Исследователи впервые успешно обучили модель машинного обучения в открытом космосе
Впервые в истории ученые обучили модель машинного обучения в открытом космосе, на борту спутника. Это достижение может революционизировать возможности дистанционного зондирования Земли, позволяя проводить мониторинг и принимать решения в режиме реального времени для различных целей.
Данные, собранные спутниками дистанционного зондирования, имеют ключевое значение для многих важных задач, включая аэрофотосъемку, прогнозирование погоды и контроль за вырубкой лесов.
В настоящее время большинство спутников могут только пассивно собирать данные, поскольку они не оборудованы для принятия решений или обнаружения изменений. Вместо этого данные должны передаваться на Землю для обработки, что обычно занимает несколько часов или даже дней. Это ограничивает возможность выявления и реагирования на быстро возникающие события, такие как стихийное бедствие.
Чтобы преодолеть эти ограничения, группа исследователей во главе с аспирантом Витом Ружичкой (отделение информатики Университета Оксфорда) взяла на себя вызов обучить первую программу машинного обучения в открытом космосе. В течение 2022 года команда успешно представила свою идею для миссии «Dashing through the Stars», объявившей открытый конкурс проектных предложений, для осуществления на борту спутника ION SCV004, запущенного в январе 2022 года.
Осенью 2022 года команда передала код программы на спутник, уже находящийся на орбите. Исследователи обучили простую модель обнаруживать изменения облачности по аэроснимкам непосредственно на борту спутника, в отличие от обучения на земле. Модель основывалась на подходе, называемом обучением с небольшим количеством примеров (few-shot learning), позволяющим модели учиться самым важным признакам, на которые нужно обращать внимание, когда у нее есть только несколько образцов для обучения. Основным преимуществом является то, что данные можно сжать в более маленькие представления, делая модель быстрее и эффективнее.
— Вит Ружичка.
Хотя первая часть модели, сжимающая новые изображения, была обучена на земле, вторая часть (которая решала, содержит ли изображение облака или нет) была обучена непосредственно на спутнике.
Обученная модель успешно обнаруживала облачность на спутниковых снимках примерно за десятую часть секунды. Модель способна легко адаптироваться для автоматизации принятия решений для различных целей, от управления в чрезвычайных ситуациях до вырубки лесов. Это открывает новые горизонты для развития спутников дистанционного зондирования Земли и повышения их полезности для человечества.
Данные, собранные спутниками дистанционного зондирования, имеют ключевое значение для многих важных задач, включая аэрофотосъемку, прогнозирование погоды и контроль за вырубкой лесов.
В настоящее время большинство спутников могут только пассивно собирать данные, поскольку они не оборудованы для принятия решений или обнаружения изменений. Вместо этого данные должны передаваться на Землю для обработки, что обычно занимает несколько часов или даже дней. Это ограничивает возможность выявления и реагирования на быстро возникающие события, такие как стихийное бедствие.
Чтобы преодолеть эти ограничения, группа исследователей во главе с аспирантом Витом Ружичкой (отделение информатики Университета Оксфорда) взяла на себя вызов обучить первую программу машинного обучения в открытом космосе. В течение 2022 года команда успешно представила свою идею для миссии «Dashing through the Stars», объявившей открытый конкурс проектных предложений, для осуществления на борту спутника ION SCV004, запущенного в январе 2022 года.
Осенью 2022 года команда передала код программы на спутник, уже находящийся на орбите. Исследователи обучили простую модель обнаруживать изменения облачности по аэроснимкам непосредственно на борту спутника, в отличие от обучения на земле. Модель основывалась на подходе, называемом обучением с небольшим количеством примеров (few-shot learning), позволяющим модели учиться самым важным признакам, на которые нужно обращать внимание, когда у нее есть только несколько образцов для обучения. Основным преимуществом является то, что данные можно сжать в более маленькие представления, делая модель быстрее и эффективнее.
Модель, которую мы разработали, называется RaVAEn. Сначала она сжимает большие файлы изображений в векторы из 128 чисел. Во время фазы обучения модель учится сохранять только информативные значения в этом векторе; те, связанные с изменением, которое она пытается обнаружить (в данном случае — есть ли облако или нет). Это приводит к чрезвычайно быстрому обучению за счет того, что нам требуется обучить только очень маленькую классификационную модель
— Вит Ружичка.
Хотя первая часть модели, сжимающая новые изображения, была обучена на земле, вторая часть (которая решала, содержит ли изображение облака или нет) была обучена непосредственно на спутнике.
Обученная модель успешно обнаруживала облачность на спутниковых снимках примерно за десятую часть секунды. Модель способна легко адаптироваться для автоматизации принятия решений для различных целей, от управления в чрезвычайных ситуациях до вырубки лесов. Это открывает новые горизонты для развития спутников дистанционного зондирования Земли и повышения их полезности для человечества.
Наши новостные каналы
Подписывайтесь и будьте в курсе свежих новостей и важнейших событиях дня.
Рекомендуем для вас
Возможно, целлофановые пчелы — спасение человечества: они миллионы лет делают то, что нужно нам как воздух
Поразительно, но удивительный продукт ученые нашли почти полвека назад, но почему-то до последнего времени не обращали на него внимания...
Тайна скифской ДНК: что поразило российских ученых, когда они заглянули в геном легендарных кочевников древности
Оказалось, что 2500 лет подряд историки ошибались в происхождении этого народа. Теории и учебники придется серьезно переписать...
Новый рецепт апокалипсиса: даже небольшая ядерная боеголовка на орбите гарантировано выведет из игры 99% аппаратов за считаные дни
Однако самое опасное, по словам ученых, начнется позже. Почему космос будет фактически закрыт?...
Ненужный рай: 1500-километровое путешествие показало, почему древние люди обходили стороной Зеленую Аравию
Выяснилось, что питьевая вода еще не делает местность пригодной для жилья. Племенам из древности требовалось еще кое-что необходимое...
Назад в будущее: в России вернут проводное радио. Зачем? Почему спорят эксперты?
В технологию уже вложено более миллиарда рублей, а МЧС называет проводное радио лучшим способом оповещения на сегодня...
Древние майя настолько любили красный цвет, что в итоге эта страсть, возможно, стала одной из причин гибели цивилизации
Ученые нашли доказательства, как яркая краска способствовала краху великой империи...
Авиация в США наконец-то уходит… с дискет: почему так поздно и как с этим обстоят дела в России?
Американцы потратили на выход из 90-х чудовищные суммы, но далеко не факт, что все заработает в срок и как надо...
Настоящий Ковчег Завета, возможно, спрятан в Эфиопии: почему его может видеть только один человек?
Этой истории 3000 лет, но она до сих пор далека от своего завершения...
Загадочный астероид неожиданно ускорился: у астрофизиков заканчиваются объяснения и гипотезы
Пожалуй, это самый интересный космический детектив за последнее время, и пока он далек до финала...
Наша Вселенная скреплена невидимым галактическим клеем: и без него нас бы не было
По словам ученых, «склеивание» произошло уже в первые секунды существования мироздания...
Парадокс Древнего Перу: жили мирно, но при этом приносили массовые и жестокие человеческие жертвы. Почему?
Ученый рассказал, какую роль в истории сыграл Эль-Ниньо и почему ритуальные убийства совершали «без гнева и конфликта»...
Усиленно боролись за чистоту, но просчитались: как роковая ошибка властей поставила под угрозу целый средневековый город
Норвежский Тронхейм был самым чистым в Европе, однако руководству города этого показалось мало. Хотели как лучше, а получилось как всегда...
В России создана революционная упаковка: молоко будет свежим целый месяц
Разбираемся: не испортился ли вкус продукта и когда ожидать чудо-пачки в продаже...
Выход на новый уровень: почему Россия возрождает проводное радио, а Китай давно прокачал этот вид связи
У старой технологии обнаружился огромный потенциал, который поможет миллионам людей...