นับเป็นครั้งแรกที่นักวิจัยได้ฝึกโมเดลแมชชีนเลิร์นนิงในอวกาศบนดาวเทียม ความสำเร็จนี้จะช่วยให้สามารถติดตามและตัดสินใจได้แบบเรียลไทม์สำหรับการใช้งานต่างๆ ตั้งแต่การจัดการภัยพิบัติไปจนถึงการตัดไม้ทำลายป่า
For the first time, researchers have trained a machine learning model in outer space, on board a satellite. This achievement could enable real-time monitoring and decision making for a range of applications, from disaster management to deforestation.
นักวิจัยประสบความสำเร็จในการฝึกโมเดลแมชชีนเลิร์นนิงในอวกาศเป็นครั้งแรก
นับเป็นครั้งแรกที่นักวิจัยได้ฝึกโมเดลแมชชีนเลิร์นนิงในอวกาศบนดาวเทียม ความสำเร็จนี้จะช่วยให้สามารถติดตามและตัดสินใจได้แบบเรียลไทม์สำหรับการใช้งานต่างๆ ตั้งแต่การจัดการภัยพิบัติไปจนถึงการตัดไม้ทำลายป่า
โครงการนี้ได้รับการสรุปในเอกสารเผยแพร่ “Fast model inference and training on-board of Satellites,” ซึ่งมีอยู่บนเซิร์ฟเวอร์ผลงานวิจัยก่อนตีพิมพ์ arXiv ผลงานนี้ได้ถูกนำเสนอในการประชุม International Geoscience and Remote Sensing Symposium (IGARSS) ในวันที่ 21 กรกฎาคม 2023
ข้อมูลที่รวบรวมโดยดาวเทียมสำรวจระยะไกลเป็นพื้นฐานสำหรับกิจกรรมสำคัญหลายอย่าง รวมถึงการทำแผนที่ทางอากาศ การพยากรณ์อากาศ และการตรวจสอบการตัดไม้ทำลายป่า ปัจจุบัน ดาวเทียมส่วนใหญ่ทำได้เพียงเก็บข้อมูลแบบพาสซีฟ เนื่องจากไม่พร้อมสำหรับการตัดสินใจหรือตรวจจับการเปลี่ยนแปลง แต่ข้อมูลจะต้องส่งต่อไปยัง Earth เพื่อประมวลผล ซึ่งโดยทั่วไปจะใช้เวลาหลายชั่วโมงหรือหลายวัน ซึ่งจะจำกัดความสามารถในการระบุและตอบสนองต่อเหตุการณ์ที่เกิดขึ้นอย่างรวดเร็ว เช่น ภัยธรรมชาติ
เพื่อเอาชนะข้อจำกัดเหล่านี้ กลุ่มนักวิจัยที่นำโดยนักศึกษาของ DPhil Vít Růžička (ภาควิชาวิทยาการคอมพิวเตอร์ มหาวิทยาลัยอ็อกซ์ฟอร์ด) ได้ท้าทายในการฝึกอบรมโปรแกรมแมชชีนเลิร์นนิงโปรแกรมแรกในอวกาศ
ในช่วงปี 2022 ทีมงานประสบความสำเร็จในการเสนอแนวคิดของพวกเขาต่อภารกิจ Dashing through the Stars ซึ่งได้เรียกร้องให้มีข้อเสนอโครงการที่จะดำเนินการบนดาวเทียม ION SCV004 ซึ่งเปิดตัวในเดือนมกราคม 2022 ในช่วงฤดูใบไม้ร่วงปี 2022 ทีมงาน อัปลิงค์รหัสสำหรับโปรแกรมไปยังดาวเทียมที่อยู่ในวงโคจรแล้ว
นักวิจัยได้ฝึกฝนแบบจำลองอย่างง่ายเพื่อตรวจจับการเปลี่ยนแปลงของการปกคลุมของเมฆจากภาพถ่ายทางอากาศโดยตรงบนดาวเทียม ตรงกันข้ามกับการฝึกภาคพื้นดิน แบบจำลองนี้อิงตามแนวทางที่เรียกว่าการเรียนรู้แบบไม่กี่ภาพ ซึ่งช่วยให้แบบจำลองสามารถเรียนรู้คุณลักษณะที่สำคัญที่สุดที่ควรมองหาเมื่อมีตัวอย่างเพียงไม่กี่ตัวอย่างให้ฝึกฝน ข้อได้เปรียบที่สำคัญคือ ข้อมูลสามารถถูกบีบอัดให้มีขนาดเล็กลงได้ ทำให้โมเดลเร็วขึ้นและมีประสิทธิภาพมากขึ้น
Vít Růžička กล่าวว่า “โมเดลที่เราพัฒนาขึ้นชื่อว่า RaVAEn ขั้นแรกจะบีบอัดไฟล์ภาพขนาดใหญ่ให้เป็นเวกเตอร์จำนวน 128 ตัว ในระหว่างขั้นตอนการฝึกอบรม โมเดลจะเรียนรู้ที่จะเก็บเฉพาะค่าข้อมูลในเวกเตอร์นี้ ซึ่งเป็นค่าที่เกี่ยวข้องกับการเปลี่ยนแปลง กำลังพยายามตรวจหา ในกรณีนี้ ไม่ว่าจะมีเมฆอยู่หรือไม่ก็ตาม ส่งผลให้การฝึกเป็นไปอย่างรวดเร็วมาก เนื่องจากมีเพียงแบบจำลองการจัดประเภทขนาดเล็กมากในการฝึก”
ในขณะที่ส่วนแรกของแบบจำลองเพื่อบีบอัดภาพที่เพิ่งเห็นได้รับการฝึกภาคพื้นดิน ส่วนที่สอง (ซึ่งตัดสินว่าภาพมีเมฆหรือไม่) ได้รับการฝึกโดยตรงบนดาวเทียม
โดยปกติแล้ว การพัฒนาโมเดลแมชชีนเลิร์นนิงจะต้องมีการฝึกอบรมหลายรอบ โดยใช้พลังของคลัสเตอร์ของคอมพิวเตอร์ที่เชื่อมโยง ในทางตรงกันข้าม โมเดลขนาดเล็กของทีมเสร็จสิ้นขั้นตอนการฝึกอบรม (ใช้ภาพมากกว่า 1,300 ภาพ) ในเวลาประมาณหนึ่งวินาทีครึ่ง
เมื่อทีมทดสอบประสิทธิภาพของโมเดลกับข้อมูลใหม่ ระบบจะตรวจพบโดยอัตโนมัติว่ามีเมฆอยู่หรือไม่ในเวลาประมาณหนึ่งในสิบของวินาที สิ่งนี้เกี่ยวข้องกับการเข้ารหัสและวิเคราะห์ฉากซึ่งเทียบเท่ากับพื้นที่ประมาณ 4.8 x 4.8 ตร.กม. (เทียบเท่ากับสนามฟุตบอลเกือบ 450 สนาม)
จากข้อมูลของนักวิจัย แบบจำลองนี้สามารถปรับให้เข้ากับงานต่างๆ และเพื่อใช้ข้อมูลในรูปแบบอื่นๆ ได้อย่างง่ายดาย Vít Růžička กล่าวเสริมว่า “หลังจากประสบความสำเร็จในการสาธิตนี้ ตอนนี้เราตั้งใจที่จะพัฒนาแบบจำลองขั้นสูงที่สามารถแยกความแตกต่างโดยอัตโนมัติระหว่างการเปลี่ยนแปลงของความสนใจ (เช่น น้ำท่วม ไฟไหม้ และการตัดไม้ทำลายป่า) และการเปลี่ยนแปลงตามธรรมชาติ (เช่น การเปลี่ยนแปลงตามธรรมชาติของสีใบไม้ตามฤดูกาล )”
“เป้าหมายอีกประการหนึ่งคือการพัฒนาแบบจำลองสำหรับข้อมูลที่ซับซ้อนมากขึ้น รวมถึงภาพจากดาวเทียมไฮเปอร์สเปกตรัม ซึ่งจะช่วยให้สามารถตรวจจับการรั่วไหลของก๊าซมีเทนได้ และอาจมีนัยสำคัญสำหรับการต่อสู้กับการเปลี่ยนแปลงสภาพภูมิอากาศ”
การใช้แมชชีนเลิร์นนิงในอวกาศยังช่วยแก้ปัญหาเซ็นเซอร์ดาวเทียมบนเครื่องบินที่ได้รับผลกระทบจากสภาวะแวดล้อมที่รุนแรง ดังนั้นเซ็นเซอร์จึงจำเป็นต้องมีการสอบเทียบเป็นประจำ
Vít Růžička กล่าวว่า “ระบบที่เรานำเสนอสามารถใช้กับกลุ่มดาวบริวารที่ไม่เป็นเนื้อเดียวกันได้ ซึ่งข้อมูลที่เชื่อถือได้จากดาวเทียมดวงเดียวสามารถนำไปใช้ในการฝึกอบรมกลุ่มดาวที่เหลือได้ ตัวอย่างเช่น สามารถใช้เพื่อปรับเทียบเซ็นเซอร์ที่เสื่อมสภาพ เมื่อเวลาผ่านไปหรือประสบกับการเปลี่ยนแปลงอย่างรวดเร็วของสิ่งแวดล้อม”