Åpne kildekode AI-modeller løser romskrot-problemet

Ifølge en ny kunngjøring fra IBM, som rapportert av TechHQ, brukes åpne kildekode AI til å løse problemer i verdensrommet, og løser problemer relatert til romskrot og satellittkommunikasjon.

IBM har laget datateknologi for å drive romutforskning og kommunikasjon siden 1940-tallet, men nå vil IBM bruke kunstig intelligens til å håndtere disse oppgavene. IBM arbeider med to forskjellige rom-relaterte prosjekter: KubeSat og SSA (Space Situational Awareness). KubeSat er ment å muliggjøre opprettelse og kontroll av oppgaver for satellitt-svermer, mens SSA er ment å spore posisjonen til romskrot i lav jordbane.

De to prosjektene ble nylig avduket av Space Tech Hub Team på IBM. Lederen for romteknologiteamet er Naeem Altaf, og ifølge Altaf er KubeSat-prosjektet et autonomt rammeverk som gir verktøyene nødvendige for å opprette og håndtere oppgaver for satellitt-svermer og konstellasjoner. Ut over dette kan KubeSat-rammeverket simulere kommunikasjon mellom satellitter, og hjelpe ingeniører med å optimere disse kommunikasjonene.

Ettersom flere og flere satellitter skytes opp, blir kommunikasjonen mellom satellittene stadig mer kompleks, og må automatiseres og optimiseres. Rammeverket bruker maskinlæring-algoritmer til å optimere kommunikasjon mellom satellitter, og setter begrensninger på kommunikasjon mellom bestemte satellitter. KubeSat kan brukes til å simulere hvordan kube-satellitter samhandler med bakkestasjoner, selv om automatiserte kommunikasjoner skjer mellom svermer. Kommunikasjonene publiseres på en web- dashboard for andre å se. KubeSat kjører simuleringskjøringene gjennom Orekit, som er en dynamisk bibliotek laget i Java.

KubeSat-prosjektet ble gjort åpen kildekode i håp om at satellitt-sverm-industrien kunne demokratiseres, og at startups og sverm-operatører kunne bruke den nye teknologien.

SSA-prosjektet er et resultat av et samarbeid mellom IBM Space Tech Hub-teamet og Dr. Moriba Jah fra University of Texas. Målet er at AI-modellene kan forbedre baneprediksjoner for objekter i lav jordbane. Lav jordbane er full av romskrot, mye av det er gjenstander etter rakett-oppskytinger eller nedbrutte satellitter. Disse objektene går i bane rundt jorden med tusenvis av meter per sekund, og deres baner kan plutselig endres av fluktuerende atmosfærisk vær og tetthet. Banen til disse objektene må predikeres, så ikke kollisjoner mellom romskrot og viktige romteknologiske enheter skjer. Det håpes at AI-modellene kan forbedre baneprediksjonene.

SSA-modellene ble trent basert på data samlet inn av United States Strategic Command. Datamengden oppdateres en gang om dagen. En fysisk modell brukes til å generere innledende prediksjoner om banen til de fleste objekter i lav jordbane, og en maskinlæring-modell brukes til å prediktere feil i fysikk-modellene. SSA kombinerer de to modellene til å oppdatere den fysiske banemodellen. Den andre modellen er en gradient-forsterkingsmodell basert på XGBoost.

Like KubeSat, ble SSA-modellene gjort åpen kildekode i et forsøk på å oppmuntre til data-deling og samarbeid mellom forskjellige romselskaper og teknologiselskaper. Ettersom satellittkommunikasjonsproblemer og romskrot er en trussel mot alle som opererer i rommet.

Both KubeSat og OpenShift har blitt gjort tilgjengelig gjennom IBM sin Red Hat OpenShift-plattform.