美国陆军研究实验室（ARL）的科学家在模拟坦克中操作系统时监控士兵的脑电波。这项工作旨在通过将士兵与人工智能结合起来，了解战斗期间士兵的思维模式和物理状态。

美国陆军科学家正在更多地了解人类大脑是如何运作的，这样他们就可以通过人工智能（AI）与士兵进行合作。AI的目标是让人们了解士兵的情绪和感受，并相应地调整自己的行为。研究人员的目标是未来的人工智能迭代，它将评估士兵的认知和身体状态，并触发支持甚至拯救战斗中个人的行动。这些行动可能会指导人类走上不同的路线，或最终开展完成士兵任务或在战斗中保护个人的活动。

首先，科学家必须了解这些认知标志，以便能够提示人工智能准确回应。这需要阅读脑电波和信息所揭示的思想和情绪。“我们真正想要做的是让AI能够适应人类的实时状态变化，”陆军研究实验室（ARL）战斗能力发展中心（CCDC）高级负责人Jean Vettel博士解释道。这意味着改变人的意图以及此人将要执行的任务。她说，人工智能会从人们对环境的反应变化中收集到这些信息。她提供了一个压力大的士兵的例子，AI确定恐怖分子就在附近的建筑物中。一个人类队友可能会对所有建筑物的门实施锁定。先进的人工智能将取代那个人类队友并自主执行相同的锁定。维特尔说，这项研究的第一步是关注人体内可以测量的生理信号，以预测一个人的状态。ARL的研究工作是探索各种类型的生理指标，从测谎仪指标到真正的脑电波读取等。“我们实际上期望我们可能会使用多种生理信号来增加我们对这种评估的信心，”维特尔说。“任何来自我们身体的信号都是模棱两可的，”她解释说，许多不同变量中的任何一个都可能导致单一指标的变化，而且很难知道如何解释这个信号。然而，如果士兵配备了传感器来处理几种不同的生理信号，那么在信号中加入知识将提供必要的消歧，她说。

维特尔引用了最近的研究，研究大脑信号是否可以解释个人过去的表现 – 导致预测该人可能会做什么。“不要经常将这个人视为一个模糊不清的生物，你只能向他们询问是否问过他们的问题，而是让我们专注于利用进步的科学，以及我们如何对我们的生理学，我们的大脑数据进行成像，以便能够分析和问：”我可以用脑中的信号预测一下我的表现吗？”“她建议道。“因为，如果我能够发现这种关系，那么如果我正在执行任务，无论我正在做什么任务，并且大脑信号可以表明我是否会很好地执行任务，那就是我们的方式可以开始利用评估我需要的状态，她表示，最近的研究已转向研究如何收集足够的数据，从而无需对众多人进行平均统计，以获得足够的统计分析能力。目前，每个人大脑的个体差异从根本上改变了每个大脑的动态发生方式。因此，研究的重点是个人层面的保护状态，以便技术可以专门适应个人。该研究还将有助于预测个人在某种情况下的行为或反应。捕获个体的模型将定义每个人的大脑将如何运作，而不是冒险错误评估的一刀切的定义。

另一个研究目标旨在“推动更复杂的任务，”维特尔说。通过现有努力检测到的大多数迹象倾向于关注具有特定动作的特定大脑机制。她指出，实验室研究显示，人们单独坐着回应他们所展示的照片，已经发现了很多关于大脑功能的研究，但是ARL的研究正在探索更模糊的区域。她说，实验室最近从沿着一辆仪表车驾驶的两个人收集了数据，当乘客分享以前未知的信息时，它记录了司机的大脑数据。该实验室想要知道当两个人谈论信息时出现的大脑信号是否能够预测驾驶员会从对话中记住什么 – 信息传达得有多好。

“我们正在努力，”我们能否利用大脑数据预测这些自然环境中的表现，”即只要有风险，”维特尔继续说道。她指出，沿着繁忙的多车道州际高速公路安全驾驶有资格作为冒险的努力。主要任务存在风险，但科学家们也在研究生理信号是否可以预测次要任务，例如交流等。

延伸阅读：陆军模拟大脑研制的计算机越来越接近破解密码

该图显示了生成的神经网络，以解决一个小问题实例（断开加密密钥）。圆圈代表神经元，黑色线条代表兴奋性突触连接，红线代表抑制性突触连接。网络编码连续多项式值的素因子。图片来源：美国陆军John V. Monaco博士

美国陆军研究实验室的科学家已经发现了一种方法，可以利用新兴的类似大脑的计算机体系结构来解决一个古老的数论问题，称为整数分解。

通过计算机模拟哺乳动物的大脑功能，美国陆军科学家正在开辟一个新的解决方案空间，从传统的计算架构转向能够在极大、重量和功率受限的环境中运行的设备。“凭借战场上更强大的计算能力，我们可以更快地处理信息并解决计算难题，”ARL计算机科学家John V.“Vinnie”Monaco博士说。“对符合这些标准的设备进行编程，例如，受大脑启发的计算机，具有挑战性，破解加密代码只是一个应用程序，表明我们知道如何做到这一点。”问题本身可以用简单的术语来陈述。取一个复合整数N并将其表示为其主要因数的乘积。大多数人在小学的某个阶段完成了这项任务，通常是基本算术练习。例如，55可以表示为5 * 11，63表示为3 * 3 * 7。许多人没有意识到他们正在执行一项任务，如果足够快地完成大数字，可能会打破现代互联网的大部分公钥加密加码，这是当今广泛使用的一种安全通信方法，基于Rivest，Shamir和Adleman在1978年开发的RSA算法。RSA算法的安全性依赖于分解大型复合整数N（公钥）的难度。，由接收者分发给想要发送加密消息的任何人。如果N可以被分解为其主要因数，则可以恢复解密消息所需的私钥。然而，很快将大整数分解的困难变得明显。随着N的大小每增加一位数，通过尝试所有可能的因数组合来计算N的时间大约加一倍。这意味着如果一个十位数的数字需要1分钟来计算，那么一个二十位的数字将需要大约17个小时，一个30位数的数字大约需要两年，这是一个指数增长的努力。

挑战这一点，摩纳哥和他的同事，计算科学部门的Manuel Vindiola博士，展示了类似大脑的计算机如何为目前最着名的整数因子算法提供加速。研究小组已经设计出一种方法，通过利用模仿哺乳动物大脑功能的新型计算机体系结构的大规模并行性来对大型复合整数进行分析。所谓的神经形态计算机在与传统计算机（例如笔记本电脑和移动设备）完全不同的原理下运行，所有计算机都基于John von Neumann在1945年描述的架构。即在冯·诺依曼架构中，存储器与中央处理单元或CPU是分开的，CPU必须通过总线读写存储器。该总线的带宽有限，而且大多数时候，CPU正在等待访问内存，通常被称为von Neumann瓶颈。另一方面，神经形态计算机不会受到冯·诺伊曼架构的瓶颈的影响。没有CPU，内存或总线。相反，它们包含许多单独的计算单元，就像大脑中的神经元一样。

John V.“Vinnie”博士是一名陆军研究实验室的计算机科学家。图片来源：John V. Monaco博士

这些单元通过物理或模拟路径连接以传递数据，类似于神经元之间的突触连接。许多神经形态装置基于下层材料的物理响应特性而操作，例如石墨烯激光器或磁隧道结。因此，这些设备比冯·诺依曼对应设备消耗的能量低几个数量级，并且可以在分子时标上运行。因此，任何能够在这些设备上运行的算法都能从其功能中受益。ARL研究人员获得的加速是由于在神经形态协处理器的帮助下制定了整数因子分解的方法。当前最快的因子分解算法主要包括两个阶段，筛分和矩阵减少，筛分阶段包括大部分计算工作。

筛分涉及搜索满足某个属性的许多整数，称为B-smooth，不包含大于B的素数因子的整数.Monaco和Vindiola能够构建一个神经网络，可以更快，更准确地发现B平滑数而不是冯·诺依曼架构。他们的算法利用了大脑启发的计算机的大规模并行性以及各个神经元执行算术运算的固有能力，例如加法。随着神经形态架构的规模和速度的不断提高，不受摩尔定律的限制，它们解决更大的整数分解问题的能力也在增长。在他们的工作中，估计1024位密钥可能会在大约一年内被破坏，这项任务曾被认为是遥不可及的。为了比较，目前的记录，从更广泛的角度来看，这一发现促使我们质疑计算范式的转变如何影响我们最基本的一些安全假设。随着新兴设备转向采用大规模并行性并利用材料物理进行计算，一些安全协议背后的计算难度可能会以前所未有的方式受到挑战。这项工作还为新兴计算机架构的新研究领域打开了大门，包括算法设计和功能表示，以及低功耗机器学习和人工智能应用。

“战争中的加密信息往往有一个有效期日，当时他们的内容变得无法动作，”摩纳哥说。“迫切需要解密敌人的通信，尤其是战场级别的通信，因为与战略通信相比，这些通信的有效期变化最快。在战场条件下，功率和连接性极为有限。这是使用这一方法的强大动力因素。”

声明：本文来自网电空间战，版权归作者所有。文章内容仅代表作者独立观点，不代表士冗科技立场，转载目的在于传递更多信息。如有侵权，请联系 service@expshell.com。