ION SCV004 palydovas, kuriame buvo vykdomi mašininio mokymosi modeliai. Paveikslėlyje pavaizduotas palydovas, išleidžiantis CubeSats (mažus palydovus) į kosmosą. Kreditas: D-Orbit Pirmą kartą mokslininkai apmokė mašininio mokymosi modelį kosmose, palydove. Šis pasiekimas galėtų padėti stebėti realiu laiku ir priimti sprendimus įvairioms programoms, nuo nelaimių valdymo iki miškų naikinimo.
Šis projektas buvo apibendrintas leidinyje „Greitos modelio išvados ir palydovų mokymas“, kurį galima rasti išankstinio spausdinimo serveryje. arXiv. Darbas taip pat pristatytas 2023 m. liepos 21 d. Tarptautiniame geomokslų ir nuotolinio stebėjimo simpoziumo (IGARSS) konferencijoje.
Nuotolinio stebėjimo palydovų surinkti duomenys yra labai svarbūs daugeliui pagrindinių veiklų, įskaitant žemėlapių sudarymą iš oro, orų prognozes ir miškų naikinimo stebėjimą. Šiuo metu dauguma palydovų gali tik pasyviai rinkti duomenis, nes jie nėra pasirengę priimti sprendimus ar aptikti pakeitimus. Vietoj to, duomenys turi būti perduoti į Žemę, kad būtų galima apdoroti, o tai paprastai trunka kelias valandas ar net dienas. Tai riboja galimybę identifikuoti ir reaguoti į greitai kylančius įvykius, pavyzdžiui, stichinę nelaimę.
Siekdama įveikti šiuos apribojimus, tyrėjų grupė, vadovaujama DPhil studento Vito Růžičkos (Oksfordo universiteto Kompiuterių mokslų katedra), ėmėsi iššūkio parengti pirmąją mašininio mokymosi programą kosmose.
2022 m. komanda sėkmingai pristatė savo idėją misijai „Dashing through the Stars“, kuri paskelbė atvirą kvietimą teikti projektų paraiškas 2022 m. sausį paleistame palydove ION SCV004. 2022 m. rudenį komanda perkėlė programos kodą į orbitoje jau esantį palydovą.
Tyrėjai išmokė paprastą modelį, skirtą aptikti debesų dangos pokyčius iš oro vaizdų tiesiai ant palydovo, priešingai nei treniruojantis ant žemės. Modelis buvo pagrįstas metodu, vadinamu kelių kadrų mokymusi, kuris leidžia modeliui išmokti svarbiausias ypatybes, kurių reikia ieškoti, kai turi tik kelis pavyzdžius. Pagrindinis pranašumas yra tas, kad duomenis galima suspausti į mažesnes reprezentacijas, todėl modelis tampa greitesnis ir efektyvesnis.
Vítas Růžička sakė: „Mūsų sukurtas modelis, vadinamas RaVAEn, pirmiausia suspaudžia didelius vaizdo failus į 128 skaičių vektorius. Mokymo fazės metu modelis išmoksta šiame vektoriuje laikyti tik informacines reikšmes; tas, kurios yra susijusios su pasikeitimu. ji bando aptikti – šiuo atveju, ar yra debesis, ar ne. Dėl to treniruotės vyksta itin greitai, nes reikia treniruoti tik labai mažą klasifikavimo modelį.
Nors pirmoji modelio dalis, skirta suspausti naujai matytus vaizdus, buvo treniruojama ant žemės, antroji dalis (kuri sprendė, ar vaizde yra debesų, ar ne) buvo treniruojama tiesiai ant palydovo.
Paprastai norint sukurti mašininio mokymosi modelį, reikia kelių mokymo etapų, naudojant susietų kompiuterių klasterio galią. Priešingai, mažasis komandos modelis mokymo etapą (naudojant daugiau nei 1300 vaizdų) baigė maždaug per pusantros sekundės.
Kai komanda išbandė modelio veikimą naujais duomenimis, maždaug per dešimtąją sekundės dalį ji automatiškai nustatė, ar debesis yra, ar ne. Tai apėmė scenos, atitinkančios maždaug 4,8 x 4,8 km plotą, kodavimą ir analizę2 ploto (atitinka beveik 450 futbolo aikščių).
Pasak mokslininkų, modelis gali būti lengvai pritaikytas įvairioms užduotims atlikti ir naudoti kitų formų duomenis. Vítas Růžička pridūrė: „Pasiekę šį demonstravimą, dabar ketiname sukurti pažangesnius modelius, kurie galėtų automatiškai atskirti dominančius pokyčius (pvz., potvynius, gaisrus ir miškų naikinimą) ir natūralius pokyčius (pvz., natūralius lapų spalvos pokyčius įvairiais sezonais). ).”
„Kitas tikslas yra sukurti sudėtingesnių duomenų modelius, įskaitant vaizdus iš hiperspektrinių palydovų. Tai leistų, pavyzdžiui, aptikti metano nuotėkį ir turėtų esminių pasekmių kovojant su klimato kaita.”
Mašininio mokymosi atlikimas kosmose taip pat galėtų padėti išspręsti sudėtingų aplinkos sąlygų paveiktų palydovinių jutiklių problemą, todėl juos reikia reguliariai kalibruoti.
Vitas Růžička sakė: „Mūsų siūloma sistema galėtų būti naudojama nehomogeninių palydovų žvaigždynuose, kur patikima vieno palydovo informacija gali būti naudojama likusiai žvaigždyno daliai apmokyti. Tai galėtų būti naudojama, pavyzdžiui, sugedusiems jutikliams iš naujo kalibruoti. laikui bėgant arba patyrė greitus aplinkos pokyčius“.
Daugiau informacijos: Vít Růžička ir kt., Greita modelio išvada ir mokymas palydovuose, arXiv (2023). DOI: 10.48550/arxiv.2307.08700
Žurnalo informacija: arXiv
Citata: tyrėjai pirmą kartą sėkmingai apmokė mašininio mokymosi modelį kosmose (2023 m. liepos 28 d.), gautą 2023 m. liepos 30 d. iš https://techxplore.com/news/2023-07-succesfully-machine-outer-space.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
