2023 年 7 月 28 日 成功在外太空訓練機器學習模型的研究成果
作者：愛德華·費爾森塔爾（）
第一次在外太空訓練機器學習模型
研究人員首次成功在一顆衛星上訓練機器學習模型，這一成果將有助於實時監測和決策，涵蓋範圍從災害管理到森林砍伐的各種應用。該研究成果已在《arXiv》的預印本服務上發表，論文名為「Fast model inference and training on-board of Satellites」。同時這項研究成果也在 2023 年 7 月 21 日的國際地球科學與遙感研討會（IGARSS）上進行了展示。
衛星遙感資料的重要性與約束
遙感衛星收集的資料對於許多重要活動至關重要，包括空中地圖製作、天氣預報和森林監測。然而當前大部分衛星只能被動收集資料，因為它們沒有能力做出決策或檢測變化。資料必須被傳回地球進行處理，這通常需要數小時甚至數天的時間。這約束了識別和應對快速發展事件（如自然災害）的能力。
訓練機器學習模型的挑戰
為了克服這些約束，牛津大學電腦科學系的 DPhil 學生維特·魯齊卡（Vít Růžička）帶領的研究小組承擔了在外太空訓練第一個機器學習程式的挑戰。在 2022 年，該團隊成功地向 Dashing through the Stars 任務提出了他們的想法，該任務徵集了在 2022 年 1 月發射的 ION SCV004 衛星上執行的專案建議。在 2022 年秋季，團隊將程式的程式碼上傳到了已經在軌道上的衛星上。
開發 RaVAEn 模型
研究人員在衛星上訓練了一個簡單的模型，用於直接從衛星上的航拍影象中檢測雲層變化。該模型基於一種稱為 few-shot learning 的方法，該方法使模型在僅有少量樣本進行訓練時學習最重要的特徵。這種方法的一個關鍵優勢在於可以將資料壓縮成更小的表示形式，從而使模型更快、更有效率。
在該模型中，維特·魯齊卡表示：“我們開發的模型名為 RaVAEn，它首先將大型影象檔案壓縮成由 128 個數位組成的向量。在訓練階段，模型學習僅保留與所要檢測的變化有關的訊息值，例如這種場景是否有雲存在。這樣的訓練過程非常快速，因為只需要訓練一個非常小的分類模型。”
快速訓練和準確檢測
該模型的第一部分，即對新影象進行壓縮的部分，是在地面上訓練的，而第二部分（即判斷影象是否包含雲層）則在衛星上進行了訓練。通常，開發機器學習模型需要多次訓練，在一個聯絡在一起的計算機叢集的幫助下進行模型訓練。相比之下，該研究小組的小型模型在約 1.5 秒的時間內完成了訓練階段（使用了超過 1300 張影象）。當團隊對新資料進行測試時，該模型可以在大約 0.1 秒內自動檢測影象中是否存在雲層。這涉及編碼和分析相當於約 4.8 x 4.8 平方公裏的場景（相當於近 450 個足球場的面積）。
機器學習在外太空的應用前景
根據研究人員的說法，該模型可以輕鬆適應執行不同的任務，並使用其他形式的資料。維特·魯齊卡補充道：“在實現了這一專案之後，我們打算開發更高級的模型，這些模型可以自動區分感興趣的變化（例如洪水、火災和森林砍伐）和自然變化（例如季節性葉片顏色的自然變化）。另一個目標是開發針對更複雜資料的模型，包括從高光譜衛星獲取的影象。這將有助於檢測甲烷洩漏，並對應對氣候變化產生關鍵影響。”
克服衛星感測器受環境條件影響的問題
在外太空進行機器學習還可以幫助克服衛星感測器受惡劣環境條件影響的問題，以便對其進行定期校準。維特·魯齊卡表示：“我們提出的系統可以應用於非同質衛星星座，其中來自一顆衛星的可靠訊息可以應用於訓練星座中的其他衛星。這可以用於重新校準隨時間降解或在環境中快速變化的感測器。”
結論和建議
這項研究成果展示了在外太空訓練機器學習模型的潛力，並開啟了許多新的應用前景。這將有助於實時監測和決策，特別是在自然災害等快速發展情況下。同時這也對科學家和研究人員提出了新挑戰。
然而我們也需要關注機器學習算法的可靠性和誤判的風險。在訓練模型時，需要確保資料的多樣性和代表性，以免造成偏見或錯誤的結果。
未來，我們可以預見更多的研究圍繞著機器學習在外太空的應用展開，並希望這些技術能夠為社會和環境問題的解決提供更多有力的手段。
