Как исследователи обучают модель машинного обучения в космосе на спутнике

В рамках прорывного развития группа исследователей под руководством студента DPhil Вита Ружицы из Департамента компьютерных наук Оксфордского университета успешно обучила модель машинного обучения в космосе. Это достижение произошло на борту спутника ION SCV004, запущенного в январе 2022 года в рамках миссии Dashing through the Stars. Инновация команды, названная RaVAEn, использовала подход обучения с малым количеством примеров (few-shot learning) и могла обеспечить возможности мониторинга и принятия решений в реальном времени для спутников дистанционного зондирования. Значение этого прорыва велико, потенциально трансформируя такие приложения, как аэрофотосъемка, прогноз погоды и мониторинг вырубки лесов.

Проблемы традиционного сбора данных со спутников

В настоящее время большинство спутников дистанционного зондирования ограничены пассивным сбором данных и не имеют возможности принимать решения или обнаруживать изменения. Следовательно, данные необходимо передавать на Землю для обработки, что приводит к значительным задержкам от нескольких часов до дней. Это ограничение затрудняет возможность оперативно реагировать на быстро возникающие события, такие как стихийные бедствия, которые требуют быстрых действий для эффективного управления.

Идея и миссия

Стремление команды преодолеть эти ограничения привело их к идее обучения модели машинного обучения непосредственно на борту спутника. Их предложение было принято в рамках миссии Dashing through the Stars, предоставив им возможность экспериментировать со спутником ION SCV004 в космосе. Осенью 2022 года команда загрузила код модели RaVAEn на спутник, ознаменовав начало их необычного предприятия.

Обучение модели машинного обучения в космосе

Исследователи обучили простую, но мощную модель для обнаружения изменений в облачности по аэрофотоснимкам непосредственно на самом спутнике, отклонившись от традиционного подхода к обучению моделей на земле. Модель основывалась на обучении с малым количеством примеров, позволяя ей выявлять ключевые особенности при минимальном количестве обучающих выборок. Способность сжимать данные в более компактные представления сделала модель RaVAEn быстрее и эффективнее.

Вит Ружица объяснил процесс: RaVAEn сжимает большие файлы изображений в векторы из 128 чисел в фазе обучения. Модель учится сохранять только информативные значения в этом векторе, в частности те, которые связаны с изменением, которое она пытается обнаружить, например, наличие облаков. Этот оптимизированный подход привел кremarkably быстрому времени обучения, что является ключевым преимуществом в контексте космических миссий.

Непревзойденная скорость и производительность

В то время как типичной модели машинного обучения потребовалось бы несколько раундов обучения с использованием кластера связанных компьютеров, модель RaVAEn выполнила фазу обучения, используя более 1300 изображений всего за полторы секунды. Производительность модели также была впечатляющей при тестировании на новых данных: она могла автоматически обнаруживать наличие облаков примерно за десятую долю секунды для площади, эквивалентной примерно 4,8×4,8 км².

Универсальность и будущие применения

Одним из самых многообещающих аспектов модели RaVAEn является ее способность адаптироваться к различным задачам и типам данных. Исследователи считают, что модель можно настроить для различения изменений, представляющих интерес, таких как наводнения, пожары и вырубка лесов, и естественных изменений, таких как сезонные изменения цвета листьев. Кроме того, потенциальная возможность расширения модели для обработки более сложных данных, включая гиперспектральные спутниковые изображения, открывает ключ к обнаружению критических явлений, таких как утечки метана, что является важной способностью в борьбе с изменением климата.

Решение проблем калибровки датчиков

Помимо возможностей мониторинга в реальном времени, выполнение машинного обучения на спутниках в космосе может предложить решения проблемы калибровки датчиков в суровых условиях окружающей среды. Предложенная система может использоваться в созвездиях неоднородных спутников, где надежная информация от одного спутника может применяться для обучения других. Эта функция поможет в повторной калибровке датчиков, которые деградировали со временем или испытали быстрые изменения в своей рабочей среде.

Точка зрения профессора Эндрю Маркхема

Профессор Эндрю Маркхем, курировавший исследование Вита Ружицы по программе DPhil, подчеркнул огромный потенциал машинного обучения для дистанционного зондирования. Обеспечивая все большую автономность космического зондирования, можно преодолеть присущие задержки между сбором данных и действием, позволяя спутникам учиться на данных на борту и принимать более обоснованные и своевременные решения. Прорывная работа Вита служит убедительным доказательством принципа, прокладывая путь для захватывающих будущих достижений в этой области.

Успешное обучение модели машинного обучения на спутнике в космосе представляет собой замечательное достижение в области дистанционного зондирования. Под руководством Оксфордского университета прорывной проект исследователей RaVAEn имеет потенциал революционизировать возможности спутников дистанционного зондирования, обеспечивая мониторинг и принятие решений в реальном времени для широкого спектра приложений. Благодаря способности автономно обнаруживать изменения и анализировать сложные данные, эта инновация обещает трансформировать то, как мы наблюдаем, реагируем и управляем нашей планетой, в конечном итоге способствуя более устойчивому и эффективному будущему.