Öppen källkods-AI-modeller hanterar problemet med rymdskräp

Enligt en nyligen gjord tillkännagivande från IBM, som rapporterats av TechHQ, används öppen källkods-AI för att lösa problem i yttre rymden, och hanterar frågor relaterade till rymdskräp och satellitkommunikation.

IBM har sedan 1940-talet skapat datorer för att driva rymdutforskning och kommunikation, men nu kommer IBM att använda artificiell intelligens för att hantera dessa uppgifter. IBM arbetar med två olika rymdrelaterade projekt: KubeSat och SSA (Space Situational Awareness). KubeSat är avsett att möjliggöra skapandet och kontrollen av uppgifter för satellitsvärmar, medan SSA är avsett att spåra positionen för rymdskräp i låg omloppsbana.

De två projekten presenterades nyligen av Space Tech Hub Team på IBM. Teamledaren är Naeem Altaf, och enligt Altaf är KubeSat-projektet ett autonomt ramverk som tillhandahåller verktygen som behövs för att skapa och hantera uppgifter för satellitsvärmar och konstellationer. Utöver detta kan KubeSat-ramverket simulera kommunikationer mellan satelliter, vilket hjälper ingenjörer att optimera dessa kommunikationer.

Såsom allt fler satelliter skickas upp, blir kommunikationen mellan satelliterna alltmer komplex och behöver automatiseras och optimeras. Ramverket använder maskinläringsalgoritmer för att optimera kommunikationer mellan satelliter, och inför begränsningar för kommunikationer mellan vissa satelliter. KubeSat kan användas för att simulera hur kubsatelliter interagerar med markstationer, även när automatiserad kommunikation sker mellan svärmar. Kommunikationerna publiceras på en webbpanel för andra att se. KubeSat kör sina simuleringar genom Orekit, som är en dynamisk bibliotek skapad i Java.

KubeSat-projektet gjordes öppen källkod i hopp om att satellitsvärmsindustrin kunde demokratiseras, och möjliggöra för startups och svärmsoperatörer att använda den framväxande tekniken.

SSA-projektet är resultatet av ett samarbete mellan IBM Space Tech Hub-teamet och Dr. Moriba Jah från University of Texas. Målet är att AI-modellerna kan förbättra omloppsprediktioner för föremål i låg omloppsbana. Låg omloppsbana är fullt av rymdskräp, mycket av vilket är artefakter som blivit kvar från raketuppskjutningar eller förfallna satelliter. Dessa föremål kretsar runt jorden med tusentals meter per sekund, och deras banor kan plötsligt ändras av fluktuationer i atmosfärsväder och densitet. Banan för dessa föremål behöver förutsägas, så att kollisioner mellan rymdskräp och viktiga rymdtekniska enheter inte inträffar. Det hoppas att AI-modellerna kan förbättra omloppsprediktionerna.

SSA-modellerna tränades baserat på data som samlats in av Förenta Staternas strategiska kommando. Datamängden uppdateras en gång om dagen. En fysisk modell används för att generera initiala prediktioner om banan för de flesta föremål i låg omloppsbana, och en maskinlärningsmodell används sedan för att förutsäga fel i de fysiska modellerna. SSA kombinerar de två modellerna för att uppdatera den fysiska omloppsmodellen. Den andra modellen är en gradientförstärkningsmodell baserad på XGBoost.

Liksom KubeSat gjordes SSA-modellerna öppen källkod i ett försök att uppmuntra datautbyte och samarbete mellan olika rymdbolag och teknikföretag. Efter allt är satellitkommunikationsproblem och rymdskräp ett hot mot alla som verkar i rymden.

Både KubeSat och OpenShift har gjorts tillgängliga genom IBMs Red Hat OpenShift-plattform.