به گزارش ساوت چاینا مورنینگ پست، تیمی از دپارتمان تسلیحات نیروی دریایی ارتش آزادی‌بخش خلق و شرکت کشتی‌سازی دولتی چین (China State Shipbuilding Corporation) اعلام کرده‌اند این سامانه از دقت بی‌سابقه‌ای در هدف‌گیری اژدرهایی برخوردار است که با سرعت‌های بالا حرکت می‌کنند.
این فناوری که با استفاده از داده‌های محرمانه مربوط به میادین آزمایش اژدرهای فوق‌سریع مورد ارزیابی قرار گرفته، توانسته در شرایط شبیه‌سازی‌شده تنش‌زا، به‌طور میانگین در ۹۲.۲ درصد موارد، زیردریایی‌های واقعی را از طعمه‌های فریب‌دهنده تشخیص دهد؛ دستاوردی که به‌مراتب فراتر از سیستم‌های قدیمی است که اغلب در هدف‌گیری ناکام می‌مانند.
در نبردهای آتی زیردریایی‌ها، فریب‌دادن اژدرها با استفاده از توهمات صوتی و بصری نقش حیاتی خواهد داشت. طعمه‌های پیشرفته، می‌توانند امضای صوتی یک شناور را تقلید کرده، رد حباب کاذب ایجاد کنند تا وانمود شود شناور در حال مانور اضطراری است، یا به‌صورت گروهی عمل کرده و اهداف خیالی در صفحه رادار سونار ایجاد نمایند.
این روش‌ها به‌ویژه علیه اژدرهای فوق‌سریع سوپرکاویتاسیون مؤثر هستند؛ سلاح‌هایی که با ایجاد حفره‌های بخار در اطراف بدنه خود، مقاومت در برابر آب را به حداقل می‌رسانند. صدای ناهنجار ناشی از این فرآیند باعث محو شدن بازتاب‌های صوتی واقعی هدف و تحریف امضای صوتی آن می‌شود.
روش‌های کنونی شناسایی اهداف برای وسایل نقلیه زیرآبی فوق‌سریع چین ناکارآمد است؛ لذا توسعه رویکردهای نوین برای استخراج ویژگی‌ها و شناسایی اهداف الزامی است.
پاسخی که این تیم پیشنهاد داد، ترکیبی غیرمعمول از فیزیک و یادگیری ماشین بود. به‌دلیل کمبود داده‌های واقعی از نبردهای زیرسطحی، آن‌ها ابتدا با مدل‌سازی هیدرودینامیکی الگوهای حباب و آشفتگی، نمایه‌های فریب‌دهنده را شبیه‌سازی کردند. این شبیه‌سازی‌ها بر اساس داده‌های خام جمع‌آوری‌شده از میدان آزمایش اژدرهای فوق‌سریع نیروی دریایی چین انجام شد.
سپس این شبیه‌سازی‌ها به یک شبکه مولد رقابتی (Generative Adversarial Network – GAN) وارد شد؛ شبکه‌ای متشکل از دو سامانه هوش مصنوعی که با یکدیگر رقابت می‌کنند. یکی (مولد) با بررسی اصول فیزیکی زیردریایی‌ها و ویژگی‌های صوتی آن‌ها، نمایه‌های فریب‌دهنده را تولید و پالایش می‌کرد؛ و دیگری (تشخیص‌دهنده) با تجزیه‌وتحلیل الگوهای صوتی در هفت لایه، سعی می‌کرد جعلی بودن این نمایه‌ها را تشخیص دهد.
پس از تکرارهای متعدد، سامانه موفق شد مجموعه عظیمی از نمایه‌های فریب‌دهنده مصنوعی ایجاد کند.
این سامانه بر پایه معماری خاصی از شبکه عصبی طراحی شده که از فناوری شناسایی تصویر الهام گرفته است. سیگنال‌های سونار ابتدا نرمال‌سازی شده، سپس با فیلترهای همبستگی برای حذف نویز پردازش می‌شوند و در نهایت به «تصاویر بندانگشتی طیفی» تبدیل می‌گردند.
این تصاویر طیفی در لایه‌های پیچشی (Convolutional Layers) شبکه عصبی پردازش می‌شوند تا ناهنجاری‌های موجود در مدولاسیون فرکانس شناسایی شوند. عملیات تجمیع نیز نوساناتی مانند حباب‌ها را هموار می‌سازد.
تیم پژوهشی اعلام کرد در مواجهه با پیشرفته‌ترین انواع طعمه‌ها، نرخ شناسایی سامانه از ۶۱.۳ درصد به بیش از ۸۰ درصد افزایش یافته است.
این پیشرفت در میانه رقابت جهانی برای ساخت اژدرهای هوشمند حاصل شده است. اژدر روسی VA-111 Shkval و نمونه‌های در حال توسعه آمریکا همگی از فناوری سوپرکاویتاسیون بهره می‌برند، اما همچنان در شناسایی هدف در سرعت‌های بالا مشکل دارند.
با پیشرفت مداوم فناوری‌های صوتی زیرآبی، الکترونیکی و هوش مصنوعی، فضای نبردهای زیرسطحی مدرن غالباً شامل تهدیدهای هم‌زمان متعدد در یک منطقه عملیاتی واحد است؛ از جمله طعمه‌ها، سامانه‌های ضدتدبیر الکترواکوستیک، اخلال‌گرهای الکترونیکی و سلاح‌های متنوع.
در چنین محیط‌هایی که اهداف واقعی و فریب‌دهنده هم‌زمان ظاهر می‌شوند، این سامانه‌ها باید توانایی فوری برای تفکیک هدف حقیقی از تقلبی را داشته باشند تا از شکست مأموریت یا هدررفتن مسیر حمله جلوگیری کرده و تهدیدهای اولویت‌دار را شناسایی کنند.
با توجه به ماهیت خودکار وسایل نقلیه زیرآبی فوق‌سریع، تمامی تصمیمات باید بدون اتکای لحظه‌ای به ارتباطات بیرونی اتخاذ شوند که این امر پیچیدگی الگوریتمی و نیازهای پردازشی را به‌شدت افزایش می‌دهد. مدل شناسایی مبتنی بر یادگیری عمیق همراه با راهکار شناسایی با داده اندک مبتنی بر شبکه‌های GAN، زیرساخت فنی لازم برای استقرار میدانی را فراهم می‌سازد.
منبع: scmp
