美国陆军已宣布计划利用人工智能和机器学习 (AI/ML) 的潜力开发化学和生物防御解决方案。
根据美国陆军作战能力发展司令部化学生物中心周一发布的新闻稿，人工智能/机器学习是下一代计算机能力，具有改变从人们生活和工作方式到战争打赢方式的一切潜力。
还指出，作战能力发展司令部化学生物中心 (DEVCOM CBC) 正在通过其“大挑战计划”跟上这场计算革命的步伐，从三个试点项目和一个招募更多人的研讨会开始。
“我们从三个试点项目开始，以展示整个中心的 AI/ML 价值，”负责这项工作的中心研究化学家帕特里克·莱利 (Patrick Riley) 说。“我们的目标是根据‘快速失败’原则启动许多小型项目，这样我们就可以在中心看到 AI/ML 的最佳用途。”
该计划将侧重于四个关键领域：教育、小型项目、基础设施工具和通信。目标是在劳动力中建立对 AI/ML 的基本理解，并以动手项目的形式为劳动力参与创造机会。
这项工作被称为 STEWARD，代表软件工具和教育劳动力使用人工智能进行研究和开发。它是最新的 Grand Challenge 的产物，该竞赛每三年在该中心举办一次，旨在邀请科学家和工程师提出一项大胆的资助和开发新计划。大挑战的获胜者使该中心始终处于创新科学的前沿。过去的一位获胜者将材料和生物科学结合起来，创造出具有生物活性的全新材料。另一位过去的获胜者提高了该中心在安全实验室内从几英寸远到 24 米范围内检测化学和生物制剂的能力。
这一迈向未来的最新举措与更大的陆军未来司令部 (AFC) 努力相结合，通过向所有 AFC 员工提供人工智能教育来创建人工智能就绪的劳动力。反过来，这符合国防部对人工智能的总体方法，即使其成为一种根深蒂固的战士技能。军事规划人员预计，最终 AI/ML 将成为在战斗中进入对手决策循环的关键。如果 AI/ML 可以让美国军队更快地完成观察-定位-决定-行动的过程，即所谓的 OODA 循环，那么他们就可以让对手失去平衡，并通过更大的敏捷性而不是更大的力量取胜。AI/ML 还具有推进国家化学生物防御计划的巨大潜力。
STEWARD AI 计划由一个由五名中心科学家组成的委员会运行，每个科学家都有不同的专业知识，但都热衷于服务于中心的使命，即加速发现并为作战人员提供新能力。它以一系列讲座开始，其中工作人员和几位外部客座讲师一般性地解释了 AI/ML，以及他们如何使用它来加强自己的研究。该委员会还在中心的内联网上创建了一个 STEWARD AI Program 网站。它包括精选视频、AI 实验以及指向试用 AI/ML 的免费工具的链接。
以使用计算机视觉识别图像是否为苹果的任务为例。AI/ML 算法要求计算机为图像分配 0 表示“否”或分配 1 表示“是”。对于神经网络，图像数据集会做出许多“是”、“否”的预测。软件程序评估其预测率，然后更新权重以尝试降低其预测误差，以便下次预测更准确。研究人员设置此错误更新发生的次数，希望接近准确度最高的时间。此外，研究人员可以通过拍摄不同种类的苹果并从许多不同的角度来描绘不同的颜色变化、皮肤纹理和不规则性，从而添加更多特征。这为数据集添加了更多信息，这将有助于最终模型更准确地执行。
该中心的研究人员经常使用的一种流行的 AI/ML 开源形式称为随机森林。它得名是因为它使用多个决策树来做出单独的决策，然后实际上在决策树之间进行投票以进行预测。每棵树在选择特征和赋予它们的权重方面越独立，就越好——群体的智慧。与神经网络不同，随机森林可以告诉我们哪些特征在做出决策时最重要，打开了 AI/ML 的黑匣子。
如果我们想让前面识别苹果的例子复杂化，我们可以让计算机摄像头看到一个西红柿。两者都是圆形的红色水果品种，虽然对我们来说区分它们很容易，但对于 AI/ML 来说却很难。答案——不断添加训练数据，让算法添加更多的树，不断进行预测并通过软件的自迭代功能从中学习。随着时间的推移，该算法将能够非常准确地区分两者。事实上，现在已经存在商业上可用的算法，这些算法不仅不会将苹果与番茄混淆，而且可以让农民使用它们在恰到好处的成熟阶段自主选择苹果，以便采摘并投放市场。另一个算法对西红柿做同样的事情。
正如一千英里的旅程从一步开始一样，向精通 AI/ML 的劳动力的过渡也从几个试点项目开始。该中心的前三个项目之一使用 AI/ML 来保存和使用该中心的遗留数据，即几十年来科学家笔记本中的笔记，通过扫描它们并形成一个存储库。另一个试图通过开发一种算法来使用人工智能来识别战场上的关键物体，该算法可与市售的增强现实耳机配合使用。第三个目标是使用算法快速检查庞大的化合物库，以找到最适合刺激金属产生可用于分解化学试剂分子的电荷的化合物。
该中心有旧研究人员的笔记本，其中包含可追溯到几十年前的手写数据。其中一些数据对当前的研究特别有价值。一个由中心数学家 Thomas Ingersoll 博士和计算机科学家 Pronoti Kundu 博士组成的团队选择了大量笔记本，其中记录了一个独特的、永远不会成为的结果的数据。反复实验。在 1990 年代，陆军经历了冷战后的平静期，这使得一千多名士兵可以参加演习，其中一组穿着全套战场化学生物防护装备，而另一组则没有。然后对这两个小组进行计时，因为他们执行典型的战场步兵、火炮和装甲功能，例如正面突击、精确射击和后勤。
从这些实验中获得的数据被精心记录在笔记本中，直到今天仍然是信息的金矿。但所有这些都是用打字机打出来的，上面沾满了指纹、咖啡渍和白斑，使其不适合简单的扫描。Ingersoll 和 Kundu 决定他们会找到最好的方法来向当前的研究人员提供数据。Kundu 正在寻求一种使用计算机视觉的 AI/ML 增强扫描方法。她尝试了不同的 AI/ML 软件程序，以找到最能克服这些障碍的程序。这意味着它必须首先能够识别表格，从中提取，而不是将缺失值记录为乱码。
同时，Ingersoll 正在使用来自实验的原始数字化数据，记录在现已失效的 Microsoft Access 版本中，在现代软件系统中重新创建表格。他必须学习如何在过时的 Access 代码中编写软件查询，并运行一种称为方差分析 (ANOVA) 的统计工具以进行检索后处理。事实证明，这个过程非常缓慢，但非常准确。Kundu 的过程一开始也很慢，但一旦她确定了最适合这项工作的 AI/ML 软件，并建立了一个数据输入和检索系统，它就变得更快了，几乎和 Ingersoll 的方法一样准确。
当他们完成项目时，他们希望能够向中心提供经过测试和验证的建议，以最好地保存中心丰富的遗留数据存储库。
过去几年，中心研究人员一直在使用增强现实作为教学工具。市售的增强现实耳机可以使用软件通过眼镜将图形叠加到现实世界中。然后，观看者可以查看实际设备，并以有关如何操作的说明的形式显示软件创建或增强现实 (AR) 叠加层。计算机科学家 Jacob Shaffer、多媒体专家 Don Lail、高级研究科学家 Charles Davidson 博士和物理学家 Gary Kipler 博士的团队希望使用 AI/ ML教授化学生物检测设备的操作并识别该领域的化学生物威胁。
这需要使用机器学习算法并对其进行“训练”以识别其环境中的物体。例如，假设耳机可以识别陆军当前的化学剂检测主力、联合化学剂检测设备或 JCAD。在这种情况下，它可以利用预先训练好的库向战场上的作战人员展示如何使用它。最终，他们希望耳机告诉佩戴它的战士它看到附近的化学或生物威胁。如果成功，这将对战场上的作战人员安全和能力做出重大贡献。
正式称为等离子体催化，其想法是找到理想的材料，通过将其置于光下来形成电子云。然后这些电子进入附近的半导体，如果该半导体与化学试剂接触，激发的电子会破坏试剂的分子结构，使其无害。中心化学工程师 Matthew Browe 和中心研究科学家 John Landers 博士的团队正是在这里看到了使用 AI/ML 的机会。正确的算法可以潜在地识别出新的等离子体催化剂材料，这些材料可以提供实用的现场净化。半导体与新发现的等离子体催化剂的成功配对可用于涂层，甚至可用作防护服中的一层。
为了达到这一点，布劳和兰德斯需要找到最好的无机化合物，以便在暴露于光时产生激发电子。碰巧的是，加州大学伯克利分校开发了一个数据库，正式名称为“材料项目”，其中包含超过 130,000 种可能的化合物。该数据库是通过科学界的众包创建的。Browe 和 Landers 正在开发一种算法，可以在这个庞大的数据库中搜索并选择称为高性能等离子体催化剂的材料。然后，他们将填充自己的包含这些材料的电子结构数据的较小数据集，以识别所有高性能等离子体催化剂材料共有的关键电子结构特征。
他们计划利用材料项目数据库中最佳等离激元催化剂候选者产生的模型的发现来潜在地识别具有相似电子特征的新材料，这些材料可能作为有前途的新的、未发现的等离激元催化剂。中心研究人员可以使用这个较小的列表在实验室中进行目标合成和性能测量。这将涉及一些反复试验，但与托马斯爱迪生在发现灯泡钨之前尝试了数千种化合物不同，机器学习模型(例如 Browe 和 Landers 开发的模型)的结果将产生仅范围内的候选者子集数十次试验。这一点现在尤其重要，因为大流行限制减少了可用的实验室时间，
11 月 3 日，STEWARD 人工智能项目委员会举办了一个研讨会，向所有有兴趣了解人工智能/机器学习是否可以在他们的研究过程中增强他或她的数据分析的中心研究人员开放。它是在 Microsoft Teams 上举行的。在一个很像速配的过程中，十多名研究人员都有机会与委员会的一名或多名成员进入 Teams 聊天室，看看该研究人员的数据是否与 AI/ML 的功能相匹配。大多数参与者对 AI/ML 知之甚少，但渴望找到新的更好的工具来推进他们的研究。
作为一个新的 AI/ML 试点项目，作为资助候选人提交给委员会成员的研究工作差异很大。一位研究人员想看看 AI/ML 是否可以帮助她优化构建金属有机框架催化剂的方式。这些是定制的分子，很像使用有机支柱和金属节点的竖立装置，为化学战剂分子进入并被捕获和中和创造了空隙。多年来，世界各地的学术和国防实验室已经制造出越来越复杂的 MOF，并扩展了它们可以执行的功能。构建 MOF 的可能性范围很广。它们基于研究人员对具有特定专业功能的有机支柱和金属节点的选择。
研讨会上展示的另一项技术涉及生物识别器，它使用荧光来指示威胁剂的存在。研究人员有兴趣使用 AI/ML 来预测各种威胁代理的阳性检测或命中的可能性，然后使用 AI/ML 微调检测这些代理的阈值，以减少检测时间和减少系统对人工操作员的依赖。
研讨会的另一个研究领域涉及使用 AI/ML 来更好地处理液相色谱质谱仪产生的海量数据。它们被称为 LC/MS，是一种广泛使用的实验室分析仪器，用于检测生物样品中低浓度的蛋白质、脂质和小分子代谢物。这使研究人员能够模拟宿主对它们在体内存在的反应或作用机制。在该中心，这对于更好地了解人类接触化学和生物制剂至关重要。结果以图表的形式出现，以一种称为光谱数据的形式将每种物质的质量与其电荷和信号强度进行比较。它们不可避免地包括必须识别和折扣的误报。
由于 AI/ML，世界正在发生变化。最终，每一项涉及用于获得结果的大量数据的任务都将使用 AI/ML 来减少或完全消除人类理解这些数据的繁琐工作。这可能是自微芯片以来最大的计算机创新。它将改变一切，从自动驾驶汽车到疫苗开发，再到炸弹处理等危险工作。它已经在银行安全、气候变化建模、航运物流和许多其他大规模人类努力方面发生了巨大变化。
实际上，防御技术的每个方面也将发生根本性的改变。“化学生物中心打算使用 AI/ML 不仅要跟上这种变化的步伐，而且要发挥领导作用，使用它来更好地保护作战人员和国家免受许多当前和新兴的化学生物制剂威胁一个不断变化的 21 世纪世界将出现，”该中心主任埃里克摩尔博士说。
随着时间的推移，该中心的研究和运营领域都不会受到 AI/ML 的影响。在中心领导层看来，未来就在眼前，而 STEWARD AI 计划只是为了启动它的使用。
