【太長不看】(TLDR) ：本文是DARPA系列項目分析的最后一期。本系列展示了100個DARPA目前正在投資的項目，盡管覆蓋不完整，但希望大家能從中發現一些規律，有助于我們當下科研項目的方向選擇，至少可以在某種程度的借鑒。本期了解的10個項目分別是：CDMaST (跨域海上監視和目標定位) 、CASTLE (安全測試和學習環境的網絡代理)、CASE（嵌入式系統安全）、CHASE (大規模網絡狩獵) 、DPRIVE (虛擬環境中的數據保護) 、D3M (數據驅動的模型發現) 、DRACO（敏捷地月行動示范火箭）、DIGETs (使用基因編輯技術檢測) 、DRBE (數字射頻戰場仿真器)、DODOS (直接片上數字光合成器)。

關聯回顧

聊聊美國國防高級研究計劃局正在投資的項目(一)

聊聊美國國防高級研究計劃局正在投資的項目(二)

聊聊美國國防高級研究計劃局正在投資的項目(三)

聊聊美國國防高級研究計劃局正在投資的項目(四)

現實版的天網計劃——美國國防部的“天使基金”在投什么項目？（五）

植物傳感器、細菌防腐涂層——美國國防部的“天使基金”在投什么項目？（六）

萬物自動化——美國國防部的“天使基金”在投什么項目？（七）

太空生存——美國國防部的“天使基金”在投什么項目？（八）

下一代飛機——美國國防部的“天使基金”在投什么項目？（八）

在本系列的第一篇我們對美國國防高級研究計劃局（DARPA）做了一個簡短的介紹。

DARPA的項目相當多都是公開的，由于機構運作節奏很快，所以項目也不停地啟動和終結。但有一點是毫無疑問的：了解DARPA正在資助什么項目，會有助于我們了解美國科技的前沿。這個系列，我們將分大約分幾期來闡述當下DARPA網絡公開的正在資助的科研工程項目，讓大家一窺端倪，或許能對在科技前沿的方向選擇上的朋友有一定程度的啟迪。

本文，我們將繼續和大家介紹另外10個DARPA正在投資對項目。本文也是本次系列的終結。我們通過這100個項目，給大家展示了DARPA在人工智能、量子計算、太空探索、新型材料、生物科技等等領域的開發和投入。

注意我們對每個項目的解讀也有自身知識結構的局限，如果想進一步了解更多信息，可以去公開渠道自行查詢。

CDMaST

CDMaST 是Cross-Domain Maritime Surveillance and Targeting (跨域海上監視和目標定位) 的縮寫。

跨域海上監視和瞄準（CDMaST）計劃是美國國防高級研究計劃局 (DARPA) 于 2016 年4月啟動的一項研究計劃，其目標是通過在分布式無人系統、先進傳感器、彈性通信和新興遠程武器系統開發一種能夠提供持續、實時的海洋領域水面和水下活動態勢感知的系統。CDMaST 計劃的初始階段側重于開發和展示用于跨域海上監視和目標定位的新技術和概念。這一階段于 2019 年完成，2020 年 DARPA 宣布推進該計劃的第二階段，重點是將第一階段開發的技術轉化為軍方的作戰使用。第二階段預計將持續到 2023 年，并將涉及進一步開發和完善第一階段開發的技術和算法，以及在操作環境中測試和驗證這些技術。

CDMaST 旨在通過開發先進的傳感器系統和軟件來應對這一挑戰，這些系統和軟件可以集成來自多個來源的數據，包括雷達、聲納和其他傳感器。包括：固定傳感器和移動傳感器。

固定傳感器通常部署在戰略位置，例如港口或沿海岸線，并且可以包括雷達、聲納和其他類型的傳感器。這些傳感器可以安裝在浮標、碼頭或其他結構上，可用于監控船只交通、檢測水下威脅和跟蹤天氣模式。

移動傳感器通常安裝在船舶或飛機上，用于對船舶和海上活動進行實時監控。這些傳感器可能包括雷達、光電/紅外傳感器和其他類型的傳感器，可用于檢測和跟蹤大范圍內的船只。

通過傳感器采集的數據的后續分析，也是項目重要的一環，以下的技術可能被用到：

機器學習算法：機器學習算法用于分析傳感器數據的大型數據集，并識別可能表明存在威脅的模式和異常。例如，機器學習算法可用于分析聲納數據并識別不同類型船只（包括潛艇）的獨特聲音特征。

數據融合算法：數據融合算法用于整合來自多個傳感器和來源的數據，并提供海域的綜合圖像。例如，可以融合來自雷達、聲納和 EO/IR 傳感器的數據，以更全面地了解特定區域的船只活動。

目標跟蹤算法：目標跟蹤算法用于跟蹤海域中船只和其他物體的運動。這些算法使用來自多個傳感器的數據來估計目標的位置、速度和方向，并預測其未來的運動。

決策算法：決策算法用于分析 CDMaST 中使用的各種算法的輸出，并提供行動建議。這些算法考慮了威脅程度、友軍能力以及不同行動方案的潛在影響等因素。

DE2（關鍵基礎設施決策練習分布式環境）是CDMaST項目的重要組成部分。DE2 是一個模擬環境，使軍事人員能夠在真實的模擬環境中測試和評估跨域海上監視和目標定位的新概念和技術。DE2 旨在模擬一系列不同的場景和情況，包括海域中的動能和非動能威脅。它整合了各種不同的數據源和輸入，包括來自多個平臺的傳感器數據，以及實時天氣和海洋數據。DE2 的主要優勢之一是它允許軍事人員在安全和受控的環境中測試新概念和技術，而沒有現實世界后果的風險。這使他們能夠評估不同的場景并測試各種策略和戰術以應對潛在威脅。DE2 已廣泛用于 CDMaST 計劃，無論是在初始技術開發階段還是在持續的測試和評估中。它已被用于評估新算法和傳感器的有效性，以及培訓和教育軍事人員如何在現實世界中使用這些新功能。

總體而言，CDMaST計劃的目標是為美軍提供更全面、更有效的海上監視能力。提高各種情況下海上作業的安全、安保和效率。

關鍵詞：海域監測、數據融合、目標跟蹤

CASTLE

CASTLE是Cyber Agents for Security Testing and Learning Environments (安全測試和學習環境的網絡代理)的縮寫。

“用于安全測試和學習環境的網絡代理”(CASTLE) 是由美國國防高級研究計劃局 (DARPA) 發起的一項研究計劃，旨在開發新一代網絡安全工具和技術。CASTLE 的目標是創建一個可以實時自動識別和響應網絡威脅的平臺。

CASTLE 程序基于“網絡代理”的概念，這是可以在更大的網絡或系統中獨立運行的自主軟件程序。這些“網絡代理”旨在持續監控網絡活動、檢測潛在威脅并實時響應。“網絡代理”還能夠從他們的經驗中學習，使他們能夠隨著時間的推移適應和提高他們的表現。

網絡代理可以執行一系列不同的網絡安全任務，包括：

漏洞評估：網絡代理可用于識別網絡或系統中的漏洞，例如過時的軟件或不安全的端口。

入侵檢測：網絡代理可以監控網絡流量并檢測可能表明潛在攻擊的異常或可疑活動。

威脅響應：網絡代理可以實時響應檢測到的威脅，采取隔離受感染系統或阻止惡意流量等措施。

態勢感知：網絡代理可以提供網絡活動的全面視圖，使安全團隊能夠快速識別潛在威脅并有效應對。

CASTLE 計劃還專注于開發新的機器學習算法，使網絡代理能夠從他們的經驗中學習并隨著時間的推移提高他們的表現。這將使代理能夠適應不斷變化的威脅和環境，并提供更有效的網絡安全保護。包括但不局限于：

強化學習：強化學習是一種機器學習，在這種機器學習中，代理通過與其環境交互并接受某些行為的獎勵或懲罰來學習。在網絡安全的背景下，強化學習可用于使網絡代理能夠實時識別和響應威脅，同時隨著時間的推移適應新的威脅。

深度學習：深度學習是一種機器學習，其中使用人工神經網絡來分析大量數據。在網絡安全的背景下，深度學習可用于使網絡代理能夠檢測和分類不同類型的威脅，例如惡意軟件或網絡釣魚攻擊。

對抗性機器學習：對抗性機器學習是一種機器學習，在這種機器學習中，代理被訓練來抵御對抗性攻擊，這些攻擊是專門設計用于欺騙或欺騙機器學習模型的攻擊。在網絡安全的背景下，對抗性機器學習可用于使網絡代理能夠檢測和響應旨在繞過傳統安全措施的復雜攻擊。

遷移學習：遷移學習是一種機器學習，其中從一個任務或領域獲得的知識被遷移到另一個任務或領域。在網絡安全的背景下，遷移學習可用于通過利用從以前的經驗中獲得的知識，使網絡代理能夠更快地適應新的威脅和環境。

CASTLE 計劃目前正在進行中，處于第三階段也是最后階段。該計劃于 2016 年啟動，在開發用于網絡安全的新網絡代理和機器學習算法方面取得了重大進展。

在該計劃的第一階段，研究人員專注于開發網絡代理的基礎技術和算法，以及構建用于評估這些代理性能的測試平臺環境。在第二階段，該計劃的重點是將這些技術集成到一個可用于現實世界網絡安全應用程序的有凝聚力的平臺中。

在目前的第三階段，重點是完善和優化早期開發的網絡代理和平臺，以及在各種現實場景中展示這些技術的能力。這包括在模擬網絡環境以及軍事網絡和關鍵基礎設施系統等真實環境中測試網絡代理。

總的來說，CASTLE 計劃代表了增強網絡安全能力和抵御不斷變化的網絡威脅的重要努力。通過開發可以實時運行并適應新威脅的自主網絡代理，CASTLE 計劃旨在為軍用和民用網絡等提供更高級別的網絡安全保護。

關鍵詞：漏洞評估、入侵檢測、威脅響應、態勢感知

CASE

CASE是Cyber Assured Systems Engineering (系統工程的安全保障)的縮寫。

嵌入式系統常見于消費、工業、汽車、家用電器、醫療、電信、商業、航空航天和軍事應用中。據估計，制造的所有微處理器中有 98% 用于嵌入式系統。嵌入式系統通常用作更大的復雜信息物理系統中的關鍵組件。例如，嵌入式系統可用于控制自動駕駛汽車中的傳感器和執行器，或用于控制工業控制系統中的泵和閥門。因此，嵌入式系統的安全性和彈性會對更大的復雜網絡物理系統的整體安全性和彈性產生重大影響。網絡安全系統工程 (CASE) 計劃是由國防高級研究計劃局 (DARPA) 資助的一項計劃，旨在提高復雜網絡物理系統的安全性和彈性。該計劃于 2015 年開始，但截至當前仍未終結。

CASE 計劃側重于開發用于構建和測試安全網絡物理系統的新工具和方法，這些系統結合了數字和物理組件。此類系統的示例包括飛機、汽車、醫療設備和電網等。

該計劃旨在解決與保護網絡物理系統相關的幾個關鍵挑戰，包括需要：

解決這些系統的硬件和軟件組件中的漏洞。

確保這些系統能夠在復雜和動態的環境中安全有效地運行。

針對復雜的網絡攻擊和其他形式的惡意活動提供強大的防御。

為了實現這些目標，CASE 項目開發了幾種新的工具和方法，包括：

一種稱為“安全、有保障和彈性系統”(SARES) 的新系統架構，從一開始就將安全性和彈性功能融入到網絡物理系統的設計中。使系統工程師能夠在考慮“網絡彈性”的情況下設計和構建復雜的嵌入式計算系統。“網絡彈性”是指系統抵御網絡攻擊或其他安全威脅并從中恢復的能力。

一套測試和驗證工具，旨在識別和解決網絡物理系統中的漏洞。這些工具包括自動和手動測試方法，旨在與各種不同的系統架構和組件一起使用。

一種新的軟件開發方法稱為“高保證軟件開發”(HASD)，它將安全性和可靠性考慮因素納入軟件開發過程。

總體而言，CASE 計劃代表了在開發安全且有彈性的網絡物理系統方面向前邁出的重要一步。通過開發可用于構建和測試這些系統的新工具和方法，該計劃旨在針對網絡攻擊和其他形式的惡意活動提供更有效和更強大的防御。但我覺得這像計劃一個最大的問題是，盡管亡羊補牢未為晚也，但已經在部署的大量的嵌入式復雜系統仍然是被網絡攻擊的軟肋。但并未在本項目中有真正的考慮。

關鍵詞：嵌入式系統、彈性系統、高保證軟件開發CHASE

CHASE是Cyber-Hunting at Scale (大規模網絡狩獵) 的縮寫。

在當今的數字世界中，網絡威脅是一個嚴重且日益受到關注的問題。根據 Cybersecurity Ventures 的數據， 2021 年，網絡犯罪造成的損失每年將使全球損失 6 萬億美元，高于 2015 年的 3 萬億美元。戰略與國際研究中心 (CSIS) 的一份報告估計，網絡犯罪每年給全球經濟造成 4450 億美元至 6080 億美元的損失。這些統計數據表明了網絡威脅對全球個人、企業和政府的嚴重性和影響。隨著我們對數字技術的依賴不斷增加，在可預見的未來，網絡威脅很可能仍將是一個重大問題。

當前最先進的網絡防御商業工具通常側重于使用基于簽名的方法、基于規則的方法和行為分析來檢測和阻止已知威脅。這些工具可有效識別和預防許多常見的網絡攻擊，但它們難以跟上現代網絡威脅的規模和速度。

現有商業工具面臨的一大挑戰是它們無法擴展到大型復雜網絡。許多商業工具依賴于集中監控和分析，隨著網絡中設備和數據流數量的增長，這些工具可能會不堪重負。這可能會導致誤報、漏報和響應時間延遲。

另一個挑戰是現代網絡威脅通過網絡傳播的速度。許多商業工具依賴于手動或半自動流程來識別和響應威脅，這可能太慢而無法跟上快速發展的威脅。

為了解決這些差距，CHASE 計劃旨在開發可大規模和快速運行的網絡防御新技術和方法。這包括開發用于威脅檢測和響應的高級機器學習算法，以及用于網絡可視化、態勢感知和決策支持的新技術。CHASE 的目標是創建一個網絡防御平臺，即使在大規模運行時也能實時自主檢測、跟蹤和消除網絡威脅。減少人工干預的需要，并最大限度地減少網絡攻擊對關鍵基礎設施和其他目標的影響。

CHASE 計劃采用雙管齊下的威脅搜尋方法，其中包括：

主動搜索：這種方法涉及主動搜索網絡流量、日志文件和其他數據源中的妥協指標 (IOC) 以檢測網絡威脅。CHASE 計劃旨在開發機器學習算法和其他自動化工具，這些工具可以主動尋找 IOC 并提醒操作員注意潛在威脅。

反應式搜尋：此方法涉及調查和響應安全系統生成的警報，例如入侵檢測系統 (IDS) 或安全信息和事件管理 (SIEM) 工具。CHASE 計劃旨在開發自動化響應工具，這些工具可以實時采取行動減輕或消除檢測到的威脅。

為了實現這些目標，CHASE 計劃專注于開發新的機器學習算法、數據分析工具和其他可以大規模實時運行的技術。該計劃還在探索使用人工智能 (AI) 和其他先進技術來增強威脅檢測和響應能力，包括但不局限于：

高級機器學習算法：該項目正在開發新的機器學習算法，可以快速準確地識別大型復雜網絡中的網絡威脅。這些算法可以分析大量網絡數據，以識別可能表明潛在威脅的模式和異常。

分布式數據分析：該項目正在探索分布式數據分析的新技術，可以讓多個傳感器和設備實時共享和分析數據。這有助于克服集中監控和分析的可擴展性和速度限制。

可視化和態勢感知：該項目正在開發新的工具和技術，用于可視化網絡數據并為網絡防御者提供態勢感知。這可以幫助防御者快速識別潛在威脅并更有效地應對網絡攻擊。

決策支持：該計劃正在開發新的決策支持工具，可以幫助網絡防御者就如何應對網絡威脅做出更明智的決策。這些工具可以分析多個數據源，并就最有效的行動方案提供建議。

該計劃已經實現了幾個里程碑，包括開發新的數據分析和可視化工具、展示實時威脅檢測能力，以及為網絡防御者開發新的決策支持工具。該計劃還進行了幾次大規模實驗，以評估其技術在現實環境中的有效性。

總的來說，CHASE 計劃代表了開發新的網絡搜索能力的重大努力，這些能力可以幫助保護關鍵網絡和系統免受復雜的網絡威脅。

關鍵詞：主動搜索、反應式搜尋

DPRIVE

DPRIVE是Data Protection in Virtual Environments (虛擬環境中的數據保護) 的縮寫。

同態加密是一種加密形式，它允許對加密數據執行計算而無需先對其進行解密。計算結果以加密形式保留，解密后產生的輸出與對未加密數據執行操作時產生的輸出相同。同態加密可用于保護隱私的外包存儲和計算。這允許數據被加密并外包給商業云環境進行處理，同時都是加密的。

完全同態加密(FHE) 允許評估由多種類型的無限深度門組成的任意電路，是同態加密的最強概念。

現在的FHE都已經進化到了第四代，一種近似同態加密方案，支持特殊的塊浮點算法。

FHE 的好處是顯著的，從允許使用不受信任的網絡到增強數據隱私。盡管具有潛力。但 FHE 來執行即使是簡單的操作，也需要大量的計算時間，使得用傳統的處理硬件來實現是極其不切實際的。虛擬環境中的數據保護 (DPRIVE) 計劃尋求在未加密計算的十分之一內啟用 FHE 計算，從而為國防部和商業應用程序的所有數據狀態提供數據安全性。

DPRIVE 旨在設計和開發一種硬件加速器，集成了新穎的架構方法、硬件和軟件，以顯著降低實現 FHE 計算所需的處理開銷。具體來說，該計劃尋求開發新的內存管理方法、靈活的數據結構和編程模型，以及形式驗證方法，以確保 FHE 實現的設計有效和準確，同時顯著降低 FHE 計算所需的開銷損失。

內存管理是 FHE 中的一個重要考慮因素，因為大量數據的加密可能需要大量內存。為了改進 FHE 實現中的內存管理，研究人員正在探索數據壓縮、內存分配和內存優化的新技術。

靈活的數據結構和編程模型在 FHE 中也很重要，因為傳統的數據結構和編程模型可能不太適合 FHE 計算。例如，FHE 計算需要使用模塊化算術和逐位運算，這可能很難使用傳統數據結構和編程模型有效地實現。為了應對這一挑戰，研究人員正在探索專為 FHE 計算設計的新編程模型和數據結構。

最后，形式驗證方法在 FHE 中很重要，因為它們可以幫助確保 FHE 實現的設計有效且準確。形式驗證方法使用數學技術來證明 FHE 實現的正確性和安全性，并且可以幫助識別和防止設計中的潛在漏洞或弱點。研究人員希望通過使用形式化驗證方法來提高 FHE 實現的準確性和安全性，使其更適合更廣泛的應用。

這種效率水平將使 FHE 更加實用且可用于廣泛的應用程序，包括安全數據處理、機器學習和云計算。通過允許處理和分析敏感數據，同時保持加密和安全，它還有助于解決傳統加密方法的一些挑戰和局限性。

關鍵詞：同態加密、數據安全

D3M

D3M是Data-Driven Discovery of Models (數據驅動的模型發現) 的縮寫。

數據是現代社會的寶貴資產，能夠有效利用數據創建預測模型的組織將在金融、醫療保健和國家安全等領域擁有競爭優勢。然而，創建準確的預測模型是一項具有挑戰性的任務，需要在數據科學、機器學習和特定領域知識方面擁有豐富的專業知識。

但穩健的經驗模型很難建立，因為它們需要很好地概括未見數據，同時還要準確可靠。經驗模型是基于觀察和數據建立的，它們可能會受到各種誤差源的影響，例如測量誤差、噪聲、異常值或偏差。此外，實證模型需要捕捉數據中潛在的因果關系，這些關系可能是復雜的和非線性的，并且它們可能取決于許多變量和相互作用。

要建立穩健的實證模型，必須擁有具有代表性、多樣性和無偏見的高質量數據。然而，獲取此類數據可能具有挑戰性，尤其是在數據稀缺、昂貴或難以收集的復雜領域或應用程序中。此外，設計和優化模型架構、特征表示和學習算法需要專業知識、創造力和計算資源。

此外，經驗模型可能會出現過擬合或欠擬合，這會降低它們的準確性和泛化性能。當模型與訓練數據過于接近，捕捉到噪聲或不相關的特征，并失去泛化到新數據的能力時，就會發生過度擬合。當模型過于簡單或僵硬并且無法捕獲數據中的潛在模式時，就會發生欠擬合。

應對這些挑戰需要開發可以自動化或輔助模型構建過程的高級算法和技術，例如自動特征選擇、超參數調整或模型融合。此外，它需要將經驗建模與其他方法相結合，例如基于理論的建模、專家知識或特定領域的約束，以增強模型的穩健性和可解釋性。

經驗建模師一項專業性超強的工作，但是高級的數據科學家的可獲得性很差，如何降低經驗建模的技術門檻就顯得尤為重要。

數據驅動模型發現 (D3M) 計劃旨在開發自動化模型發現系統（automated model discovery systems），使具有主題專業知識但沒有數據科學背景的用戶能夠創建真實、復雜過程的經驗模型。這種能力將使主題專家能夠在不需要數據科學家的情況下創建經驗模型，并將通過自動化提高專家數據科學家的生產力。如圖所示，D3M 自動模型發現過程將由計劃過程中開發的三項關鍵技術實現：

可選基元庫：可選基元庫是數據建模基元的集合，用作復雜建模管道的構建塊。這些原語包括可以組合起來為不同任務創建模型的算法和數據轉換。該庫設計為可發現的，因此用戶可以輕松找到創建模型所需的基元。

復雜模型的自動組合：復雜模型的自動組合是指開發技術，自動從庫中選擇適當的基元，并根據用戶指定的數據和感興趣的結果將它們組合到復雜的建模管道中。這涉及開發算法和方法來自動選擇最合適的基元及其參數以實現預期的結果。

人機交互：人機交互是一種方法和界面，允許主題專家與模型創建過程進行交互。這允許非數據科學家的用戶提供有關建模問題的輸入并管理由系統自動構建的模型。該界面設計為用戶友好且直觀，因此非專家也可以有效地參與建模過程。

為實現這些目標，D3M 計劃資助多個領域的研究，包括：

自動模型選擇和超參數調整：模型選擇涉及為給定數據集選擇合適的模型類型，例如決策樹或神經網絡。超參數調整涉及為定義模型的參數選擇最佳值，例如學習率或隱藏層數。自動化方法可用于有效地探索可能的模型和超參數的空間，并為給定問題選擇最佳組合。

自動化特征工程和選擇：特征工程涉及將原始數據轉換為更適合機器學習算法的格式，例如通過提取相關特征或應用數學變換。特征選擇涉及選擇與手頭問題最相關的可用特征的子集。自動化方法可用于識別相關特征并執行轉換以提高生成模型的準確性。

自動模型融合和集成學習：模型融合涉及組合多個模型的預測以提高準確性或減少偏差。集成學習涉及在不同的數據子集上訓練多個模型并結合它們的預測。可以使用自動化方法來確定用于給定問題的模型和權重的最佳組合。

處理丟失和嘈雜數據的方法：當某些數據點由于某種原因（例如傳感器故障或隱私問題）不可用時，可能會發生丟失數據。當數據包含錯誤或不一致時，可能會出現噪聲數據。可以使用插補和異常值檢測等方法來解決這些問題并提高生成模型的準確性。

處理復雜、高維數據的方法：一些數據集是復雜和高維的，這意味著它們包含許多以復雜方式相互作用的特征或變量。降維和流形學習等方法可用于從此類數據中提取有意義的模式，并降低生成模型的計算復雜度。

D3M 計劃在2016年啟動，目前項目正在進行中，并將繼續資助自動化機器學習、數據預處理、模型選擇和融合以及其他相關主題領域的研究和開發。該計劃已經產生了幾個可供研究社區使用的有用的軟件工具和庫，例如 D3M 基礎設施和數據科學自動化 (DSA) 工具包。正在進行的努力旨在提高這些工具的可擴展性、效率和準確性，并擴展它們處理更多樣化和更復雜類型數據的能力。

關鍵詞：可選基元庫、復雜模型、自動模型選擇、自動模型融合

DRACO

DRACO是Demonstration Rocket for Agile Cislunar Operations (敏捷地月行動示范火箭) 的縮寫。

目前的火箭發動機使用儲存的火箭推進劑作為反應物質，形成高速推進流體射流，遵循牛頓第三定律，通過反作用擺脫地球引力的發動機。主流的是液體推進劑、固態燃料或者混合燃料。而核動力火箭，一直進展遲緩。核熱火箭 (NTR) 使用核反應將推進劑（通常是氫）加熱到極高溫度，從而產生推力。NTR 與傳統化學火箭相比具有多項優勢，包括更高的比沖（轉化為更高的效率）、更輕的重量和更長的使用壽命。然而，也存在一些與 NTR 相關的技術挑戰，這使得它們難以開發和使用。

主要挑戰之一是需要遏制和控制核反應產生的高溫和高壓。這需要使用能夠承受極端溫度和壓力的材料，而這些材料通常很難找到和制造。此外，必須安全地容納核燃料以防止泄漏或其他事故。

另一個挑戰是圍繞核技術的監管環境。NTR 有可能同時用于和平和軍事目的，這引起了人們對核擴散和安全的擔憂。因此，NTR 的開發和使用受到嚴格的監管和監督，這可能會減慢進度并增加成本。

最后，NTR 的開發和測試成本也很高，這限制了愿意投資于它們的組織數量。這減緩了進展并限制了成功的 NTR 設計的數量。盡管存在這些挑戰，但人們仍然對 NTR 作為傳統化學火箭的潛在替代品具有濃厚的興趣，特別是對于深空探索任務。

最近，受到民間力量的刺激（比如SpaceX的火星計劃），美國太空計劃重新升溫，NASA 開啟了Artemis 計劃，旨在到 2024 年讓宇航員再次登上月球，在本十年末建立可持續探索，并為載人火星任務奠定基礎。該節目以希臘月亮女神阿爾忒彌斯的名字命名。該計劃旨在通過開展科學研究、測試新技術和建立月球前哨站來在月球上建立可持續存在，該前哨站最終將成為載人火星任務的墊腳石。Artemis 計劃還包括開發太空發射系統 (SLS) 火箭、獵戶座飛船、網關月球空間站以及各種月球著陸器和漫游車。

敏捷地月運行示范火箭 (DRACO) 是美國宇航局 Artemis 計劃下的一個計劃。

DRACO 計劃的目標是在軌道上展示核熱火箭 (NTR)。NTR 使用核反應堆將推進劑加熱到極端溫度，然后通過噴嘴排出熱推進劑以產生推力。與傳統的空間推進技術相比，NTR 提供的推重比（thrust-to-weight ratio）比電力推進高 10,000 倍左右，比沖（即推進劑效率）specific impulse (i.e. propellant efficiency) 比空間化學推進高 2 到 5 倍。該航天器旨在高度靈活，使其能夠快速改變其軌跡和速度以滿足任務要求。

DRACO 計劃的第一階段雙規齊下。Track A 進行了 NTR 反應堆的基準設計。Track B 開發了一個操作系統概念以滿足操作任務目標和一個可追溯到操作系統但側重于演示推進子系統的演示系統設計。

DRACO 的獨特之處在于它旨在成為高度模塊化和靈活的航天器，可以重新配置和升級以滿足不斷變化的任務要求。它還被設計為高度自主，依靠先進的人工智能和機器學習算法來執行其許多關鍵功能。

DRACO 計劃仍處于早期階段，最初的重點是開發和測試關鍵技術和子系統。最終，目標是證明敏捷、模塊化航天器的可行性，該航天器可以支持地月空間內外的廣泛任務。

關鍵詞：核熱火箭

DIGET

DIGET是Detect It with Gene Editing Technologies (使用基因編輯技術檢測) 的縮寫。

異常病毒變異，而當前最先進的診斷和生物監測系統無法跟上疾病爆發的步伐，也無法在需要的時間和地點支持決策。加速病毒檢測。

“用基因編輯技術檢測它”（DIGET）計劃旨在利用基因編輯技術的進步來開發前瞻性診斷和生物監測技術，從而能夠隨時隨地檢測任何威脅。

為實現其目標，DIGET 執行者將設計、開發、制作原型和部署兩種新型核酸檢測設備：1) 一種可針對多達 10 種病原體和宿主生物標志物進行一次性按需診斷，以及 2) 大規模多重檢測 ( MMD) 設備，用于 1,000 個或更多目標。這兩種設備都必須操作簡單、成本低且可快速重新配置，以提供影響力大、質量高且值得信賴的信息，從而增強決策制定。如果成功，一次性即時設備將提高分診和治療的速度和效率，并提高公共衛生領域在嚴峻環境中的護理標準。MMD 設備將啟用早期威脅檢測、評估疾病嚴重程度并提高態勢感知能力。

DIGET 背后的基本理念是創建一種生物傳感器，能夠識別并結合感興趣的特定生物分子，例如病毒、細菌或癌細胞。

特別是，DIGET 計劃專注于開發可以檢測病毒的生物傳感器，包括新出現的傳染病，這種生物傳感器是使用特殊蛋白基因編輯工具設計的，可以精確修改基因序列。例如 SARS-CoV-2（導致 COVID-19 的病毒）。為此，該計劃使用 CRISPR-Cas 蛋白來創建生物傳感器，可以檢測患者樣本（例如唾液或血液）中的病毒核酸。

在 DIGET 程序中創建的生物傳感器通常使用一種稱為 SHERLOCK（特定高靈敏度酶報告器解鎖）的技術，該技術將 CRISPR-Cas 蛋白與報告酶結合在一起，當生物傳感器與目標核酸序列結合時，報告酶會產生可檢測的信號。SHERLOCK 生物傳感器可以設計為具有高度特異性，甚至可以檢測患者樣本中的少量病毒核酸。

然而，如果目標是檢測不同的病毒或病原體，則需要設計和開發不同的生物傳感器，可能使用不同的 CRISPR-Cas 蛋白或其他基因編輯技術。這是因為不同的病毒或病原體具有獨特的核酸序列，需要特定的生物傳感器進行檢測。誠然，針對每種病原體開發特定的生物傳感器可能是一個具有挑戰性且耗時的過程，并且新病毒或突變的出現可能需要開發新的生物傳感器。生物傳感器的設計和開發具有高度特異性，并針對感興趣的特定生物分子量身定制。雖然基礎基因編輯技術可能相似，但不同應用中使用的特定生物傳感器會因目標生物分子而異。然而，使用生物傳感器早期準確檢測包括 COVID-19 在內的傳染病的潛在好處仍然很大。

然而，使用 CRISPR-Cas 或其他基因編輯技術可能會產生意想不到的后果，例如脫靶效應或對正在編輯的遺傳物質進行意外更改。這些意想不到的后果可能會影響編輯基因的功能或其與其他基因或蛋白質的相互作用，從而可能對病毒或宿主細胞產生下游影響。

DIGET 計劃由美國國防部 (DoD) 于 2019 年啟動。該計劃的研究人員證明了使用 CRISPR-Cas 檢測寨卡病毒和登革熱病毒以及其他目標的可行性。

總的來說，DIGET 計劃和其他類似舉措代表了為早期準確檢測傳染病開發新技術的重要努力，這可能對公共衛生和全球疾病監測工作產生重大好處。

關鍵詞：生物傳感器、基因編輯技術

DRBE

DRBE是Digital RF Battlespace Emulator (數字射頻戰場仿真器)的縮寫。

高性能計算( HPC ) 使用超級計算機和計算機集群來解決高級計算問題。超級計算機是高性能計算的子集。在重大的復雜建模系統里，往往需要高性能計算的支撐，比如：新分子藥物的發現、地球天氣和氣候的模擬、復雜的星系建模、和本項目涉及的射頻無線電模擬器。

評價高性能計算的性能一般用每秒浮點運算FLOPS來衡量。目前行業最先進的高性能計算系統，已經達到了兩位數，甚至三位數的petaFLOPS浮點運算性能（petaFLOPS指的是10的15次方）。

數字射頻戰場仿真器 (DRBE) 計劃旨在創建世界上第一個大規模虛擬射頻 (RF) 環境，也是一個軟件定義無線電 (SDR) 系統。旨在模擬和仿真戰場空間的電磁環境。用于開發、訓練和測試先進的射頻系統，例如雷達和電子戰 (EW) 系統。目標 DRBE 環境將使眾多射頻系統能夠在完全閉環射頻領域相互交互，復制密集、響應迅速的真實射頻環境。

DRBE 可以模擬范圍廣泛的射頻系統和技術，包括通信系統、雷達系統、電子戰系統和導航系統。它可以產生多種射頻信號，如連續波（CW）信號、脈沖信號、調頻（FM）信號、調相（PM）信號和調幅（AM）信號。它還可以模擬各種射頻傳播效應，例如衰落、多徑和干擾。

DRBE 正在探索新穎的計算架構，以創建新一代高性能計算 (HPC)——稱為“實時 HPC”或 RT-HPC。RT-HPC 的目標是產生兩位數 petaFLOPs 級的計算性能，同時保持個位數微秒級的端到端延遲。通過平衡計算吞吐量和極低延遲，DRBE 應該能夠生成高保真射頻環境。為實現RT-HPC的目標，以下措施會用到：

硬件優化：

開發新型處理器和專用集成電路 (ASIC)，并將這些ASIC組裝成一個多處理器RT-HPC系統。采用高速內存和快速存儲設備，以實現所需的高計算性能和低延遲。此外，圖形處理單元 (GPU) 或現場可編程門陣列 (FPGA) 等專用硬件加速器可用于加速特定計算任務。

軟件優化：

在 RT-HPC 系統上運行的軟件應用程序必須進行優化，以利用硬件平臺并最大限度地減少延遲。這可能涉及使用并行處理技術在多個處理器或內核之間分配計算任務，優化內存使用以最小化數據傳輸，以及使用專門的庫和算法來處理特定的計算任務。

網絡優化：

RT-HPC 系統還必須針對網絡進行優化，以實現 SDR 硬件平臺和 RT-HPC 系統之間的低延遲數據傳輸。這可能涉及使用專門的網絡硬件和軟件，例如高速網絡接口卡和低延遲通信協議。

除了這些優化之外，DRBE RT-HPC 系統還可以使用其他技術，例如數據預處理、數據壓縮和預測分析，以進一步減少延遲并提高計算性能。

該軟件應用程序提供了一個圖形用戶界面 (GUI)，允許用戶配置和控制射頻環境，包括射頻信號的類型和參數、模擬射頻源和接收器的位置和移動，以及射頻傳播模型。

SDR 硬件平臺提供了數字域和物理域之間的射頻接口。它將軟件應用程序生成的數字信號轉換為射頻設備可以發送和接收的模擬射頻信號。

DRBE 已經開發了數年，并在其開發過程中取得了重要的里程碑。2019 年，美國空軍研究實驗室 (AFRL) 宣布已在 DARPA 頻譜協作挑戰賽 (SC2) 總決賽中成功展示了 DRBE 系統原型。DRBE 系統能夠實時模擬具有多個發射器和接收器的復雜射頻環境。

從那時起，DRBE 不斷發展，并被用于各種測試和實驗目的。例如，在 2020 年，美國陸軍作戰能力發展司令部 (CCDC) 使用 DRBE 進行了一系列測試，以評估新型電子戰系統在真實射頻環境中的性能。

除了軍方使用外，DRBE 還提供給行業合作伙伴用于測試和開發目的。例如，在 2020 年，國家頻譜聯盟 (NSC) 宣布已與 AFRL 合作，為其成員提供 DRBE 訪問權限以進行測試和實驗。

總的來說，DRBE 是模擬和模擬戰場射頻環境的強大工具，在軍事和國防工業中有很多應用。

關鍵詞：復雜射頻模擬、高性能計算

DODOS

集成電路( PIC ) 或集成光學電路是一種微芯片，包含兩個或多個構成功能電路的光子元件。該技術檢測、生成、傳輸和處理光。光子集成電路利用光子（或光粒子），而不是電子集成電路利用的電子。兩者之間的主要區別在于，光子集成電路為施加在可見光譜或近紅外(850–1650 nm)光波長上的信息信號提供功能。它旨在用可集成到各種應用中的緊湊高效解決方案取代傳統笨重且昂貴的光學系統。DODOS 可以被稱為光學頻率控制的潛在革命，因為它有可能克服現有模擬光學系統的許多限制，并實現以前不可能或不實用的新應用。

DODOS 就是一種使用集成光子學在單個芯片上生成和操縱光信號的技術。為實現這一目標，DODOS 旨在利用最近在芯片級鎖模激光器和微諧振器方面取得的突破，這些小型設備可以生成具有極高頻率和精度的光信號。通過將這些設備與其他必要組件（如光調制器和非線性光子元件）集成到單個芯片上，DODOS 希望創建一個緊湊而高效的解決方案，以生成高度穩定和準確的光信號。

DODOS 的核心是使用數模轉換器 (DAC) 生成數字波形，然后使用芯片上的激光器和調制器陣列將其轉換為光信號。能夠使用數字技術在單個芯片上生成和操縱光信號，這提供了比傳統模擬光學系統更大的控制和靈活性。這種方法允許精確控制光信號的相位和幅度，可以實現模擬系統無法實現的各種信號處理和調制技術，例如對光信號相位和幅度的精確控制。

DODOS 的主要優勢有以下幾個：

能夠將 RF 信號的穩定性和準確性直接轉化為光域，從而產生頻率高于 200 太赫茲的激光，相對精度為 10^15 分之一。這將在高速數據通信、雷達和傳感等領域實現廣泛的應用。

其高速和可擴展性。通過利用集成光子學的高帶寬和低延遲，DODOS 可以生成頻率在太赫茲范圍內的光信號，從而實現高速通信、雷達和傳感等應用。

高能源效率。由于是全數字系統，DODOS 可以在比傳統模擬光學系統更低的功率水平下運行，從而降低能耗和散熱。通過利用集成光子學的高帶寬和低延遲，DODOS 可以生成頻率在太赫茲范圍內的光信號，從而實現高速通信、傳感和雷達應用。

DODOS在電信、傳感和信號處理等領域具有許多潛在的應用。例如，它可用于創建用于高速數據通信的緊湊高效的光學收發器，或用于構建用于環境監測或醫療診斷的傳感器。

總的來說，DODOS 是一項很有前途的技術，旨在突破光學頻率控制的界限，有可能徹底改變我們生成和操縱光信號的方式，它的發展可能會導致各個領域的重大進步。

關鍵詞：集成光學、光學芯片

<本系列完>

附：DARPA簡介

DARPA，全稱Defense Advanced Research Projects Agency，也就是美國國防高級研究計劃局。從歷史起源來看，DARPA是典型美蘇冷戰的產物。蘇聯在1957年率先發射了人類第一顆人造衛星Sputnik 1，正式開啟了太空時代。為了和蘇聯擼起袖子展開競爭，當時的總統艾森豪威爾在1958年2月7日，聯合學術界、工業界和軍方創建了DARPA。承諾從那時起，美國將成為戰略技術意外的發起者，而不是受害者角色。DARPA 一直不辱使命，堅持一項獨特而持久的使命：對美國國家安全的突破性技術進行關鍵投資。DARPA屬于典型的軍民融合機構，所以在DARPA成立的50多年來，投資的項目無數，而且相當多的項目都超出了軍方的需求。比如我們現在熟知的ARPANET（互聯網等等前身）、GPS、自動語音識別和我們前幾期提到的波士頓動力的多足機器人都是DARPA投資的杰作。其實遠不限于此，現代科技的任何一個角落，幾乎都有DARPA的影子。《經濟學人》稱 DARPA 是“塑造了現代世界”的機構。

更詳細介紹請參見：聊聊美國國防高級研究計劃局正在投資的項目(一)