Po prvi put, istraživači su obučili model mašinskog učenja u svemiru, na satelitu. Ovo dostignuće bi moglo da omogući praćenje u realnom vremenu i donošenje odluka za niz aplikacija, od upravljanja katastrofama do krčenja šuma.
Ovaj projekat je sažet u publikaciji „Brzo zaključivanje modela i obuka na satelitima“, dostupnoj na serveru za pre-štampanje arKsiv. Rad je takođe predstavljen na konferenciji Međunarodnog simpozijuma o geonauci i daljinskom detekciji (IGARSS) 21. jula 2023.
Podaci prikupljeni pomoću satelita za daljinsko otkrivanje su fundamentalni za mnoge ključne aktivnosti, uključujući mapiranje iz vazduha, predviđanje vremena i praćenje krčenja šuma. Trenutno, većina satelita može samo pasivno prikupljati podatke, pošto nisu opremljeni za donošenje odluka ili otkrivanje promena. Umesto toga, podaci moraju da se prenesu na Zemlju da bi se obradili, što obično traje nekoliko sati ili čak dana. Ovo ograničava sposobnost identifikovanja i reagovanja na događaje koji se brzo pojavljuju, kao što je prirodna katastrofa.
Da bi prevazišla ova ograničenja, grupa istraživača predvođena DPhil studentom Vitom Ružičkom (Departman za računarske nauke, Univerzitet u Oksfordu), preuzela je izazov da obuči prvi program mašinskog učenja u svemiru.
Tokom 2022. godine, tim je uspešno predstavio svoju ideju misiji Dashing through the Stars, koja je objavila otvoreni poziv za predloge projekata koji će biti sprovedeni na satelitu ION SCV004, lansiranom u januaru 2022. Tokom jeseni 2022. godine, tim uplinkovao kod za program na satelit koji je već u orbiti.
Istraživači su obučili jednostavan model za otkrivanje promena u oblačnosti sa snimaka iz vazduha direktno na satelitu, za razliku od obuke na zemlji. Model je zasnovan na pristupu koji se zove učenje nekoliko snimaka, koji omogućava modelu da nauči najvažnije karakteristike koje treba tražiti kada ima samo nekoliko uzoraka za obuku. Ključna prednost je što se podaci mogu komprimovati u manje reprezentacije, čineći model bržim i efikasnijim.
Vit Ružička je rekao: „Model koji smo razvili, nazvan RaVAEn, prvo kompresuje velike datoteke slika u vektore od 128 brojeva. Tokom faze obuke, model uči da zadrži samo informativne vrednosti u ovom vektoru; one koje se odnose na promenu pokušava da otkrije—u ovom slučaju, da li je oblak prisutan ili ne. Ovo rezultira izuzetno brzom obukom zbog toga što postoji samo veoma mali model klasifikacije za obuku.“
Dok je prvi deo modela, za komprimovanje novovidenih slika, bio obučen na zemlji, drugi deo (koji je odlučivao da li slika sadrži oblake ili ne) je treniran direktno na satelitu.
Obično bi razvoj modela mašinskog učenja zahtevao nekoliko rundi obuke, koristeći snagu klastera povezanih računara. Nasuprot tome, mali model tima završio je fazu obuke (koristeći preko 1300 slika) za oko jednu i po sekundu.
Kada je tim testirao performanse modela na novim podacima, automatski je otkrio da li je oblak prisutan ili ne za otprilike desetinku sekunde. Ovo je uključivalo kodiranje i analizu scene koja je ekvivalentna površini od oko 4,8 k 4,8 km 2 (ekvivalentno skoro 450 fudbalskih terena).
Prema istraživačima, model bi se lako mogao prilagoditi za obavljanje različitih zadataka, kao i za korišćenje drugih oblika podataka. Vit Ružička je dodao: „Nakon što smo postigli ovu demonstraciju, sada nameravamo da razvijemo naprednije modele koji mogu automatski da razlikuju promene od interesa (na primer, poplave, požari i krčenje šuma) i prirodne promene (kao što su prirodne promene u boji listova tokom godišnjih doba). ).“
„Drugi cilj je da se razviju modeli za složenije podatke, uključujući slike sa hiperspektralnih satelita. Ovo bi moglo omogućiti, na primer, otkrivanje curenja metana i imalo bi ključne implikacije za borbu protiv klimatskih promena.“
Izvođenje mašinskog učenja u svemiru takođe može pomoći u prevazilaženju problema satelitskih senzora na brodu na koje utiču teški uslovi životne sredine, tako da zahtevaju redovnu kalibraciju.
Vit Ružička je rekao: „Naš predloženi sistem bi mogao da se koristi u konstelacijama nehomogenih satelita, gde se pouzdane informacije sa jednog satelita mogu primeniti za obuku ostatka sazvežđa. Ovo bi se moglo koristiti, na primer, za rekalibraciju senzora koji su degradirali tokom vremena ili doživeo brze promene u okruženju“.
