Open Source AI-modellen voor het aanpakken van het probleem van ruimteafval

Volgens een recente aankondiging van IBM, zoals gerapporteerd door TechHQ, wordt open-source AI ingezet om problemen in de buitenruimte op te lossen, waarbij problemen in verband met ruimteafval en satellietcommunicatie worden aangepakt.

IBM heeft sinds de jaren 40 computertechnologie ontwikkeld om ruimteverkenning en communicatie te ondersteunen, maar nu zal IBM kunstmatige intelligentie gebruiken om deze taken uit te voeren. IBM werkt aan twee verschillende ruimtegerelateerde projecten: KubeSat en SSA (Space Situational Awareness). KubeSat is bedoeld om de creatie en controle van taken voor satellietzwermen mogelijk te maken, terwijl SSA bedoeld is om de positie van ruimteafval in een lage aardbaan te volgen.

De twee projecten werden onlangs onthuld door het Space Tech Hub Team van IBM. De leider van het space tech team is Naeem Altaf, en volgens Altaf is het KubeSat-project een autonoom kader dat de benodigde tools biedt om taken voor satellietzwermen en -constellaties te creëren en te beheren. Bovendien kan het KubeSat-kader communicatie tussen satellieten simuleren, waardoor ingenieurs deze communicatie kunnen optimaliseren.

Naarmate er meer en meer satellieten worden gelanceerd, wordt de communicatie tussen de satellieten steeds complexer en moet deze geautomatiseerd en geoptimaliseerd worden. Het kader gebruikt machine learning-algoritmen om de communicatie tussen satellieten te optimaliseren, waarbij beperkingen worden opgelegd aan de communicatie tussen bepaalde satellieten. KubeSat kan worden gebruikt om te simuleren hoe kubus-satellieten interactie hebben met grondstations, zelfs als geautomatiseerde communicatie plaatsvindt tussen zwermen. De communicatie wordt gepubliceerd op een webdashboard voor anderen om te zien. KubeSat voert zijn simulaties uit met Orekit, dat een dynamische bibliotheek is die is gemaakt in Java.

Het KubeSat-project is open source gemaakt in de hoop dat de satellietzwermindustrie kan worden gedemocratiseerd, waardoor startups en zwermoperatoren gebruik kunnen maken van de opkomende technologie.

Het SSA-project is het resultaat van een samenwerking tussen het IBM Space Tech Hub team en Dr. Moriba Jah van de University of Texas. Het doel is dat de AI-modellen de baanvoorspellingen voor objecten in een lage aardbaan kunnen verbeteren. Een lage aardbaan zit vol met ruimteafval, veel waarvan overblijfselen zijn van raketlanceringen of gedegenereerde satellieten. Deze objecten cirkelen rond de aarde met een snelheid van duizenden meters per seconde en hun banen kunnen plotseling veranderen door fluctuaties in atmosferische weersomstandigheden en dichtheid. De baan van deze objecten moet worden voorspeld, zodat botsingen tussen ruimteafval en belangrijke ruimte-apparatuur niet plaatsvinden. Het is de bedoeling dat AI-modellen de baanvoorspellingen kunnen verbeteren.

De SSA-modellen zijn getraind op basis van gegevens die zijn verzameld door het United States Strategic Command. De dataset wordt elke dag bijgewerkt. Een fysiek model wordt gebruikt om initiële voorspellingen te doen over de baan van de meeste objecten in een lage aardbaan, en een machine learning-model wordt vervolgens gebruikt om fouten in de fysieke modellen te voorspellen. De SSA combineert de twee modellen om het fysieke baanmodel bij te werken. Het tweede model is een gradient boosting-model op basis van XGBoost.

Net als KubeSat zijn de SSA-modellen open source gemaakt in een poging om gegevensdeling en samenwerking tussen verschillende ruimtebedrijven en technologiebedrijven te stimuleren. Immers, satellietcommunicatieproblemen en ruimteafval vormen een bedreiging voor iedereen die in de ruimte opereert.

Beide KubeSat en OpenShift zijn beschikbaar gesteld via het Red Hat OpenShift-platform van IBM.