Comment les chercheurs entraînent un modèle d’apprentissage automatique dans l’espace sur un satellite

Dans un développement révolutionnaire, un groupe de chercheurs dirigé par l’étudiant en doctorat Vít Růžička du département de science informatique de l’Université d’Oxford a réussi à entraîner un modèle d’apprentissage automatique dans l’espace. Cette réalisation historique a eu lieu à bord du satellite ION SCV004, lancé en janvier 2022, dans le cadre de la mission Dashing through the Stars. L’innovation de l’équipe, nommée RaVAEn, a utilisé une approche d’apprentissage en quelques exemples (few-shot learning) et pourrait permettre des capacités de surveillance et de prise de décision en temps réel pour les satellites d’observation de la Terre. Les implications de cette avancée sont significatives, transformant potentiellement des applications telles que la cartographie aérienne, la prévision météorologique et la surveillance de la déforestation.

Défis de la collecte traditionnelle de données satellitaires

Actuellement, la plupart des satellites d’observation de la Terre se limitent à collecter passivement des données et manquent de la capacité de prendre des décisions ou de détecter des changements. Par conséquent, les données doivent être transmises à la Terre pour traitement, ce qui entraîne des délais substantiels allant de plusieurs heures à plusieurs jours. Cette limitation entrave la capacité de répondre rapidement à des événements émergents rapidement, tels que les catastrophes naturelles, qui nécessitent une action rapide pour une gestion efficace.

L’idée et la mission

L’ambition de l’équipe de surmonter ces restrictions les a amenés à proposer l’idée d’entraîner un modèle d’apprentissage automatique directement à bord d’un satellite. Leur proposition a été acceptée dans le cadre de la mission Dashing through the Stars, leur offrant l’opportunité d’expérimenter avec le satellite ION SCV004 dans l’espace. À l’automne 2022, l’équipe a téléversé le code du modèle RaVAEn vers le satellite, marquant le début de leur entreprise extraordinaire.

Entraînement du modèle d’apprentissage automatique dans l’espace

Les chercheurs ont entraîné un modèle simple mais puissant pour détecter les changements dans la couverture nuageuse à partir d’images aériennes directement sur le satellite lui-même, s’écartant de l’approche traditionnelle qui consiste à entraîner les modèles au sol. Le modèle était basé sur l’apprentissage en quelques exemples, lui permettant de discerner les caractéristiques critiques avec un minimum d’échantillons d’entraînement. La capacité de compresser les données en représentations plus petites a rendu le modèle RaVAEn plus rapide et plus efficace.

Vít Růžička a expliqué le processus : RaVAEn compresse les grands fichiers image en vecteurs de 128 nombres pendant la phase d’entraînement. Le modèle apprend à ne conserver que les valeurs informatives dans ce vecteur, spécifiquement celles liées au changement qu’il tente de détecter, comme la présence de nuages. Cette approche rationalisée a résulté en des temps d’entraînement remarquablement rapides, un avantage clé dans le contexte des missions spatiales.

Vitesse et performance sans précédent

Tandis qu’un modèle d’apprentissage automatique typique nécessiterait plusieurs tours d’entraînement en utilisant un cluster d’ordinateurs liés, le modèle RaVAEn a accompli sa phase d’entraînement en utilisant plus de 1300 images en seulement environ une seconde et demie. Les performances du modèle étaient tout aussi impressionnantes lorsqu’il a été testé sur des données nouvelles, avec la capacité de détecter automatiquement la présence de nuages en environ un dixième de seconde pour une zone équivalente à environ 4,8×4,8 km2.

Polyvalence et applications futures

L’un des aspects les plus prometteurs du modèle RaVAEn est son adaptabilité à diverses tâches et types de données. Les chercheurs estiment que le modèle pourrait être personnalisé pour différencier les changements d’intérêt, tels que les inondations, les incendies et la déforestation, et les changements naturels, comme les variations saisonnières de la couleur des feuilles. De plus, le potentiel d’expansion du modèle pour gérer des données plus complexes, y compris les images satellites hyperspectrales, détient la clé pour détecter des phénomènes critiques tels que les fuites de méthane, une capacité essentielle dans la lutte contre le changement climatique.

Aborder les défis de l’étalonnage des capteurs

En plus de ses capacités de surveillance en temps réel, l’exécution d’apprentissage automatique sur des satellites dans l’espace pourrait offrir des solutions au problème de l’étalonnage des capteurs dans des conditions environnementales difficiles. Le système proposé pourrait être utilisé dans des constellations de satellites non homogènes, où des informations fiables provenant d’un satellite peuvent être appliquées pour entraîner les autres. Cette caractéristique aiderait à recalibrer les capteurs qui se sont dégradés au fil du temps ou qui ont subi des changements rapides dans leur environnement de fonctionnement.

La perspective du professeur Andrew Markham

Le professeur Andrew Markham, qui a supervisé la recherche de doctorat de Vít Růžička, a souligné l’énorme potentiel de l’apprentissage automatique pour l’observation de la Terre. En permettant à la télédétection spatiale de devenir de plus en plus autonome, les délais inhérents entre l’acquisition des données et l’action pourraient être surmontés, permettant aux satellites d’apprendre à partir des données à bord et de prendre des décisions plus éclairées et opportunes. Le travail révolutionnaire de Vít sert de preuve de principe convaincante, ouvrant la voie à des avancées passionnantes à l’avenir dans ce domaine.

L’entraînement réussi d’un modèle d’apprentissage automatique sur un satellite dans l’espace représente une réalisation remarquable dans le domaine de la télédétection. Dirigée par l’Université d’Oxford, le projet révolutionnaire des chercheurs, RaVAEn, a le potentiel de révolutionner les capacités des satellites d’observation de la Terre en permettant une surveillance et une prise de décision en temps réel pour une large gamme d’applications. Avec la capacité de détecter automatiquement les changements et d’analyser des données complexes, cette innovation promet de transformer la façon dont nous observons, répondons et gérons notre planète, contribuant in fine à un avenir plus durable et efficace.