인공지능과 기계학습을 전자전 분야에 적용한 Cognitive EW의 한 예로서 미국이 추진하고 있는 Cognitive 전자기 스펙트럼 운영에 대한 기사입니다.
서론
인공지능(AI) 특히, 기계학습(ML)을 이용하여 전자전을 예측한다는 것은 매우 매혹적인 약속으로 들린다.
우수한 EW 운용자가 스코프상의 정보를 처리하기 이전에 기계에 의해 언제, 어디를, 그리고 어떻게 재밍하는 지를 알게 된다고 상상해 보자.
그러나 자율 자동차가 사고를 내듯이 잘못된 알고리즘으로 인해 생명의 위협을 가하게 될지 몰라 몇몇 운용자들은 cognitive EW를 지지하는데 주저하고 있다.
복잡한 전자기 스펙트럼(EMS, Electromagnetic Spectrum)에서 승리를 하기위해서는 전투와 같은 고위험 상황에서도 기계학습 알고리즘을 신뢰할 수 있는 것을 배워야 한다.
그렇기때문에 신호처리와 분류, 그리고 자동 대응과 짝을 이룬 기계학습의 아이디어인 cognitive EW는 EMS 커뮤니티의 진화에 최전선에 있어야 하다.
Cognitive EMSO
미래의 환경은 민첩성과 적응형 스펙트럼 관리, 그리고 인간의 인지보다 빠른 주파수의 호핑 능력을 요구할 것이다.
Cognitive EW는 전자기 스펙트럼 운영(EMSO, Electromagnetic Spectrum Operation) 커뮤니티에 복잡한 EMS 전투 환경에서 운영자 업무를 줄여 준다.
게다가 기계학습 알고리즘 없이는 EMS에서 적이 합동군을 압도할 위험이 있다.
위협에 대한 cognitive 스펙트럼 관리는 DOD가 JADC2(All-Domain Command and Control)를 적용하고 합동 전투 컨셉의 한 부분으로 MDO(Moultidomain Operation)을 적용함으로써 필수불가결한 것으로 증명될 것이다.
DOD는 전투에서 승리하기 위해 모든 EMSO의 측면에서 기계학습을 활용하기 때문에 전투원들은 cognitive EMSO를 수용해야 한다.
민첩한 스펙트럼 관리는 AI에 의한 JADC2 기능 구현의 핵심이기 때문에 cognitive EMSO에 우선순위를 두는 것이 필요하다.
게다가 어디에 문제가 있는지 그리고 인간-기계 teaming을 최적화 하기위해서 EMSO를 위한 소프트웨어를 어떻게 개발할지, 어떻게 방대한 양의 데이터를 수집할지, 그리고 신호처리와 기계학습 간의 자연스러운 결합을 만드는 것이 필요하다.
성공적인 JADC2를 위해서는 cognitive EMSO에 기술을 개발하고 신뢰를 하는 것이 필요하다.
기계학습의 EMS
JADC2는 미 공군과 육구, 해군, 해병대와 우주군 모두로부터의 센서를 하나의 네트워크로 연결시키는 DOD의 개념이다.
JADC2는 합동 전투 개념을 뒷받침하며 지휘관이 AI를 이용하여 공격에 대한 더 적절한 결정을 할 수 있고 전장의 상황감시를 유지할 수 있게 해준다.
여기서 EMS는 JADC2를 수행할 수 있게 하는 센서와 슈터(shooter) 그리고 지휘관 간의 유대감을 만든다.
JADC2를 보여주는 많은 그림들에는 모든 다양한 미군 간의 선들이나 번개 또는 아크들로 연결되어 있는데 이러한 모든 연결은 어떻게 가능할까?
EMS는 점점 더 복잡해지고 있으며 특히 동적인 재밍 시스템의 속도에서 인간이 활용가능한 주파수를 찾기 위한 인지 능력을 넘어서고 있다.
분쟁이 있을 때에 EMS는 적과 우군의 능동 monostatic과 multi-static 레이다, 통신, 수동형 센서, 그리고 전자기 공격 시스템, 다양한 날씨와 지형 세팅에서의 모든 전파로 매우 복잡하다.
그래서 EMS 화면은 임무 중 인간이 이해하기에는 너무 복잡하다.
또한 우리가 아직 찾아내지 못하고 분류하지 못한 전자기 공격 기능의 적이 있을 수 있다.
우리는 이러한 숨겨진 기능들과 전투를 하고 복잡한 전장의 EMS 환경을 이해하기 위해서 예측과 민첩한 시스템이 필요하다.
이러한 종류의 시스템은 기계학습이 요구된다.
센서와 슈터는 이러한 복잡한 EMS 속에서 통신을 해야 하며 이는 기계학습을 통해 스펙트럼 상에서 활용가능한 대역을 찾고 적보다 빠르게 자산의 주파수를 변경함으로써 가능하다.
기계학습은 예측되는 주파수 호핑과 필요할 때 재밍 회피를 추천할 수 있다.
EMS 존에서 이러한 예측 능력 없이는 적에 대응한 통신 시스템의 기동성은 있을 수 없다.
상호 연결되는 합동 군 자산의 수가 늘어날수록 전투원의 능력은 증가할 것이다.
기계학습을 위한 데이터 수집
DOD와 관련 산업계가 cognitive EMSO 툴을 개발함에 따라 운영자는 전략적-기계학습과 운영적-EMBM(Electromagnetic Battle Management) 시스템을 통해 역동적인 환경에서도 안정을 찾을 수 있을 것이다.
합동 군(The Joint Force)이 훈련과 운영을 하는 동안 복잡한 환경을 예측하기 위해서 센서는 많은 양의 데이터 베이스를 구축할 수 있다.
데이터 과학자들은 우군이 수집한 많은 양의 데이터를 분석할 시간이 필요하다.
게다가 DOD는 특정 범위에서 그들이 아직 모사하지 못한 많은 시스템 변수들을 모델링해야 하며 이러한 신호를 수동으로 입력해야 한다.
이러한 시간이 많이 걸리는 신호 수집과 태깅(tagging), 그리고 컨디셔닝 프로세스는 가능한 한 빨리 시작되어야 한다.
기계학습을 시작할 수 있도록 데이터 베이스를 구축하는데 수년이 걸릴 것이다.
전기 자동차 회사인 테슬라도 그들의 자율 주행 기능을 개발하는데 몇 년이 걸렸다.
테슬라의 기계학습 기반의 주행 기능은 백만 대의 차량에서 수천 페타바이트(Petabyte)의 데이터가 필요했다.
마찬가지로 cognitive EMSO는 기계학습을 위한 데이터 수집에 어려운 과제에 직면하게 된다.
전투원과 컴퓨터 과학자가 신호 데이터 베이스를 구축하면 엔지니어는 감독 학습(supervised learning)을 시작할 수 있다.
감독 학습은 인간이 시스템 훈련을 위해 긍정과 부정의 예로 라벨을 붙인 많은 양의 샘플을 사용한다.
결론
미국 무기 및 전술 교관과 미 공군 무기 학교 졸업생들과 같은 조사 전문가들이 감독 학습 프로세스에 입력될 데이터를 평가하고 태깅하는 것도 시간이 많이 걸리는 일이다.
이들은 유행하는 딥 러닝 신경망 네트워크뿐만 아니라 많은 알고리즘들을 테스트해야 한다.
전쟁 상황에서는 종종 빠른 것이 정확한 것보다 우선한다.
다시 말해, 단순한 계산이 많은 환경에서는 더 우수하다는 것을 증명할 수 있다.
가장 정밀한 기계학습 알고리즘을 위해서 컴퓨터 과학자는 전술 전문가와 정보 분석가와 함께 많은 시간을 보내야 한다.
컴퓨터 과학자와 전술 EMSO 전문가는 시나리오를 수정하거나 전장에 어떠한 장비가 있어야 할지 가정하고 감독되지 않은 학습에 대한 보상을 개발하는데 시간이 필요하다.
이렇게 하여 EMS에서 합동 군은 적 행동을 예측하고 압도할 수 있는 조합을 수립할 수 있을 것이다.
비록 일부는 cognitive EMSO를 적용하는데 주저할 것이며 그 이유는 AI가 예상치 못한 실패를 가져올 수 있고 또한 인간이 기계에 너무 의존적이 된다고 보기 때문이다.
합동 전투원과 가까운 동맹국들, 컴퓨터 과학자와 엔지니어들은 잘못된 지점을 찾아 수정하고 완화하기 시작했다.
인간-기계 팀은 cognitive EMSO에서 더욱 효율적으로 될 것이며 우리는 AI가 적용된 JADC2에서 더욱 명확하게 앞을 볼 수 있을 것이다.
기계학습의 도움을 받은 스펙트럼 관리는 시간이 걸리겠지만 그 결과는 합동 전투 개념 C2 기능의 전쟁을 가능하게 할 것이다.
복잡한 전장의 환경에서 운용자의 컴퓨팅 부담을 줄임으로써 합동 군은 낮은 밀집도의 전자기 소스를 최적할 할 것이다.
또한 기계학습을 EMSO에 적용하면서 스펙트럼의 민접성과 수렴성을 강화할 수 있다.
출처 : Journal of Electromagnetic Dominance, March 2023
'Electronic Warfare > EW News' 카테고리의 다른 글
| 첫 비행을 준비중인 미 공군의 전자전 공격 제트기 - 2023.04.02 (2) | 2023.04.09 |
|---|---|
| 미 공군의 차세대 공중 우세 계획 에서의 “Spectral Warfare” - 2023.03.27 (0) | 2023.04.08 |
| 우크라이나에 발사한 러시아 군사용 풍선 - 2023.02.13 (1) | 2023.02.18 |
| 드론 방어를 위한 Jammer (3) | 2023.02.10 |
| 실전에 배치가 임박한 고출력 마이크로파 시스템 (4) | 2023.01.29 |
댓글