-Bayesian框架在內的理論問題，并討論了幾種用于大數據集學習的近似方法。這本書包含說明性的例子和練習，和代碼和數據集在網上是可得到的。附錄提供了數學背景和高斯馬爾可夫過程的討論。