Åbne Kildekods AI-modeller løser rumaffaldsproblemet

Ifølge en ny meddelelse fra IBM, som rapporteret af TechHQ, anvendes åbne kildekods AI til at løse problemer i verdensrummet, og løser problemer relateret til rumaffald og satellitkommunikation.

IBM har været ved at udvikle computer-teknologi til at drive rumforskning og kommunikation siden 1940’erne, men nu vil IBM bruge kunstig intelligens til at håndtere disse opgaver. IBM arbejder på to forskellige rum-relaterede projekter: KubeSat og SSA (Space Situational Awareness). KubeSat er beregnet til at aktivere oprettelse og kontrol af opgaver for satellit-sværme, mens SSA er beregnet til at spore positionen af rumaffald i lav jordbane.

De to projekter blev nyligt præsenteret af Space Tech Hub Team på IBM. Lederen af rumteknikteamet er Naeem Altaf, og ifølge Altaf er KubeSat-projektet et selvstændigt framework, der giver de nødvendige værktøjer til at oprette og styre opgaver for satellit-sværme og konstellationer. Ud over dette kan KubeSat-frameworket simulere kommunikation mellem satellitter, hvilket hjælper ingeniører med at optimere disse kommunikationer.

Da flere og flere satellitter bliver sendt op, bliver kommunikationen mellem satellitterne mere og mere kompleks og kræver at blive automatiseret og optimeret. Frameworket anvender maskinlæringsalgoritmer til at optimere kommunikation mellem satellitter, og lægger begrænsninger på kommunikation mellem visse satellitter. KubeSat kan anvendes til at simulere, hvordan kub-satellitter interagerer med jordstationer, selvom automatiseret kommunikation sker mellem sværme. Kommunikationerne offentliggøres på en web-dashboard, så andre kan se dem. KubeSat kører sine simulationer gennem Orekit, som er en dynamisk bibliotek skabt i Java.

KubeSat-projektet blev gjort åbent kildekods i håb om, at satellit-sværmeindustrien kan demokratiseres, og at startups og sværmeoperatører kan anvende den opblomstrende teknologi.

SSA-projektet er resultatet af et samarbejde mellem IBM Space Tech Hub-teamet og Dr. Moriba Jah fra University of Texas. Målet er, at AI-modellerne kan forbedre baneprediktioner for objekter i lav jordbane. Lav jordbane er fuld af rumaffald, meget af hvilket er artefakter efterladt fra raketopsendelser eller forfaldne satellitter. Disse objekter kredser om Jorden med en hastighed på tusinder af meter per sekund, og deres baner kan pludselig ændres af ændringer i atmosfærisk vejr og tæthed. Banen for disse objekter skal forudsiges, så der ikke sker kollisioner mellem rumaffald og vigtige rumtekniske enheder. Det håbes, at AI-modeller kan forbedre baneprediktionerne.

SSA-modellerne blev trænet på basis af data samlet af United States Strategic Command. Datamængden opdateres en gang om dagen. En fysisk model anvendes til at generere initiale forudsigelser om banen for de fleste objekter i lav jordbane, og en maskinlæringsmodel anvendes derefter til at forudsige fejl i fysikmodellerne. SSA kombinerer de to modeller til at opdatere den fysiske banemodel. Den anden model er en gradient-boost-model baseret på XGBoost.

Præcis som KubeSat blev SSA-modellerne gjort åbne kildekods i et forsøg på at opmuntre data-deling og samarbejde mellem forskellige rumfirmaer og teknologivirksomheder. Efter alt, så er satellitkommunikationsproblemer og rumaffald en trussel mod alle, der opererer i rummet.

Both KubeSat og OpenShift er blevet gjort tilgængelige gennem IBMs Red Hat OpenShift-platform.