Radarabsorbenter är material som gör det svårare att upptäcka föremål med hjälp av radar. Nu undersöker forskare på Totalförsvarets forskningsinstitut (FOI) om maskininlärning kan användas för att förbättra deras design.
– Utfallet kan bli väldigt annorlunda jämfört med det traditionella, säger forskaren David Gustafsson i ett pressmeddelande.
Att med hjälp av olika tekniker dölja militära farkoster, trupper och utrustning från upptäckt via till exempel radar eller ekolod brukar kallas stealth-teknologi. En sådan teknik är radarabsorbenter.
– Det är strukturer som placeras på höljet av farkoster. När det sedan kommer radarvågor utifrån så absorberar strukturen energin i radarvågorna så att de inte studsar tillbaka, vilket gör det svårare att läsa av var farkosten befinner sig, säger Tomas Wilkinson som är forskare på enheten sensornära dataanalys och simulering på avdelningen Cyberförsvar och ledningsteknik.
Tidskrävande arbete
Strukturerna består av millimetersmå repetitiva geometriska mönster, som till exempel cirklar, kors och stjärnor. Mönstren läggs i flera lager, där var och ett kan ha olika egenskaper och dessutom interagerar med varandra. Det gör strukturerna komplexa att designa.
Idag skapas designen ofta av materialvetare som med hjälp av datorprogram simulerar fram vilka egenskaper olika konstruktioner får.
– Efter två eller tre lager blir det väldigt tidsödande. Då behövs en väldigt god idé kring exakt vilka strukturer som är lämpade att kombinera. När man designar strukturerna utgår man traditionellt från vissa geometrier, annars blir utfallsrummet för stort, säger David Gustafsson som är seniorforskare på enheten sensornära dataanalys och simulering.
Nu har han och Tomas Wilkinson tillsammans med ytterligare fem FOI-kollegor undersökt i en förstudie hur maskininlärning kan användas för att designa radarabsorbenter.
– Vi hoppas på att kunna designa nya mönster, som har bättre förmågor än de som finns i dagsläget, säger Tomas Wilkinson.
Maskininlärning är ett område inom AI som går ut på att träna datorprogram att se samband mellan data och lösa uppgifter utan att de specifikt har programmerats för det. Den sorts maskininlärning som forskarna vill använda kallas övervakad inlärning, där programmet får ett facit som det skapar regler utifrån, samtidigt som det övervakas av en människa.
Kan skapa helt ny design
Nu börjar det göras försök med att byta ut dagens beräkningsmjukvara mot en maskininlärningsmodell som kallas surrogatmodell, som härmar beräkningsmjukvaran men gör jobbet uppemot tusen gånger snabbare. Det kortar ledtiden för att ta fram nya material, vilket i sin tur minskar kostnaderna.
– Det är en ganska stor trend inom området vad vi kan se. Den andra stora ansatsen är inverse design. Istället för att försöka komma på en design och utvärdera dess egenskaper, så vänder man på steken och matar in önskemålen i AI-modellen: ”Vi vill ha den här absorptionen på de här frekvenserna” eller vad man nu är intresserad av. Då spottar den idealt ut förslag på designer som uppfyller de egenskaperna, säger Tomas Wilkinson.
Maskininlärning kan alltså inte bara användas för att snabba upp designen av radarabsorbenter, utan också för att skapa helt ny design.
– Det gör det möjligt att utforska sådant som är svårt att komma på även för den som är insatt i ämnet. Med maskininlärning kan vi designa material och mönster som är väldigt konstiga, utfallet kan bli väldigt annorlunda jämfört med det traditionella. Just att AI inte utgår från hur vi har gjort tidigare öppnar upp för väldigt intressanta spår, säger David Gustafsson.
Under arbetets gång har forskarna kommit till insikt om att den här typen av designproblem finns överallt i samhället där egenskaper ska räknas ut och föremål designas.
– Det kan vara allt från broar och flygplan till nya material. Det är en otroligt stor fråga – att kunna designa saker bättre, billigare och snabbare än vi gör idag. AI verkar vara ett av de mest lovande sätten att göra det på, säger Tomas Wilkinson.
”Oändligt många försvarstillämpningar”
Utöver radarabsorbenter skulle Försvarsmakten kunna ha nytta av maskininlärning för att designa andra typer av kamouflage, till exempel på kläder och fordon där det finns många olika kriterier som behöver uppfyllas.
– Det verkar finnas nästan oändligt många försvarstillämpningar. En ganska stor grej är lättviktiga nya material, till exempel metallegeringar eller andra material som är både starka och lätta. Allt som flyger vill man ha lättare material i. Det drar mindre energi, ger lägre utsläpp och mindre signatur, säger Tomas Wilkinson.
Enligt FOI har en viktig del av arbetet med förstudien varit att bygga kompetens på området, där FOI:s forskare inom radar respektive maskininlärning har samarbetat och utbildat varandra. Nu har de börjat arbeta med en fortsättning på förstudien, där de ska försöka designa nya radarabsorbenter i praktiken.
– Om tio år är det kanske den här typen av AI-forskning som kommer ha gjort störst avtryck. Det här påverkar vilka saker som finns i den fysiska verkligheten. Det har oerhört stor påverkan, säger David Gustafsson.
Länk till rapporten: Maskininlärning för design av radarabsorbenter – En förstudie
