戦闘計画システムにおける人工知能技術の応用に関する研究

近年、人工知能技術は飛躍的な進歩を遂げており、各国は人工知能技術の戦略的意義を認識し、国家戦略レベルでの配置を強化し、軍事における人工知能の研究と応用を強化し始めています。米国は人工知能を「ゲームのルールを変える」破壊的技術とみなしており、米国防総省は人工知能を第3の「オフセット戦略」の重要な技術的柱として明確に位置付けている。この戦略は、中国とロシアの非対称なバランス能力を相殺することに焦点を当て、インテリジェントな戦闘システムを構築し、破壊的な最先端技術を開発することを目指しています。

米軍の作戦教義 JP 5-0「統合作戦計画」によれば、米軍の作戦計画プロセスである統合作戦計画プロセス (JOPP) には、タスクの受信、タスク分析、行動計画の作成、行動計画の分析、シミュレーションと評価、行動計画の実行が含まれます。現在、米軍は戦闘計画の全プロセスに人工知能技術を広く応用しています。例えば、米陸軍の「ディープグリーン」システムは、任務の受領から行動計画の作成までの3つのステップに人工知能技術を使用しており、米空軍のアルファAI空中戦闘シミュレーションシステムは、シミュレーション環境における戦闘計画の全プロセスに人工知能技術を使用しています。この記事では、戦闘計画プロセスで使用できるさまざまな人工知能技術を整理します。

1. タスク分析のための人工知能

ミッション分析フェーズでは、アナリストは情報を処理および統合して、共通運用状況図 (COP) を生成する必要があります。このタスクを達成するには、アナリストは受信した情報を分類し、現在の状況を判断し、動的に更新される COP を構築する必要があります。さらに、アナリストは自身のシステムが騙されているかどうかを検出する必要があります。情報融合技術の支援により、戦術レベルのシステムは、受信した情報レポートの順序に基づいて、戦術レベルの COP を自動的に生成できます。タスク分析時の情報処理は、情報の発見、情報の編集、情報の異常の検出の 3 つに分けられます。

1.1 発見情報

多くの場合、情報を見つけるには、特定のトピックに関連する類似のドキュメントを見つける必要があります。すべてのファイルにトピックに関連するメタ タグが含まれている場合、プロセスは高速になります。メタタグの注釈付けプロセスは、半教師あり学習を使用して自動化できます。 Salakhutdinov と Hinton は、ディープ オートエンコーダーの形でディープラーニング アルゴリズムを使用して、高次元のドキュメント入力ベクトルを、隣接するベクトルが類似のドキュメントに対応する低次元の固有ベクトル空間に変換する方法を提案しました。オートエンコーダの学習プロセスは、教師なし学習の形式で実行できます。トピックラベルの付いた少数のサンプルを使用して、固有ベクトル空間内の特定のクラスターを定義し、これらのクラスターを使用して自動メタタグ付けアルゴリズムを構築できます。

図1 ディープセマンティックハッシュアルゴリズム

1.2 編集情報

情報が発見された後、人工知能アルゴリズムを使用して、特定のトピックに関連するドキュメント内のエンティティを判別できます。たとえば、物流に関連する項目や数値を抽出すると、部隊の作戦計画プロセスをスピードアップできます。自然言語処理では、この問題は名前付きエンティティ認識と呼ばれ、ニューラル ネットワークと名前付きエンティティ辞書を組み合わせることで、良好な結果が得られます。

図2 エンティティ認識アルゴリズム

1.3 異常情報の検出

異常情報の検出は、通常、ディープ オートエンコーダ テクノロジに基づいています。正常なデータ ポイントは、オートエンコーダ モデルの非線形低次元埋め込み座標内にあります。そのため、オートエンコーダが正常なデータ ポイントをデコードすると、再構築エラーが少なくなりますが、異常情報の再構築エラーは多くなります。このアプローチは、受信したセンサー データの異常を検出したり、異常レポートにフラグを立てたりするなど、さまざまな問題に使用できます。さらに、最近の研究結果では、2 つの文が矛盾しているかどうかも区別できるようになりました。

図3 異常検出アルゴリズム

2. COA生成のための人工知能

計画プロセスでは、人工知能とシミュレーション環境を組み合わせる方法が比較的成熟しています。深層強化学習アルゴリズムを使用して、行動計画を策定できます。このアルゴリズムは、シミュレーション環境で試行錯誤の実験を実行し、さまざまな計画の予想される効果を測定できます。シミュレーション環境は、戦場でのさまざまな戦闘作戦の影響だけでなく、道徳、兵站補給、難民などの他の要因が戦闘作戦に与える影響も反映し、可能な限り現実に近いものでなければなりません。

2008年、米国国防高等研究計画局（DARPA）は、指揮官が戦闘作戦をより積極的に管理できるように、指揮官向けの行動計画を作成できる「ディープグリーン」と呼ばれる軍事戦術指揮統制システムを開発しました。2013年、DARPAはこのプロジェクトを米国陸軍に移管しました。

図4 強化学習アルゴリズム

3. 行動計画の分析と推論に人工知能が使用される

計画プロセスでは、定性的な方法を使用して計画を分析できます。定性的な COA 分析では、異なる計画グループによって複数の COA が提案された場合、概念フレームワークを使用してドメイン エキスパートがこれらの COA に関するコメントを登録し、テンプレートを使用して構造化されたコメントを作成し、さまざまな COA のさまざまな側面を体系的に評価しました。さまざまな COA に関するさまざまな分野の専門家のコメントは、さまざまな議論モデル間の類似点と相違点を区別できるフレームワークを使用して選択および要約できます。このアプローチにより、代替 COA の構造化された分析が可能になります。

COA の定性分析に加えて、定量分析方法も使用できます。アバス氏とベンダー氏は、「計算による赤青対決：過去、現在、そして未来」という論文の中で、人工知能をマルチエージェントシステムと組み合わせて赤青対決を実行できると提案しました。このアプローチにより、指揮官は動的シミュレーション中にさまざまな行動方針の長所と短所、および起こり得るイベントの展開を理解し、さまざまな行動方針の長所と短所を評価し、敵の行動を理解することができます。

さらに、NATO は最近、データ ファーミング技術 (大規模並列シミュレーション、データ分析、視覚化など) を使用して意思決定をサポートするデータ ファーミング システムを開発しました。このシステムでは、地上戦闘計画のさまざまなシミュレーション システムによって生成された数十万のシミュレーション出力結果を分析できます。これはシミュレーションとビッグデータ分析を組み合わせたアプローチです。

4. 計画実行のための人工知能

4.1 指揮官のための代替行動方針を作成する

計画を実行する際には、人工知能技術を利用して戦場の情報を素早く統合・分析し、その結果を指揮官に送信することができます。指揮官は、プレッシャーのかかる戦場の環境で重要な決定を下すために正確な情報を必要としますが、指揮官は通常、大量の情報を受け取るため、情報過多のリスクに陥りやすくなります。情報が論理的、簡潔、かつ意味のある形式で指揮官に提示されない場合、問題が発生します。計画の実行中、戦場の状況が急激に変化すると、当初の計画がいつでも無効になる可能性があるため、指揮官はより迅速な再計画能力を必要とします。人工知能技術は、指揮官にタイムリーに代替オプションを提供することができます。

機械学習は戦闘戦術の開発に使用できます。しかし、多くの機械学習アルゴリズムは、空中戦のような環境でインテリジェントエージェントが最善の戦略を発見できるほどの速度で計算を行うことができません。 Q 学習は、空中戦におけるターゲット割り当てに使用できる強化学習アルゴリズムです。このアルゴリズムは、大規模なデータセットや推論情報を使用することなく、最適なエージェントの状態と動作の組み合わせを学習できます。

場合によっては、AI アルゴリズムでは、同様のシナリオに対して一連の動作原則が必要になります。この場合、転移学習を使用して学習時間を短縮できます。たとえば、さまざまな 2 対 2 の空中戦闘シナリオでの戦闘ルールを学習する場合、2 対 1 の空中戦闘シナリオでの経験がすでにあるエージェントを使用できます。実験的研究では、そのようなエージェントはさらなる学習を最小限に抑えるため、戦闘上の優位性を持つことが示されています。転移学習を使用して、新しいシナリオでのエージェントの動作を迅速に開発します。

4.2 スタッフのワークフローを簡素化

計画実行プロセス中に、人工知能テクノロジーを使用してレポートの概要を自動的に生成できます。階層的な指揮命令構造では、上司は部下から情報を受け取る必要があります。レポートの要約がなければ、上司は過剰な情報を受け取ることになります。従来の要約レポートでは、元の文書から関連コンテンツをコピーして貼り付ける必要がありました。現在では、シーケンスツーシーケンスのディープラーニング アルゴリズムと要約生成方法を使用してレポートを要約できるため、レポートの提出が迅速化されます。さらに、音声をテキストに変換する方法も使用できます。現在の人工知能技術では、すでに比較的正確な音声認識機能を実現できます。