كيف يدرب الباحثون نموذج التعلم الآلي في الفضاء الخارجي على قمر صناعي

في تطور رائد، نجح فريق من الباحثين بقيادة الطالب الدكتور فيت روزيتشكا من قسم علوم الحاسب في جامعة أكسفورد في تدريب نموذج للتعلم الآلي في الفضاء الخارجي. وقد حدث هذا الإنجاز التاريخي على متن القمر الصناعي ION SCV004، الذي أُطلق في يناير 2022، كجزء من مهمة "Dashing through the Stars". واستخدمت ابتكار الفريق، المسمى RaVAEn، نهج التعلم بأمثلة قليلة (Few-shot learning)، مما يمكن الأقمار الصناعية للاستشعار عن بعد من تمكين المراقبة واتخاذ القرارات في الوقت الفعلي. وتتمثل الآثار المترتبة على هذا الاختراق في أهميته البالغة، حيث قد يحول دون تطبيقات مثل رسم الخرائط الجوية، والتنبؤ بالطقس، ومراقبة إزالة الغابات.

التحديات في جمع البيانات التقليدية عبر الأقمار الصناعية

حالياً، تقتصر معظم أقمار الاستشعار عن بعد على جمع البيانات بشكل سلبي وتفتقر إلى القدرة على اتخاذ القرارات أو اكتشاف التغيرات. ونتيجة لذلك، يجب نقل البيانات إلى الأرض لمعالجتها، مما يؤدي إلى تأخيرات كبيرة تتراوح بين عدة ساعات وأيام. ويعيق هذا القصور القدرة على الاستجابة الفورية للأحداث سريعة الظهور، مثل الكوارث الطبيعية، التي تتطلب إجراءات سريعة للإدارة الفعالة.

الفكرة والمهمة

قاد طموح الفريق للتغلب على هذه القيود إلى اقتراح فكرة تدريب نموذج للتعلم الآلي مباشرة على متن قمر صناعي. وقُبل اقتراحهم كجزء من مهمة "Dashing through the Stars"، مما منحهم الفرصة لتجربة القمر الصناعي ION SCV004 في الفضاء الخارجي. في خريف عام 2022، قام الفريق بإرسال كود نموذج RaVAEn إلى القمر الصناعي، مما وضع علامة البداية لمهمتهم الاستثنائية.

تدريب نموذج التعلم الآلي في الفضاء الخارجي

قام الباحثون بتدريب نموذج بسيط لكنه قوي للكشف عن التغيرات في الغطاء السحابي من الصور الجوية مباشرة على القمر الصناعي نفسه، متباعدين عن النهج التقليدي لتدريب النماذج على الأرض. واستند النموذج إلى التعلم بأمثلة قليلة، مما مكنه من تمييز السمات الحرجة بأقل عدد ممكن من عينات التدريب. وقد جعلت القدرة على ضغط البيانات إلى تمثيلات أصغر نموذج RaVAEn أسرع وأكثر كفاءة.

شرح فيت روزيتشكا العملية: يقوم RaVAEn بضغط ملفات الصور الكبيرة إلى متجهات مكونة من 128 رقماً أثناء مرحلة التدريب. يتعلم النموذج الاحتفاظ بالقيم المعلوماتية فقط في هذا المتجه، وتحديداً تلك المتعلقة بالتغير الذي يحاول اكتشافه، مثل وجود السحب. وقد أدى هذا النهج المبسط إلى أوقات تدريب سريعة بشكل ملحوظ، وهو ميزة رئيسية في سياق مهام الفضاء.

سرعة وأداء غير مسبوقين

بينما يتطلب نموذج التعلم الآلي النموذجي جولات متعددة من التدريب باستخدام مجموعة من الحواسيب المتصلة، أنجز نموذج RaVAEn مرحلة تدريبه باستخدام أكثر من 1300 صورة في حوالي ثانية ونصف فقط. وكان أداء النموذج مثيراً للإعجاب أيضاً عند اختباره على بيانات جديدة، حيث كان قادراً على اكتشاف وجود السحب تلقائياً في حوالي عُشر الثانية لمنطقة تعادل حوالي 4.8×4.8 كم².

المرونة والتطبيقات المستقبلية

أحد أكثر جوانب نموذج RaVAEn وعداً هو تكيفه مع المهام وأنواع البيانات المتنوعة. يعتقد الباحثون أن النموذج يمكن تخصيصه للتمييز بين التغيرات ذات الاهتمام، مثل الفيضانات والحرائق وإزالة الغابات، والتغيرات الطبيعية، مثل التغيرات الموسمية في لون الأوراق. علاوة على ذلك، فإن الإمكانات التوسعية للنموذج للتعامل مع بيانات أكثر تعقيداً، بما في ذلك صور الأقمار الصناعية فائقة الطيف، تحمل مفتاح اكتشاف الظواهر الحرجة مثل تسرب الميثان، وهي قدرة أساسية في مكافحة تغير المناخ.

معالجة تحديات معايرة المستشعرات

إضافة إلى قدراته في المراقبة في الوقت الفعلي، يمكن أن يوفر إجراء التعلم الآلي على الأقمار الصناعية في الفضاء الخارجي حلولاً لمشكلة معايرة المستشعرات في الظروف البيئية القاسية. يمكن استخدام النظام المقترح في مجموعات من الأقمار الصناعية غير المتجانسة، حيث يمكن تطبيق المعلومات الموثوقة من قمر صناعي واحد لتدريب الآخرين. سيساعد هذا الميزة في إعادة معايرة المستشعرات التي تدهورت مع مرور الوقت أو التي شهدت تغيرات سريعة في بيئتها التشغيلية.

رؤية البروفيسور أندرو ماركهام

أكد البروفيسور أندرو ماركهام، الذي أشرف على بحث فيت روزيتشكا للدكتوراه، على الإمكانات الهائلة للتعلم الآلي في مجال الاستشعار عن بعد. ومن خلال تمكين الاستشعار الفضائي من أن يصبح أكثر استقلالية، يمكن التغلب على التأخيرات الكامنة بين جمع البيانات واتخاذ الإجراءات، مما يسمح للأقمار الصناعية بالتعلم من البيانات على متنها واتخاذ قرارات أكثر استنارة وفي الوقت المناسب. ويعمل العمل الرائد لفيت كدليل مقنع على صحة المبدأ، ممهداً الطريق لتقدمات مثيرة في المستقبل في هذا المجال.

يمثل التدريب الناجح لنموذج للتعلم الآلي على قمر صناعي في الفضاء الخارجي إنجازاً ملحوظاً في مجال الاستشعار عن بعد. وقد قاد الباحثون من جامعة أكسفورد مشروعهم الرائد، RaVAEn، الذي لديه القدرة على إحداث ثورة في قدرات أقمار الاستشعار عن بعد من خلال تمكين المراقبة واتخاذ القرارات في الوقت الفعلي لمجموعة واسعة من التطبيقات. ومع القدرة على اكتشاف التغيرات وتحليل البيانات المعقدة بشكل مستقل، يحمل هذا الابتكار آمالاً كبيرة في تحويل طريقة مراقبتنا لكوكبنا، والاستجابة له، وإدارته، مما يسهم في النهاية في مستقبل أكثر استدامة وكفاءة.