KI an Bord von Satelliten trainiert

Im Rahmen eines von der Universität Oxford geleiteten Projekts wurde zum ersten Mal ein maschinelles Lernmodell im Weltraum an Bord eines Satelliten trainiert. Diese Errungenschaft könnte die Möglichkeiten von Fernerkundungssatelliten revolutionieren, indem sie Echtzeitüberwachung und Entscheidungsfindung für eine Reihe von Anwendungen ermöglicht.

Die von Fernerkundungssatelliten gesammelten Daten sind von grundlegender Bedeutung für viele wichtige Aktivitäten, wie zum Beispiel die Kartierung aus der Luft, die Wettervorhersage und die Überwachung der Entwaldung. Derzeit können die meisten Satelliten nur passiv Daten sammeln, da sie nicht in der Lage sind, Entscheidungen zu treffen oder Veränderungen zu erkennen. Stattdessen müssen die Daten zur Erde übertragen und dort verarbeitet werden, was in der Regel mehrere Stunden oder sogar Tage dauert. Dies schränkt die Fähigkeit ein, schnell auftretende Ereignisse, wie etwa eine Naturkatastrophe, zu erkennen und darauf zu reagieren.

Um diese Einschränkungen zu überwinden, hat sich eine Gruppe von Forschern unter der Leitung des Doktoranden Vít Růžička (Fachbereich Informatik, Universität Oxford) der Herausforderung gestellt, das erste maschinelle Lernprogramm im Weltraum zu trainieren. Im Laufe des Jahres 2022 stellte das Team seine Idee erfolgreich der Mission Dashing through the Stars vor, die eine offene Aufforderung zur Einreichung von Projektvorschlägen veröffentlicht hatte, die an Bord des im Januar 2022 gestarteten Satelliten ION SCV004 durchgeführt werden sollten. Im Herbst 2022 übertrug das Team den Code für das Programm auf den bereits in der Umlaufbahn befindlichen Satelliten.

Die Forscher trainierten ein einfaches Modell zur Erkennung von Veränderungen der Wolkenbedeckung auf Luftbildern direkt an Bord des Satelliten, im Gegensatz zum Training am Boden. Das Modell basierte auf einem Ansatz, der als "few-shot learning" bezeichnet wird und der es einem Modell ermöglicht, die wichtigsten Merkmale zu erlernen, nach denen es suchen muss, wenn es nur wenige Proben zum Trainieren hat. Ein entscheidender Vorteil ist, dass die Daten in kleinere Darstellungen komprimiert werden können, wodurch das Modell schneller und effizienter wird. Während der erste Teil des Modells zur Komprimierung der neu angezeigten Bilder am Boden trainiert wurde, wurde der zweite Teil (der entschied, ob das Bild Wolken enthielt oder nicht) direkt auf dem Satelliten trainiert. Normalerweise würde die Entwicklung eines maschinellen Lernmodells mehrere Trainingsrunden erfordern, die die Leistung eines Clusters miteinander verbundener Computer in Anspruch nehmen. Im Gegensatz dazu hat das winzige Modell des Teams die Trainingsphase (mit über 1300 Bildern) in etwa eineinhalb Sekunden abgeschlossen.

Als das Team die Leistung des Modells mit neuen Daten testete, erkannte es automatisch in etwa einer Zehntelsekunde, ob eine Wolke vorhanden war oder nicht. Dabei wurde eine Szene kodiert und analysiert, die einer Fläche von etwa 4,8 x 4,8 km2 entspricht (das entspricht fast 450 Fußballfeldern).

Den Forschern zufolge könnte das Modell leicht an verschiedene Aufgaben angepasst werden und auch andere Arten von Daten verwenden. Nach diesem ersten Erfolg wollen die Forscher nun fortschrittlichere Modelle entwickeln, die automatisch zwischen interessanten Veränderungen (zum Beispiel Überschwemmungen, Brände und Abholzung) und natürlichen Veränderungen (etwa Veränderungen der Blattfarbe im Herbst) unterscheiden können. Ein weiteres Ziel ist die Entwicklung von Modellen für komplexere Daten, einschließlich Bildern von Hyperspektralsatelliten. Dies könnte zum Beispiel die Erkennung von Methanlecks ermöglichen und hätte wichtige Auswirkungen auf die Bekämpfung des Klimawandels.

Nach Auskunft der Forscher zeigt ihre Arbeit zum ersten Mal den Einsatz eines Multi-Task-Modells an Bord eines CubeSat und das On-Board-Training eines Machine-Learning-Modells. Hier geht's zur Veröffentlichung der Forscher.