期待已久的機器學習時代終于到來了。深度學習技術對作戰人員的潛在好處既巨大又深遠。隨著防御系統趨向于更大的應用程序自主性，深度學習技術過于復雜，無法用更傳統的處理技術實現，現在可以幫助顯著推動流信號或圖像數據平臺處理的進步。事實證明，這些技術可用于模式識別任務，例如自然語言處理和圖像特征檢測，從而基于龐大的數據集產生高度可靠的自主決策。

加速深度學習在防御系統中應用的是可用的技術——最新的超大型 FPGA 的數字處理能力、高能效圖形處理器單元 （GPU） 以及與靈活的多核處理器相關的高級 SIMD ［單指令多數據］ 處理單元。通過超越曾經使深度學習架構對任何類型的實時應用都不切實際的處理限制，如今，新的高性能嵌入式計算 （HPEC） 平臺提供的進步，即使在尺寸、重量和功耗 （SWaP） 受限的系統中，深度學習算法也可以輕松滿足。進一步定義如何應用深度學習算法來解決應用程序的特定問題是一項持續的挑戰。因此，技術供應商必須能夠定制和完善基于HPEC的平臺，以便它們能夠輕松適應深度學習應用的需求。

了解深度學習如何工作的基礎知識有助于說明它對戰士的積極力量。應用程序可以通過獲取各種傳感器（圖像、聲音、GPS 位置、雷達等）收集的任何信號（觀察）來“學習”，并以抽象的方式表示它，或者作為形狀、角落、圖案等特征表示。這些抽象由深度神經網絡（DNN，或數十層處理層）組成。每個圖層根據特定類型的要素處理數據，并將結果提供給下一個圖層。結果可能令人印象深刻，有時甚至比人工制作的解決方案更好，優化了人臉識別、圖像配準、自然語言處理和欺詐檢測等應用程序。

由于網絡必須經過“訓練”，因此必須應用大量計算，其中信息經過多次加權和優化，以減少出錯的可能性。因此，學習階段通常在不間斷運行的數據中心中執行。每個訓練結果都是一個快照。在［軍事-航空航天］設置中，這些快照將部署在實際的嵌入式HPEC系統上進行測試。該過程不斷重復，期望每個快照的響應都比前一個快照更好。

使用基于英特爾至強處理器 D-1540（Broadwell DE）的現成處理密集型平臺，可以構建針對深度學習應用優化的模塊化 HPEC 系統。這些系統充分利用其八個內核，每個內核有兩個AVX2單元，以同時處理八個浮點FMA（融合乘法/累加）操作。換句話說，八個內核可以在每個時鐘周期內執行 128 次浮點運算。英特爾至強融核協處理器進一步提高了這一水平。提供 72 個內核，每個內核有兩個 AVX-512 單元，每個單元每個時鐘處理 16 個 FMA 操作，總共 2304 個 FMA 操作。另一個優點是英特爾架構可確保與每一代后續 64 位處理器的二進制兼容性，從而有效地保護軟件投資免受未來任何不兼容的影響。

此外，OpenCL 正在蓬勃發展，迅速成為異構計算的首選標準。其豐富而富有表現力的 API 管理數據流和計算對象，并有助于確保源代碼在不同平臺（如 GPU、CPU 和 FPGA）上的可移植性?；?VPX 的主板和平臺也增加了價值，通過背板與 PCIe Gen3 或 10 Gb 以太網鏈路提供高速/低延遲通信，幫助適應最廣泛的應用。

在當今功能強大且功能豐富的HPEC平臺的推動下，深度學習應用程序可以輕松篩選來自軍方大信號和圖像處理系統的大量數據流?？紤]該技術對必須持續搜索感興趣信號或目標的應用的影響。深度學習可以成為主動搜尋威脅和自主部署主動保護系統的答案。在HPEC平臺的支持下，在國防系統智能自主需求的推動下，深度學習技術可能會在軍方未來的作戰戰略中發揮重要的新作用。

審核編輯：郭婷