Kognitiivinen elektroninen sodankäynti: tekoälypohjainen adaptiivinen häirintä ja spektrin havainnointi

Perinteinen häirintälaite toimii kiinteiden sääntöjen mukaan: havaitse uhkalahetin tunnetulla taajuudella, lähetä esiohjelmoitu aaltoprofiili sitä vastaan ja toista. Vastustajaa vastaan, jolla on staattinen ja hyvin karakterisoitu signaalikirjasto, tämä lähestymistapa toimii. Vastustajaa vastaan, jolla on taajuushyppelevät radiot, adaptiiviset ECCM-protokollat ja kyky virittää uudelleen nopeammin kuin inhimillinen operaattori voi reagoida, se epäonnistuu ensimmäisten sekuntien kuluessa ensimmäisestä kohtaamisesta. Kognitiivinen elektroninen sodankäynti (EW) vastaa tähän puutteeseen sulkemalla havaitse-päätä-toimi-silmukan itsenäisesti. Elektronisen sodankäynnin spektrinhallintakerros, joka aiemmin vaati omistettuja operaattoreita, muuttuu nyt koneoppimisen päättelyputkilinjaksi, joka käy läpi aaltoprofiilivalinnan ja politiikan päivityksen nopeammin kuin mikään inhimillinen reaktioaika sallii. Tässä artikkelissa käsitellään ydinteknisiä komponentteja: laajakaistai­nen spektrin havainnointi, signaalinluokittelu, aaltoprofiilivalintalogiikka, vahvistusoppiminen politiikan optimointiin, sykliaikavaatimukset, vastustajan vastatoimet ja laitteistopino, joka tekee reaaliaikaisesta kognitiivisesta EW:stä toteuttamiskelpoista.

Mikä tekee elektronisesta sodankäynnistä kognitiivisen ja miksi se on tärkeää adaptiivisia vastustajia vastaan

Termi "kognitiivinen" EW:ssä on tarkka tekninen merkitys, joka on johdettu kognitiivisen radion tutkimusyhteisöstä: järjestelmä on kognitiivinen, jos se havaitsee ympäristönsä, oppii vuorovaikutuksistaan sen kanssa ja mukauttaa käyttäytymistään tavoitteensa parantamiseksi. EW:hen sovellettuna ympäristö on sähkömagneettinen spektri ja tavoite on joko häiritä vastustajan viestintää ja sensoreita tai suojata ystävällisiä lähetyksiä häirinnältä. Kognitiivinen EW-järjestelmä eroaa adaptiivisesta EW-järjestelmästä asteeltaan: adaptiiviset järjestelmät noudattavat etukäteen kirjoitettuja päätöspuita, jotka perustuvat tunnettuihin uhkaparametreihin; kognitiiviset järjestelmät oppivat politiikkoja kokemuksesta, jotka yleistyvät signaalityyppeihin ja vastustajan käyttäytymiseen, joita ei ole eksplisiittisesti ennakoitu suunnitteluvaiheessa.

Operatiivinen ajuri kognitiiviselle EW:lle on vastustajan sopeutumissyklin nopeutuminen. Modernit sotilasradiot, joilla on elektroniset vastatoimia vastustavia (ECCM) kykyjä, voivat hypätä taajuutta tuhansia kertoja sekunnissa, levittää energiaa kymmenien megahertsien kaistanleveydelle tai vaihtaa modulaatiokaavoja havaittuun häirintään vastauksena. Inhimillinen operaattori, jopa erinomaisella koulutuksella ja reaaliaikaisilla spektrin näyttötyökaluilla, ei voi vastata tähän tempoon. Kognitiivinen EW-järjestelmä korvaa ihmisen sisäisessä silmukassa -- millisekuntien mittaisessa aaltoprofiilivalintapäätöksessä -- säilyttäen samalla inhimillisen auktoriteetin sitoutumissäännöistä ja korkeamman tason kampanjatavoitteista. Tuloksena on häirintälaite, joka huononee sulavasti uusia uhkia vastaan sen sijaan, että muuttuisi heti tehottomaksi.

Sotilaallinen arvoehdotus ulottuu häirinnän ulkopuolelle. Kognitiiviset EW-arkkitehtuurit soveltuvat yhtä lailla elektroniseen suojeluun (ystävällisiin järjestelmiin kohdistuvan häirinnän havaitseminen ja luokittelu) ja elektroniseen tukeen (sähkömagneettisen taistelujärjestyksen passiivinen karakterisointi). Yksittäinen kognitiivinen EW-alusta, jolla on laajakaistai­nen vastaanotoketju ja koulutettu signaalinluokittelija, edistää kaikkia kolmea EW-triadin jalkaa samanaikaisesti, samalla koneoppimisputkilinjalla, joka palvelee sekä offensiivista häirintää että defensiivistä spektrivalvontaa.

Spektrin havainnointi kognitiiviselle EW:lle: laajakaistainen näytteistys ja signaalinluokittelu nopeasti

Tehokas kognitiivinen EW alkaa tarkalla, pienen viiveen tiedolla sähkömagneettisesta ympäristöstä. Spektrin havainnointialijärjestelmän on vastattava kolmeen kysymykseen jatkuvasti: mitä signaaleja on läsnä, millä taajuuksilla ja kaistanleveyksillä, ja mitkä ovat niiden tekniset ominaisuudet. Maanpohjaiselle järjestelmälle, joka toimii kiistelyssä sähkömagneettisessa ympäristössä, relevantti taajuusalue voi ulottua 20 MHz:stä 6 GHz:iin -- lähes yhdeksään oktaaviin -- signaalin kaistanleveyksien vaihdellessa muutamasta kilohertsin kapeakaistaisista äänikanavista kymmeniin megahertseihin laajakaistaisissa OFDM-linkeissä. Mikään yksittäinen vastaanotinarkkitehtuuri ei kata tätä aluetta samanaikaisesti riittävällä herkkyydellä ja dynaamisella alueella, joten käytännön järjestelmät käyttävät laajakaistai­nen panoraamavastaanottimen yhdistelmää signaalin löytämiseen ja kapeampien kanavoitujen vastaanottimien yhdistelmää yksityiskohtaiseen signaalin karakterisointiin.

Signaalinluokitteluprosessi vastaanottaa kanavoidun lähdön ja osoittaa kullekin havaitulle signaalille tyyppimerkinnän. Koneoppimisen signaalinluokittelu konvoluutioneuverkoilla spektrogrammipiirteistä saavuttaa 90--97% tarkkuuden edustavissa sotilaallisten signaalien kirjastoissa signaali-kohinasuhteiden ollessa yli 5 dB. Alle 5 dB SNR:n tarkkuus heikkenee nopeasti kapeakaistaisille signaaleille, kun taas hajaspektrisignaalit ovat havaittavissa (niiden energia näkyy PSD:ssä) mutta niiden modulaatiotyyppi on usein epäselvä, kunnes riittävästi bittejä on havaittu. Havainnointiputkilinjan on siksi toimittava porrastetulla luottamusmallilla: korkean luottamuksen luokittelut käynnistävät välittömän aaltoprofiilivalinnan, kun taas matalan luottamuksen havainnot käynnistävät jatketun havainnoinnin ennen häirintäresurssien sitomista.

Spektrikuvan päivitysnopeus -- kuinka usein havainnointiputkilinja päivittää näkymänsä kullakin taajuuskaistalla -- määrittää minimivastustajan sopeutumisnopeuden, jota järjestelmä voi seurata. Havainnointiputkilinja, joka tuottaa täyden spektrin päivityksen joka 10 ms, voi seurata taajuushyppeleviä järjestelmiä, joiden hyppäämisnopeusarvot ovat enintään 100 hyppyä sekunnissa. Nopeampi hyppääminen vaatii joko omistetun kapeakaistai­nen vastaanottimen, joka on lukittu vastustajan hyppäysjärjestykseen (mikä vaatii ennakkotietoa järjestyksestä tai kykyä ennustaa se), tai laajakaistai­nen kohinahäirintälaitteen, joka kattaa koko hyppyjoukon samanaikaisesti alhaisemmalla tehokkuudella taajuutta kohti. Kognitiiviset EW-järjestelmät yhdistävät tyypillisesti laajakaistai­nen estokerroksen kapeakaistai­seen tarkkuuskerrokseen, allokoiden resursseja niiden välillä reaaliaikaisen spektrikuvan perusteella.

Häirintäaaltoprofiilin valinta: lähetystyypin sovittaminen vastustajan signaalin ominaisuuksiin

Kaikki häirintäaaltoprofiilit eivät ole yhtä tehokkaita kaikkia signaalityyppejä vastaan. Parrakiinasta kohinahäirintälaite, joka kattaa 100 MHz kaistanleveyttä 25 kHz:n kapeakaistai­sta äänikanavaa vastaan, tuhlaaa 99,975% lähetystehostaan taajuuksille, joita vastustaja ei käytä. Yhden sävyn häirintälaite, joka on tarkalleen keskitetty kapeakaistaiselle kanavalle, saavuttaa saman häirintä-signaalisuhteen murto-osalla lähetystehoa -- mutta voitetaan välittömästi, jos vastustaja hyppää uudelle taajuudelle. Aaltoprofiilivalintalogiikan on sovitettava lähetysgeometria vastustajan signaalin spektraaliseen peittoon, modulaatiotyyppiin ja ennustettuun sopeutumisstrategiaan.

Kapeakaistaisille jatkuvaaaltoisille lähettimille sävy-plus-kohina-häirintälaite, joka sijoittaa korkean tehon kantajan vastustajan keskitaajuudelle ja lisää muotoillun kohinan kanavan kaistanleveyden yli, saavuttaa parhaan häirintätehokkuuden. Taajuushyppelevää hajaspektriä varten tehokas lähestymistapa on seurantahäirintälaite, joka havaitsee nykyisen hyppäystaajuuden, valitsee sopivan sävyn tai kapeakaistai­nen kohinapurskahduksen ja lähettää hyppäysasumisajan sisällä -- tai, jos hyppäysnopeus ylittää seurantaviiveen, osittainen kaistakohina­häirintälaite, joka kattaa useimmin käytetyn osan hyppäysjoukosta. OFDM-aaltomuotojen (modernien taktisten datalinkkien perustan) alikantajakohtainen häirintä, joka hyökkää pilotti- ja ohjausalikantajia vastaan, häiritsee synkronointia tehokkaammin kuin laajakaistai­nen kohina, koska OFDM-vastaanotin luottaa pilottien koherenssiin kanavaestimointiin ja demodulaatioon.

Aaltoprofiilivalintapäätös on kohta, jossa koneoppimiskomponentti tarjoaa eniten suoraa arvoa. Signaalityypin mukaan avaimella varustettu hakutaulukko voi koodata yllä olevat aaltoprofiilit, mutta se ei voi ottaa huomioon samanaikaisten häirintätehtävien välistä vuorovaikutusta, käytettävissä olevan lähetystehon budjetin kulumista useiden kohteiden yli tai kohteiden dynaamista uudelleenpriorisointia taktisen tilanteen kehittyessä. Simuloidussa sähkömagneettisessa ympäristössä koulutettu opittu politiikka, jossa on edustavat vastustajan käyttäytymismallit, yleistyy näiden ulottuvuuksien yli ja oppii kompromisseja, joita käsinkirjoitettu sääntöjoukko ei kattaisi ilman laajaa toimialan asiantuntijatoistelua.

Vahvistusoppiminen häirintäpolitiikalle: tehokkaiden vastausten oppiminen ilman merkittyä dataa

Vahvistusoppiminen (RL) on koneoppimisen paradigma, joka soveltuu parhaiten kognitiivisen EW-politiikan optimointiin, koska se ei vaadi merkittyä koulutusaineistoa. "Optimaalinen häirintätoiminto annetun spektrin tilan perusteella" ei ole todellista tarraa -- optimaalinen toiminto riippuu vastustajan käyttäytymisestä, joka on tuntematon ja adaptiivinen. RL ohittaa tämän oppimalla vuorovaikutuksesta: järjestelmä suorittaa toiminnon, havaitsee tuloksena olevan spektrin tilan, saa palkkiosignaalin, joka heijastaa häirinnän tehokkuutta, ja päivittää politiikkaansa suosimaan toimintoja, jotka tuottivat parempia palkkioita aiemmin. Tuhansien vuorovaikutusten myötä simulaatiossa RL-politiikka suppenee strategiaan, joka ylittää käsinkirjoitetut säännöt mallinnetun vastustajan jakaumaa vastaan.

Palkintofunktion suunnittelu on tärkein insinöörivalinta RL-putkilinjassa. Palkkio, joka perustuu puhtaasti mitattuun vähenemiseen vastustajan signaalitehossa, kannustaa aggressiiviseen laajakaistaiseen häirintään, joka maksimoi häiriöt riippumatta kustannuksista ystävälliselle spektrin käytölle. Realistisempi palkintofunktio sisältää useita kilpailevia tavoitteita samanaikaisesti: vastustajan signaalin heikkeneminen (positiivinen palkkio suhteessa arvioituun vähenemiseen vastustajan SINR:ssä), ystävällinen spektrisuoja (negatiivinen palkkio häirintätoiminnoille, jotka osuvat ystävällisille taajuusallokaatiokaistaleille), lähetystehon tehokkuus (negatiivinen palkkio suhteessa kulutettuun lähetysenergiaan per yksikkö vastustajan häiriötä) ja latenssi (negatiivinen palkkio hitaasta syklin suorituksesta). Moniulotteinen palkintofunktiomuotoilu tuottaa politiikan, joka tekee vivahteikkaita kompromisseja näiden kilpailevien tavoitteiden välillä sen sijaan, että optimoisi yhtä ulottuvuutta muiden kustannuksella.

Käytännöllinen huolenaihe RL-pohjaisessa kognitiivisessa EW:ssä on sim-to-real-kuilu: simuloidussa sähkömagneettisessa ympäristössä koulutettu politiikka kohtaa käyttöönottovaiheessa signaalinominaisuuksia, jotka eroavat koulutusjakaumasta. Modernit kognitiiviset EW-ohjelmat vastaavat tähän alueen satunnaistamisen kautta koulutuksen aikana (vaihtelemalla etenemisedellytyksiä, kohinatasoja, vastustajan käyttäytymismalleja ja signaalin parametreja laajoilla alueilla, jotta politiikka on vahva epäjakauman havainnoille) ja online-hienosäädön kautta (jatkamalla politiikan päivittämistä operatiivisesta kokemuksesta pienellä oppimisnopeudella, turvallisuusrajoitusten alaisena, jotka estävät politiikan heikkenemisen live-operaatioiden aikana). Online-hienosäätökomponentti on erityisen tärkeä: se mahdollistaa järjestelmän sopeutumisen tietyn vastustajan ECCM-taktiikoihin operatiivisen mission kuluessa, rakentamalla tehtäväkohtaisen politiikkakerroksen yleisen esikoulutetun lähtötason päälle.

Sykliaikavaatimukset: kuinka nopeasti kognitiivisen EW-järjestelmän on havaittava ja vastattava

Havaitse-päätä-toimi-sykliaika määrittää vastustajan sopeutumisnopeuden, jonka kognitiivinen EW-järjestelmä voi vastata. Kolme aikabudjettia soveltuu arkkitehtuurin eri kerroksissa. Aaltoprofiilikytkentäaika -- kuinka nopeasti lähetysketju voi ladata uudet parametrit ja alkaa lähettää -- määräytyy RF-laitteistosta ja on tyypillisesti 1--100 mikrosekuntia FPGA-pohjaisille aaltoprofiligeneraattoreille. Signaalinluokitteluviive -- kuinka kauan päättelyputkilinja kestää tuottaa varman signaalityyppimerkinnän vastaanotetuista näytteistä -- riippuu mallin monimutkaisuudesta, päättelylaitteistosta ja varman luokittelun vaatimasta minimiobservointiajasta; käytännössä tämä vaihtelee 1 ms:sta yksinkertaisille kapeakaistaisille signaaleille korkealla SNR:llä 50 ms:iin monimutkaisille aaltomuodoille matalassa SNR:ssä. Politiikan päivitysviive -- kuinka kauan RL-politiikkaverkolla kestää imeyttää nykyinen havaintovektori ja tuottaa uusi toiminto -- on tyypillisesti 1--10 ms yhteissijoitetulla GPU:lla tai alle 1 ms, jos politiikka on käännetty FPGA-logiikalle.

Nämä kolme viivettä yhteenlaskettuna määrittävät päästä-päähän-reaktioajan tiettyä vastustajan sopeutumistapahtumaa vastaan. Taajuushyppelevää radiota vastaan, joka hyppää 100 hyppyä sekunnissa (10 ms asuminen per hyppy), järjestelmällä on noin 5--7 ms hyppäysasumisesta uuden hyppäystaajuuden havaitsemiseen, signaalin luokitteluun, aaltoprofiilin valintaan ja lähetyksen aloittamiseen -- jättäen 2--3 ms asumisaikaa, jonka aikana häirintä on aktiivista. Tämä marginaalinen peitto tarkoittaa, että erittäin nopeita hyppimissistä järjestelmiä vastaan, osittainen kaistakohina­häirintä, joka kattaa todennäköisen hyppyjoukon, on luotettavampaa kuin tarkkuusseuranta­häirintä, vaikka se on vähemmän spektraalitehokasta. Kognitiiviset EW-järjestelmät, jotka saavuttavat alle millisekunnin päästä-päähän-sykliajan, voivat siirtää tasapainoa kohti tarkkuushäirintää jopa korkeilla hyppimisnopeuksilla.

Vastustajan vastatoimet: miten vastustajat sopeutuvat ja miten kognitiiviset järjestelmät vastaavat

Kehittynyt vastustaja, joka tietää uhka-EW-järjestelmän olevan kognitiivinen, yrittää hyödyntää oppimismekanismia sen sijaan, että yksinkertaisesti väistäisi nykyistä häirintäaaltoprofiilia. Harhauttaminen kognitiivista EW:tä vastaan ottaa useita muotoja. Vastustaja voi syöttää synteettisiä signaaleja, jotka jäljittelevät korkea-arvoisia lähettimia, saaden kognitiivisen järjestelmän tuhlaamaan häirintäresursseja houkutuksiin, kun taas todellinen viestintä jatkuu valvomattomilla taajuuksilla. Vastustaja voi nopeasti kiertää läpi suuren taajuushyppelyjoukon, ehdyttäen kognitiivisen järjestelmän kykyä seurata kaikkia aktiivisia lähettimia samanaikaisesti ja pakottaen sen priorisoimaan, jättäen jotkut lähettimät häiritsemättä. Vastustaja voi myös hyödyntää RL-koulutusjakaumaa käyttämällä signaalinominaisuuksia, jotka jäävät luokittelijan koulutussarjan ulkopuolelle, aiheuttaen väärän luokittelun ja käynnistäen tehottoman aaltoprofiilivalinnan.

Kognitiiviset EW-järjestelmät torjuvat harhauttamista useilla arkkitehtuurivastauksilla. Poikkeamanhavaitsemismallit, jotka toimivat rinnakkain primäärisen signaalinluokittelijan kanssa, merkitsevät signaalit, joiden tilastolliset ominaisuudet ovat ristiriidassa vastustajan historiallisesti havaitun lähetyskirjaston kanssa -- automaattisten järjestelmien tuottamat houkutussignaalit näyttävät tyypillisesti säännöllisyyttä ajoituksessa, taajuudessa tai tehossa, jota todellisessa taktisessa liikenteessä ei esiinny. RF-sormenjälkitekniikat, jotka tunnistavat tietyt laitteistot niiden tahattomien lähetysominaisuuksien perusteella, voivat erottaa fysikaaliset lähettimet ohjelmistoluo­duista houkutuksista, koska todellisen radion laitteistotason epätäydellisyydet (kantajapiste, vaihekohinainen, IQ-epätasapaino) ovat vaikeita toistaa tarkasti signaaligeneraattorissa. Käyttäytymispoikkeamien havaitsemisen ja laitteistotason sormenjälkien yhdistelmä vähentää merkittävästi harhauttamisoperaatioiden tehokkuutta kypsää kognitiivista EW-järjestelmää vastaan.

Politiikkatasolla hyvin suunniteltu RL-palkintofunktio estää implisiittisesti resurssien liikaa sitomista mihinkään yksittäiseen kohteeseen rankaisemalla muiden aktiivisten lähettimien laiminlyönnistä havaintotilassa. Vastustajat, jotka yrittävät houkutella täyttä häirintähuomiota houkutukseen, huomaavat, että politiikka, joka on koulutettu monipuolisessa sähkömagneettisessa ympäristössä useilla samanaikaisilla lähettimillä, jakaa resurssit uhkakuvan yli sen sijaan, että keskittyisi yksinomaan suuritehoisimpaan signaaliin. Tämä on moniulotteisen palkintofunktiomuotoilun suora hyöty: se rakentaa sisäänrakennetun kestävyyden manipulaatiota vastaan, jota puhtaasti signaalikatkon maksimointiin keskittyvällä yksitavoitteisella politiikalla ei olisi.

Laitteistovaatimukset: FPGA-, GPU- ja SDR-kompromissit reaaliaikaiseen kognitiiviseen EW:hen

Reaaliaikainen kognitiivinen EW vaatii kolme laitteistoalijärjestelmää, jotka on tiiviisti integroitu yhteiseen dataväylään: RF-etupää analogia-digitaalimuunnokseen ja aaltoprofiiligeneroitiin, digitaalisen signaalinkäsittelykerros kanavointiin ja piirteenpoistoon sekä päättelykiihdytin ML-luokittelijan ja RL-politiikan ajamiseen. Hallitseva arkkitehtuurivalinta kahdelle ensimmäiselle kerrokselle on Xilinx RFSoC -perhe (nyt AMD), joka integroi monijigaottaja-ADC:t ja DAC:t, suuren ohjelmoitavan logiikankankaan ja ARM Cortex-A -käsittelyttimet yhdelle piirille. Tämä integraatio poistaa korkean nopeuden rajapinnan pullonkaulan ADC:n ja FPGA:n välillä, mikä vaikuttaa monilastusisiin suunnitelmiin, vähentää levytilaa ja virrankulutusta sekä yksinkertaistaa synkronointia vastaanotto- ja lähetysketjujen välillä. RFSoC-pohjaiset kognitiiviset EW-alustat 20 W:n kokonaistehovajeessa voivat saavuttaa 1--4 GHz:n hetkellisem kaistanleveyden, riittävästi useimmille maa-ajoneuvo- ja ilma-EW-sovelluksille alle 6 GHz:n alueella.

Päättelykiihdyttinvalinta sisältää todellisen kompromissin viiveen, tehon ja joustavuuden välillä. GPU (NVIDIA Jetson -luokka) tarjoaa korkeimman suorituskyvyn suurille mallipäättelyille ja tukee nopeaa politiikan iterointia kehityksen aikana -- simulaatiossa koulutetut uudet RL-politiikat voidaan lähettää alustalle suoraviivaisella mallin vientivaiheella. GPU:n päättelyviive pienille malleille on kuitenkin pullonkaulana datan siirron yleisrasite (CPU - GPU-muisti kopiointi plus ytimen käynnistys), joka lisää tyypillisesti 0,5--2 ms per päättelykutsu riippumatta mallin koosta. Kognitiivisille EW-sykliaikoille alle 5 ms tämä yleisrasite on merkittävä osa kokonaisbudjettia. FPGA-pohjainen päättely, joka saavutetaan kääntämällä politiikkaverkko kiinteäpisteiseksi FPGA-logiikaksi käyttämällä työkaluja kuten HLS4ML tai Vitis AI, poistaa siirtorasiteen ja saavuttaa deterministisen alle mikrosekunnin päättelyviiveen, mutta vaatii uudelleensynteesin jokaiselle politiikan päivitykselle -- prosessi, joka kestää 30 minuutista useisiin tunteihin, tehden online-RL-hienosäädöstä epäkäytännöllistä puhtaassa FPGA-päättelytilassa. Käytännöllinen arkkitehtuuri kenttäkäyttöisille järjestelmille yhdistää molemmat: FPGA-logiikka viivekriittiselle sisäiselle silmukalle (aaltoprofiilivalinta esikäännetystä politiikasta) ja GPU taustapolitiikan jalostamiseen ja poikkeamanhavaitsemiseen, säännöllisillä käännetyillä politiikan päivityksillä, jotka työnnetään FPGA-kankaalle operatiivisten taukojen aikana.

Teho- ja koko-paino-ja-teho (SWAP) -rajoitukset ohjaavat merkittäviä eroja alustalajien välillä. Ajoneuvoihin asennettu kognitiivinen EW-järjestelmä voi majoittaa 200--500 W:n hyötykuorman, mahdollistaen täyden RFSoC:n plus Jetson AGX -luokan laitteiston riittävällä jäähdytyksellä. Ihmisen kannettava tai pieni UAS-asennettu järjestelmä on rajoitettu alle 30 W:iin, mikä pakottaa valitsemaan pienemmän RFSoC-variantin (esim. ZU28DR ZU67DR:n sijaan) ja aggressiivisemman politiikan pakkaamisstrategian -- kvantisoituja ja karsittuja politiikkaverkkoja, joissa on alle 500 000 parametria, jotka mahtuvat FPGA-päättelykankaaseen erilliseen GPU:un valumatta. Tämän pakkauksen suorituskyvyn kustannus on mitattavissa (3--8% väheneminen häirintätehokkuudessa uusia signaaleja vastaan simulaatiobenchmarkeissa), mutta se on operatiivisesti hyväksyttävissä SWAP-rajoitusten huomioon ottaen irrotettavien ja UAS-asennettujen EW-operaatioiden osalta.