Дослідники вперше провели тренування моделі машинного навчання в космосі

Вперше в рамках проекту під керівництвом Оксфордського університету модель машинного навчання була натренована в космосі, на борту супутника. Це досягнення може революціонізувати можливості супутників дистанційного зондування, уможлививши моніторинг і прийняття рішень в реальному часі для цілого ряду застосувань.

Дані, зібрані супутниками дистанційного зондування, мають фундаментальне значення для багатьох важливих видів діяльності, в тому числі для аерофотозйомки, прогнозування погоди і моніторингу вирубки лісів. Наразі більшість супутників можуть лише пасивно збирати дані, оскільки вони не обладнані для прийняття рішень чи виявлення змін. Замість цього дані повинні передаватися на Землю для обробки, що зазвичай займає кілька годин або навіть днів. Це обмежує здатність виявляти і реагувати на швидкоплинні події, такі як стихійні лиха.

Щоб подолати ці обмеження, група дослідників на чолі з докторантом Вітом Ружичкою (факультет комп’ютерних наук Оксфордського університету) взялася за підготовку першої програми машинного навчання в космосі. У 2022 році команда успішно представила свою ідею місії Dashing through the Stars, яка оголосила відкритий конкурс проектних пропозицій для реалізації на борту супутника ION SCV004, що був запущений у січні 2022 року. Восени 2022 року команда завантажила код програми на супутник, який вже перебував на орбіті.

Дослідники навчили просту модель виявляти зміни в хмарному покриві за аерофотознімками безпосередньо на борту супутника, а не тренували її на землі. Модель була заснована на підході, який називається “навчання з кількох пострілів”, що дозволяє моделі вивчити найважливіші ознаки, коли вона має лише кілька зразків для тренування. Ключова перевага полягає в тому, що дані можуть бути стиснуті в менші представлення, що робить модель швидшою та ефективнішою.

Віт Ружичка пояснює: “Модель, яку ми розробили під назвою RaVAEn, спочатку стискає великі файли зображень у вектори по 128 чисел. На етапі навчання модель вчиться зберігати в цьому векторі лише інформативні значення, тобто ті, що стосуються змін, які вона намагається виявити (в даному випадку – наявність чи відсутність хмари). Це призводить до надзвичайно швидкого навчання, оскільки навчається лише дуже маленька класифікаційна модель.”

У той час як перша частина моделі, яка стискає щойно побачені зображення, тренувалася на землі, друга частина (яка вирішує, чи є на зображенні хмари чи ні) тренувалася безпосередньо на супутнику.

Зазвичай розробка моделі машинного навчання зайняла б кілька раундів навчання, використовуючи потужність кластера з’єднаних між собою комп’ютерів. Однак крихітна модель команди завершила етап навчання (використовуючи понад 1300 зображень) приблизно за півтори секунди.

Коли команда протестувала роботу моделі на нових даних, вона автоматично визначила наявність хмари приблизно за десяту долю секунди. Для цього було закодовано та проаналізовано сцену площею приблизно 4,8 х 4,8 км2 (що еквівалентно майже 450 футбольним полям).

За словами дослідників, модель можна легко адаптувати для виконання інших завдань і використання інших типів даних.

Віт Ружичка додав: “Після цієї демонстрації ми маємо намір розробити більш досконалі моделі, які зможуть автоматично розрізняти зміни, що становлять інтерес (такі як повені, пожежі та вирубка лісів), та природні зміни (наприклад, природні зміни кольору листя протягом сезонів). Іншою метою є розробка моделей для більш складних даних, включаючи зображення з гіперспектральних супутників. Це може, наприклад, дозволити виявляти витоки метану, що матиме важливе значення для боротьби зі зміною клімату.”

Машинне навчання в космосі також може допомогти подолати проблему, пов’язану з тим, що на бортові датчики супутників впливають суворі умови навколишнього середовища, і вони потребують регулярного калібрування.

Віт Ружичка сказав: “Запропонована нами система може бути використана в угрупованнях неоднорідних супутників, де надійна інформація з одного супутника може бути використана для навчання решти супутників угруповання. Це може бути використано, наприклад, для перекалібрування датчиків, які з часом деградували або зазнали швидких змін у навколишньому середовищі.”

Професор Ендрю Маркхем, який керував докторською дисертацією Віта, сказав: “Машинне навчання має величезний потенціал для покращення дистанційного зондування – здатність вкладати якомога більше інтелекту в супутники зробить космічне зондування все більш автономним. Це допоможе подолати проблеми, пов’язані із затримками між отриманням даних і діями, дозволяючи супутнику вчитися на основі даних, що знаходяться на його борту. Робота Віта є цікавим доказом цього принципу.”