與傳統的雷達系統不同，認知雷達被設計為采用感知-行動周期來不斷適應其環境。自適應波束導向認知雷達（AB-CRr）系統試圖通過制定適應其環境的波束布局策略來提高探測和跟蹤性能。AB-CRr不是在搜索場景中采用傳統的光柵掃描，而是建立一個目標環境的概率模型，使其能夠更有效地利用其有限的資源來定位和跟蹤目標。在這篇論文中，我們研究了調整AB-CRr框架以探測和跟蹤大型目標群的方法。這是通過將相關運動群的特性整合到雷達跟蹤模型和AB-CRr的基本動態概率模型中來實現的。結果表明，AB-CRr能夠調整其波束轉向策略，在搜索和跟蹤應用之間有效地進行資源平衡，同時利用群結構和群內目標的相關性來抵制大型群的可用資源過載。

雖然有許多信息/知識來源可以確定作戰能力的差距并提供建議，以消除差距或向艦隊提供新的/改進的能力，但沒有一個全面的系統和負責任的實體能捕獲所有這些信息，正在取得或沒有取得進展，以提供一個清晰和簡潔的圖景，消除確定的差距或提供能力。為了解決這個問題，我們開發了一種基于多標準決策分析（MCDA）方法的方法，以計算和可視化任何特定時間點的能力差距得分，以描述基于證實的實時信息的能力差距解決進展。在這項工作中，我們通過在框架中增加新的元素和子元素來擴展用于評估能力的框架，并通過納入不同的模型來計算能力差距分數來擴展MCDA方法。這些模型包括加權總和模型（WSM）、加權產品模型（WPM）、加權總和產品評估（WASPA）、與理想方案相似度排序偏好技術（TOPSIS）和層次分析過程（AHP）。目標是開發一種全面的方法，以1）支持基于硬數據的能力優先排序，2）提供一個清晰和簡明的進展情況，以消除確定的差距或提供一種能力，以及3）支持創建一個中央存儲庫，供各組織分發相關信息。

研究背景

海軍水面作戰發展中心（SMWDC）指揮官的任務是為水面類型指揮官所管轄的任務領域提供監督、調整、同步和端到端的戰爭改進規劃（WIP）評估。WIP過程是一個正式的框架，用于捕獲、審查和優先考慮艦隊的能力需求，以提高戰備狀態并優化海軍部隊在執行作戰司令官（CCDR）任務中的資源（美國太平洋艦隊司令，2013）。對于每個任務領域，SMWDC總部負責確保WIP艦隊協作小組（FCT）的組成，以參與為年度產出產品的發展提供信息的活動。每個WIP在第一季度和第二季度進行執行工作組（EWG），并在當前財政年度的計劃目標備忘錄（POM）周期的第三季度初進行研討會。在整個WIP周期中，利用SMWDC總部N8/9認可的排名工具來幫助客觀地確定能力差距的優先次序。年度能力領域評估（CAA）是一項協作努力，由EWG主席領導，并得到FCT工作組領導和戰爭發展中心的支持。在第一和第二工作組期間收到的英特爾簡報和FCT更新有助于為CAA的創建提供信息，并最終提供 "家庭作業 "或支持文件，以確定能力差距的優先次序。每個能力領域所有者（CAO）向SMWDC N00通報他們的CAA和IPCL。通過在WIP研討會上提出的努力，CAA報告成為當前WIP周期IPCL發展的基礎（海軍水面和地雷作戰發展中心指揮官，2018）。

研究目標

在以前的研究工作中，我們開發了一種基于多標準決策分析（MCDA）的方法，以計算和可視化任何特定時間點的能力差距得分，以描述基于證實的實時信息的能力差距解決進展。在這項工作中，我們通過擴大用于評估不同能力的框架和納入計算能力差距分數的不同模型來擴展MCDA方法。這些模型包括加權產品模型（WPM）、加權總和產品評估（WASPA）、與理想方案相似度排序偏好技術（TOPSIS），以及。這種方法的應用將為決策者提供客觀的信息，以1）支持基于硬數據的能力優先排序，2）提供一個清晰和簡明的進展情況，以消除確定的差距和/或提供能力，以及3）支持創建一個中央存儲庫，供各組織分發相關信息。

多標準決策分析在差距分析中的應用

在以前的工作中，我們建議使用多標準決策分析（MCDA）來計算在特定時間點上的特定優先級的能力差距得分。多標準決策分析既是一種方法，也是一套技術，其目的是提供備選方案的總體排序，從最優先到最不優先。替代方案可能在滿足若干標準的程度上有所不同，而且沒有一個替代方案能最好地滿足所有標準。此外，這些標準之間通常會有一些沖突或權衡。MCDA是一種看待受許多決策標準影響的復雜問題的方法，它將問題分解成更容易管理的部分，以便將數據和判斷帶到這些部分，然后將這些部分重新組合，向決策者展示一個連貫的整體情況。這種方法是對思考和決策的一種幫助，但不是對決策的一種幫助（Department for Communities and Local Government, 2009）。

在能力差距分析的情況下，標準代表影響差距的因素（如理論、組織、物資、資金等），而備選方案是優先能力清單所規定的優先事項。每個因素都有特定的權重，以反映其相對重要性，并由主題專家單獨或集體分配。每個優先事項都會根據每個因素進行定期評估（例如，每季度一次），并根據適當的尺度進行打分。然后使用適當的MCDA模型計算每個優先事項的總分，并將其可視化，以產生一個能力差距分數。

為了實施擬議的方法，需要完成以下任務：

1.使用一個合適的能力管理框架，確定能力差距的因素和子因素的綜合清單。這些因素是對能力進行評估的性能衡量標準。這些因素可能包括：理論、組織、訓練、物資、資金、政策等。這些因素可以按照高層次因素和低層次子因素的層次結構進行分組，以此類推。

2.使用一個適當的尺度對每個因素的能力進行評級。例如，對資金因素可以使用1到5的量表，其中1表示相當大的資金削減，5表示在某一特定時間點對優先事項有充分的資金供應。對于其他因素，如理論、組織、訓練、物資等，也可以制定類似的評分標準。

3.為已確定的因素分配權重以反映其重要性。這可以基于從個人評估到在主題專家小組之間達成共識的模型等各種方法。

4.通過使用合適的MCDA模型將每個備選方案的權重和評級結合起來，計算出總體的優先級差距分數。這些模型包括加權總和模型（WSM）、加權產品模型（WPM）、加權總和產品評估（WASPA）、通過與理想方案相似度排序偏好技術（TOPSIS）和分析層次過程（AHP）（Parlos，2000）。

5.進行敏感性分析，揭示不同的權重或偏好如何影響能力差距得分。敏感性分析提供了一種手段，以檢查權重和偏好的模糊性或評價者之間的分歧對最終總體結果的影響程度。

6.將不同時期的能力差距得分可視化，以提供一個清晰和簡明的畫面，說明在消除已確定因素的差距方面正在取得或尚未取得的進展。

摘要

建模和仿真有助于德國武裝部隊后勤的數字化，必須提供靈活性和穩健性等因素，以識別后勤鏈中的風險和弱點。 ESG，作為一家擁有多年軍事經驗的德國軍事技術公司，我們展示了成功的仿真和分析項目（例如，“以歐洲戰斗機為例，預測德國空軍的作戰能力”或“基于仿真的醫療救援鏈分析”），并提出進一步的行動方向，例如基于仿真的分析，以優化軍事供應鏈中的加法生產或自主系統的最佳概念。通過對軍事供應鏈使用后勤仿真，可以檢查和優化其穩健性和可持續性。這種基于數據的決策支持方法（工具 AnyLogic，德國聯邦國防軍基于仿真的分析指南和模型檔案）。它聚焦于一個關鍵問題，例如“在某些參數/因素/影響下，系統的材料運行準備情況如何更高概率的為在未來發展，以及什么可以提高系統的性能？”如本講座所述那樣提供各種優勢。

圖2-1 模型開發流程

圖2-2 系統結構

摘要

美海軍部門從基于時間的維修到基于條件的維修+ (CBM+)的持續發展表明了提高艦隊武器系統操作可用性(Ao)的重要性。這一頂石采用了數字孿生(DT)與三維(3D)直接金屬激光熔化打印機相結合的數字效率概念，作為水面艦艇上的物理主機。DT為基于模型的系統工程與數字分析相結合提供了一種不可知的渠道，用于實時預測健康監測，同時改善預測維護。由于DT處于優先研發的前沿，3D打印機將增材制造的價值與動態船舶環境中的復雜系統相結合。為了證明DT具有提高物理主機Ao和最終目標任務的并行能力，開發了DT體系結構和高級模型。該模型聚焦于特定的打印機組件(去離子化[DI]水位、去離子化水電導率、空氣過濾器和激光電機驅動系統)，以展示DT對CBM+的內在有效性。為了體現打印機適用性和性能的系統分析系統，應該評估更多的組件，并與船舶的環境數據相結合。此外，本文建議使用DTs作為連接更復雜武器系統的紐帶，同時使用更深層的實驗設計。

文章總結

目前，美國海軍采用了持續或響應式維護戰略，以維持復雜防御系統的可用性(Ao)。特別是，這些維護策略是通過所謂的基于時間的維護(TBM)和糾正性維護來執行的。基于時間的維護需要定期檢查和/或維修部件，以確保故障不會發生在設計的使用壽命之前，這將影響Ao，因為系統停機。此外，糾正性維護是對組件或系統故障的一種反應，由于管理和后勤延遲時間，以及系統停機時間，會影響可用性。該項目的主要目標是為數字孿生(DT)開發一個體系結構和基本模型，在利用現有的預后健康管理技術的同時，探索維護策略從TBM到基于條件的維護+ (CBM+)的轉變。

為了探索在海軍水面艦艇上使用DT的概念，來自海軍研究生院(NPS)的一組學生檢查了當前可用或正在開發的DT能力，以及可能受益于DT使用的系統。該項目的范圍受到保密級別的限制，不超過受控非機密信息(CUI)，這排除了對武器、戰斗和雷達系統的強調。此外，在CUI級以下的海軍系統的實際性能數據是不可用的，因此DT操作的概念是基于公開可用信息的研究發展起來的。為了解決分類約束和海軍非常感興趣的一個話題，增材制造(AM)，該團隊探索了在水面艦艇上的三維(3D)打印機上應用DT系統。此外，為3D打印機創建一個DT體系結構，可以在海軍作戰獨特的動態環境中提供關于敏感、高精度系統的寶貴見解。該團隊通過創建架構和基本模型，確定了3D打印機的效率受益于DT。

一個操作視圖，或OV-1圖，這是一個高級的操作概念圖，被創建來說明這個頂點項目的操作概念(見圖1)。該圖描述了系統之間的系統交互，包括載人水面艦艇上的3D打印機，船上人員，混合云，衛星通信(SATCOM)和岸上支持，包括供應鏈系統。DT接收來自3D打印機的傳感器輸入，以及船上的環境數據，以預測必要的維護，以及打印部件的質量。包含DT的混合云存儲原始和處理過的數據，以維護歷史文物，并通過SATCOM或有線連接向船舶人員和岸上支持提供警報，當水面船只進入港口時。警報有助于向船舶人員提供有關即將進行的維修的必要信息，或提供岸上支持活動需要準備的部件，從而減少行政和后勤準備時間。

圖1：OV-1高級操作概念圖

該項目將焦點集中在一個特定的3D打印機模型上，以確定對DT架構至關重要的傳感器和數據的類型。該團隊選擇了一種打印機模型，這種模型目前在美國國防部的幾個實驗室使用，通用電氣的M2系列5。這臺打印機使用直接金屬激光熔化(DMLM)來制造打印。DMLM制造過程包括熔化金屬粉末顆粒，以創建超薄池，并在冷卻時固化(GE Additive 2021)。這種工藝生產的部件重量減輕，同時保持強度、耐久性和精度，以滿足海軍對部件的AM要求。DMLM 3D打印機的主要組成部分如圖2所示，包括激光器、焦透鏡、準直器、反射鏡、重拍刀片，以及供粉室、粉床搭建、用粉收集三個粉末室。準直器和焦距透鏡一起工作來聚焦激光。復蓋機刀片用于分散、磨平和壓平層間的金屬粉末。除了這些部件外，打印機在打印過程中還必須有優質的氣流，并保持惰性氣體環境;GE M2接口使用氮氣。該團隊專注于使用DT系統來利用3D打印機的嵌入式傳感器，以及放置在打印機和船艙中的傳感器，以確定影響系統可用性和打印部件質量的因素。

圖2：典型的激光電源床熔印機。

對于這個頂點項目，團隊決定最好遵循一個修改過的系統工程(SE)方法，如圖3所示，該方法包含一個計劃驅動的軟件過程，作為集成敏捷方法的基礎。這種混合過程允許團隊通過使用敏捷方法建立的迭代和協作環境，以及提供用于生成和細化需求的反饋，來增加整個設計和開發階段的靈活性和適應性。為了使這個頂點的重點與美國海軍(DON)建立的數字轉型戰略相一致，該團隊利用基于模型的系統工程(MBSE)方法來分解涉眾需求，制定概念設計，并在模擬操作環境中評估系統性能。MBSE的使用與DON數字轉換策略一致，通過使用標準語言創建相互關聯的模型，以提高系統的可追溯性和管理復雜性。

圖3：混合 SE 流程，計劃驅動的敏捷方法

MagicGrid方法是DT體系結構開發的主要過程。這種方法使用Cameo和系統建模語言(SysML)來定義問題和解決方案領域，概述了建模過程。這個頂點集中在問題領域，包括分解為兩個階段，黑盒透視圖和白盒透視圖，如圖4所示。每個階段都通過不同的透視圖來檢查問題，從而創建各種場景、表和圖來概述DT系統的結構、行為和功能。黑盒透視圖側重于通過創建用例和系統上下文圖對DT進行操作分析，而不需要指定DT系統的內部結構或行為。白盒透視圖通過為DT識別必要的行為和邏輯子系統來確定系統應該如何操作。此外，白盒透視圖建立活動、狀態機、塊定義和內部塊圖。

圖4：MagicGrid 問題域矩陣。

該團隊最初進行了一項利益相關者分析，其中考慮了將DT用于海軍系統的利益相關者。這些利益相關者的需求是基于主要贊助商(海軍水面作戰中心Hueneme港代碼00T)和NPS顧問的指導。利用涉眾的需求，進行了需求分析。基于DT系統的期望功能，分析確定了功能性/非功能性需求，以及外部接口。該團隊將DT系統的功能需求縮小為7個高級需求，如表1所示。

表1：高級功能需求表。

接下來，通過上下文關系圖、用例和場景的開發來說明系統的功能描述。系統上下文關系圖說明了與DT交互的用戶和外部系統。用例描述了DT實現涉眾目標所必需的功能。團隊開發DT體系結構的主要用例是執行DT函數。這個用例涵蓋了DT接收來自環境和3D打印機的傳感器數據，處理該數據，發送原始和處理過的數據進行存儲，并提供預測和警報。此外，還定義了一些有利于DON的有效性措施。這包括提高3D打印機的可維護性，提高打印部件的后勤保障性，以及提高打印部件的成功概率。

在確定系統完成任務所需的資源后，創建了DT系統功能的行為和結構圖。使用SysML圖，系統的動態行為被捕獲為功能分析和分配的一部分。功能分析包括一個自頂向下的過程，將系統級需求轉換為定義DT體系結構，以確保所有所需的系統功能都得到考慮。首先，在描述控制流和數據流程的活動圖中詳細說明了這一點。接下來，使用狀態機圖定義DT系統的各種系統狀態、轉換和事件。系統動作和狀態的確定有助于通過識別對系統執行必要功能至關重要的通用組件來識別邏輯子系統通信。我們創建了一個框圖來建立DT系統的輸入和輸出，其中包括傳感器數據、控制信號和能源。

隨著DT體系結構的開發，該團隊進行了研究，以確定哪些組件將受益于DT系統的應用。通過與利益相關方的互動和對3D打印機維護手冊的審查，確定分析的重點為以下部件/因素:去離子化(DI)水位、去離子水電導率、空氣過濾器和激光電機驅動系統。然后，該團隊創建了一個Excel模型作為基礎，以演示模型概念的證明。模型設計方法是基于所選部件的退化情況，因為3D打印機用于打印部件，比較了定期維護(TBM)和CBM的使用情況。基于Excel模型的結果表明，將DT系統應用于3D打印機，TBM的Ao值從90.56%提高到CBM的96.15%。這種可用性的增加是由于兩年期間預防性維護的數量減少。

在Excel模型的基礎上創建了一個ExtendSim模型，允許對Ao進行檢查，同時允許修改參數，如打印間隔時間和平均修復時間。對比TBM和CBM的結果表明，對于TBM, Ao在每次打印之間的時間間隔較短，這是因為3D打印機的部件更頻繁地出現故障，但仍需要進行定期維護。對于TBM來說，隨著每次打印間隔時間的增加，部件故障的影響似乎逐漸減弱，因為計劃維護的一致性，而每個部件的故障減少。相比之下，在每次打印之間較短的時間內，CBM的Ao大約高出5%，這是因為只有在部件出現故障時才進行維護。此外，隨著每次打印間隔時間的增加，由于無需進行預防性維護，使用CBM的Ao以穩定的速度增加。

在 3D 打印機上實施 DT 系統的效果表明，過渡到 CBM 方法通過減少系統停機時間改進了海軍目前使用的維護方法。從使用 TBM 到使用 DT 系統的 CBM 過渡，通過增強對系統條件和性能的了解，從根本上改變了維護理念從主動到被動。進行成本分析以補充模型并確定通過實施 DT 系統可以實現的成本節約。以維護手冊為指導，確定在兩年的時間里，僅更換空氣過濾器所節省的成本大約減少了 78 小時的人工和 4500 美元的維護成本。

建模和仿真工作與成本分析相結合，確定在3D打印機上實現DT系統，證明了系統可用性的改善，同時降低了與維護相關的成本。本文的研究范圍主要集中在如何利用CBM+改善Ao;因此，小組沒有探討各種主題和傳感器，而是將其確定為DT發展將受益的未來工作領域。進一步的分析證明，需要連接更多的內部和外部傳感器的數據收集計劃。為了充分了解環境因素和3D打印機如何影響性能指標，未來的工作應該包括方差分析(ANOVA)。將數據分析和歷史數據結合到實驗方法的標準設計中，提出了響應變量和關鍵因素，能夠為水面艦艇上的3D打印機提供方差分析。此外，DMLM過程將受益于額外的傳感器和環境數據輸入到DT。DT受益于數據收集的歷史部分，利用歷史性能、實時評估和預測性維護。當這些額外的傳感器與機器學習相結合時，將有助于更好地預測所需的維護、單個打印質量，并幫助任務規劃/性能。未來研究的其他主題包括混合云集成到艦隊和確保數據傳輸安全。

當前的海軍作戰要求水手們根據動態作戰環境中的不確定態勢信息做出時間緊迫和高風險的決策。最近的悲慘事件導致了不必要的傷亡，海軍行動中涉及決策復雜性，并特別突出了 OODA 循環（觀察、定向、決策和評估）中的挑戰。涉及使用武器系統的殺傷鏈決策是 OODA 循環中一個特別緊張的類別——具有難以確定的意外威脅、縮短的決策反應時間和致命的后果。有效的殺傷鏈需要正確設置和使用船上傳感器；未知接觸者的識別和分類；基于運動學和智能的接觸意圖分析；環境意識；以及決策分析和資源選擇。

該項目探索了使用自動化和人工智能 (AI) 來改進海軍殺傷鏈決策。該團隊研究了海軍殺傷鏈功能，并為每個功能制定了特定的評估標準，以確定特定 AI 方法的功效。該團隊確定并研究了 AI 方法，并應用評估標準將特定的 AI 方法映射到特定的殺傷鏈功能。

圖：利用人工智能改進海軍殺傷鏈的作戰概念

總結

當前的海軍行動通常是快節奏的、關鍵的，并且需要做出高風險的決策，這些決策有時基于非常動態的戰區中的不確定信息。許多例子強調了提高決策效率的必要性以及減輕觀察團隊負擔的必要性。缺乏上述情況的例子包括 2017 年的菲茨杰拉德號航空母艦 (DDG 62) 和 MV ACX Crystal相撞，以及 2009 年皇家港口號航空母艦 (CG 73) 的擱淺。一些根本原因是相關人員缺乏經驗、疲勞和壓力.

上述事故展示了軍事行動的難度，并展示了 OODA（觀察、定向、決策和評估）循環中的挑戰（Jones 等人，2020 年）。人為錯誤、人的認知限制和海軍作戰固有的決策復雜性導致了 OODA 循環中的挑戰，更具體地說，是殺傷鏈過程中的挑戰。

現代戰斗空間由來自常規陸地、空中和海洋等多個領域以及來自太空和網絡空間的大量數據組成。決策者需要考慮許多因素，包括交戰規則 (ROE)、要使用的武器、傳感器和意圖評估。發現、修復、跟蹤、瞄準、參與、評估 (F2T2EA) 殺傷鏈模型緩解了該過程的一些困難（參謀長聯席會議，2013 年）。人工智能 (AI) 和機器學習 (ML) 可以通過分析備選方案和使用評估標準將 AI 方法映射到殺傷鏈功能，從而幫助海軍在戰術領域做出殺傷鏈決策。這是在本報告的五個章節中分三個階段完成的。

本報告利用了數百個資源，主要利用了美海軍研究生院 AI-OODA 團隊在其 Capstone 報告（2020 年）中進行的先前研究，“利用人工智能 (AI) 進行空中和導彈防御 (AMD)：以結果為導向的決策援助。”他們將他們的工作與 John Boyd 的觀察、定向、決定和行動決策框架相結合。作為他們分析的初步步驟，AI-OODA 團隊將特定的 OODA 功能明確且緊密地耦合到特定的 F2T2EA 功能。然而，本報告斷言 OODA 循環是一個決策循環，它嵌套在殺傷鏈的每個功能中，而不是在高壓力或低壓力情況下專門映射到一個或多個殺傷鏈功能。團隊基于 F2T2EA 模型開發了一組 28 個殺傷鏈功能。

在制定將 AI 方法映射到殺傷鏈的評估標準時，很難確定一個好的決策，這對于決策評估至關重要。在評估決策時，必須考慮選擇行動時的知識意識狀態以及解釋能力。使用了幾種對決策進行評分的方法，從定義和優先考慮感興趣的“武器-目標”到制定評分標準和報告評估結果，以供其他人審查。

目前，人工智能的狀態非常廣泛，必須對其進行解釋，以了解人工智能對殺傷鏈中功能的適用性。本報告討論了所選 AI 方法的高級概述，并突出顯示了部分最流行的方法。首先，沒有普遍接受的定義，這很難定義人工智能。其次，人工智能與機器學習 (ML) 存在差異。 ML 允許在準確性和可預測性方面取得增量收益； AI 接收數據并通過算法提供輸出。人工智能的歷史從 1940 年代艾倫·圖靈 (Alan Turing) 的加密機器到 1980 年代美國政府在戰略計算計劃中的使用，再到今天在聯合人工智能中心 (JAIC) 中的人工智能戰略五個支柱，從領先的人工智能人力到安全和倫理。美國國防高級研究計劃局 (DARPA) 在 3-wave 框架中描述了 AI 的發展方向，分為手工知識 (Wave 1)、統計學習 (Wave 2) 和上下文推理 (Wave 3) 在 1-4 個維度內情報參數的屬性（Launchbury 2017）。這些屬性包括感知、推理、抽象和學習。

人工智能涉及可以根據輸入值預測結果的監督學習。有幾種使用監督學習進行學習的技術。包括線性回歸和分類。此外，許多數值方法可以分析發生的學習有效性，例如 F-score 和 Accuracy score。人工智能還可以使用無監督學習，它使用算法來發現未標記數據集中的數據模式或分組。在分析未知（y）響應以揭示標記（x）數據中的模式時，無監督學習是有益的。數據分析界的一個著名例子是鳶尾花（Iris flower）數據集。僅使用標記的數據，可以看到響應聚集在一起，并且可以確定響應中存在模式（花的種類）。無監督學習的方法包括聚類和 K-means，但還有其他方法。強化學習有一個代理能夠接收來自環境的反饋并理解基本目標。此外，正如 Sutton 和 Barto 在（2018 年）中解釋的那樣，探索和開發之間存在權衡。最后，生成對抗網絡 (GAN) 利用無監督學習和強化學習，通常用于神經網絡 (NN)。神經網絡是機器學習算法的極好來源，它有大量的輸入，而這些輸入又會產生大量的計算。 NN 非常適合用于模擬、自然語言處理、博弈論和計算機視覺。 NN 只是一種將輸入映射到輸出的簡單方法，可以在此過程中進行學習。然而，NN 可以被描述為一種“黑盒”學習技術，因為很難解釋正在發生的事情，并且通常需要一種可解釋的 AI (XAI) 技術。 XAI 的三個主要組成部分是可解釋模型、解釋界面和解釋心理學（Gunning 2019）。數據安全必須與“大數據”一起考慮，“大數據”是指非結構化、復雜和大型數據集，具有五個 v 特征：數量、速度（數據量隨時間變化的增加）、多樣性、真實性和價值。其他理論包括決策理論、模糊邏輯和效用函數

使用上述文獻綜述，該團隊開發了一個框架，用于將 AI/ML 映射到 AMD（空中導彈防御）殺傷鏈。采取了四個步驟：1) 建立模型框架，2) 確定決策點，3) 應用 AI/ML 方法，以及 4) 分析結果。該團隊確定了以下用于殺傷鏈映射分析的 AI/ML 方法：線性回歸、邏輯回歸、聚類、關聯、隨機森林、神經網絡、GAN 和樸素貝葉斯。評估標準被稱為“決策點”并提出四個問題：（1）所需輸出的類型是什么，（2）所需的學習類型是什么，（3）可解釋性（XAI）是什么水平需要，以及 (4) 需要多少個預測變量？該團隊通過基于一組決策點和評分過程評估每個殺傷鏈功能的每種方法來執行映射。對于被認為非常適合某項任務的方法，得分為+1，如果該方法適合但次優，則為0，如果該方法不適合該任務，則為–1。

該團隊進行了映射分析，根據與殺傷鏈的 28 個功能中的每一個功能相關的評估標準（決策點）分析 AI 方法。該團隊使用評分方法來確定每個殺傷鏈功能的最佳整體 AI/ML 分數。團隊的映射顯示為 0。

該團隊的 AI/ML 映射到殺傷鏈功能為國防部和海軍提供了兩個關鍵好處。首先，映射本身是設計和開發支持殺傷鏈決策的人工智能戰術決策輔助工具的重要起點和基礎。其次，該團隊將 AI 方法映射到殺傷鏈的分析過程可用于了解 AI 在許多其他軍事和非軍事領域的應用。識別適當的人工智能方法、制定評估標準和評分過程以及制定過程功能以進行分析映射的過程對于支持許多不同人工智能系統的工程具有深遠的潛力。

表1：AI/ML方法到殺傷鏈的映射

來自卡內基梅隆大學機器人研究所Zhanghao博士論文，他師從著名的邢波教授！博士題目是機器學習并行可以是自適應的、可組合的和自動化的，不可錯過！

Zhang hao， 卡內基梅隆大學機器人研究所博士，導師是Eric Xing教授。畢業后將加入加州大學伯克利分校的RISE實驗室，做博士后。 //www.cs.cmu.edu/~hzhang2/

Machine Learning Parallelism Could Be Adaptive, Composable and Automated

近年來，機器學習(ML)領域的創新步伐加快，SysML的研究人員已經創建了在多個設備或計算節點上并行化ML訓練的算法和系統。隨著ML模型在結構上變得越來越復雜，許多系統都努力在各種模型上提供全面的性能。一般來說，根據從適當的分布策略映射到模型所需的知識數量和時間，ML的規模通常被低估了。將并行訓練系統應用到復雜的模型中，除了模型原型之外，還增加了重要的開發開銷，并且經常導致低于預期的性能。本文識別并解決并行ML技術和系統實現在可用性和性能方面的研究挑戰。

本文的第一部分提出了一個簡單的設計原則，自適應并行化，它根據特定的ML屬性將適當的并行化技術應用于模型構建塊(如層)。接下來，我們導出了一系列優化ML并行化不同方面的優化和實現。我們對它們進行了研究，并表明它們顯著提高了ML訓練在適用場景下對集群進行2-10倍的效率或可伸縮性。

為了推廣這種方法，本論文的第二部分將ML并行化為端到端優化問題，并尋求自動解決它，用于ML并行任務的兩種廣泛范例:單節點動態批處理和分布式ML并行。我們提出了有原則的表示來表示兩類ML并行性，以及可組合的系統架構，分別是Cavs和AutoDist。它們支持為不可見的模型快速組合并行化策略，提高并行化性能，并簡化并行ML編程。

在此基礎上，本文的第三部分提出了自動并行化框架AutoSync，用于自動優化數據并行分布訓練中的同步策略。AutoSync實現了“開框即用”的高性能——它在提議的表現方式所覆蓋的范圍內導航，并自動識別同步策略，這些同步策略的速度比現有手動優化的系統快1.2 - 1.6倍，降低了分布式ML的技術障礙，并幫助更大的用戶社區訪問它。本文所開發的技術和系統為分布式環境下大規模ML訓練的端到端編譯器系統的概念和原型實現提供了理論依據。

論文結構：

第一部分(第三章-第五章):通過自適應并行來理解和優化并行ML在各個方面的性能; 第二部分(第六章-第七章):開發ML并行的統一表示和可組合系統; 第三部分(第八章):自動化ML并行化