「このAI論文は、初めて軽量な基礎モデルを宇宙空間に展開します」

This AI paper introduces a lightweight foundational model for deployment in space.

宇宙技術は日々進化しています。異なる研究グループからは、宇宙研究に影響を与える機械学習と人工知能モデルを宇宙で構築するための取り組みが行われています。収集されたデータには、空中写真撮影、天気予報、森林伐採に関する情報が提供されます。これらの衛星はデータを収集しますが、データ処理技術を使用してデータセットを処理することはできません。そのため、これらの衛星は自然災害などの急なイベントを検出することができません。

これらの問題を解決するために、宇宙技術のアプローチを持つために、研究者は宇宙でこのデータを処理する機械学習モデルを訓練しました。研究者は、地上での訓練ではなく、宇宙で訓練することで、雲の被覆を直接検出するより簡単なモデルを初期段階で訓練しました。この訓練アプローチはfew-shot learningまたはactive learningと呼ばれます。このアプローチは、モデルを訓練するために必要な最も重要な特徴を取ります。そのため、few-shot learningと呼ばれます。このモデルの主な利点は、収集されたデータをより小さい次元に変換できるため、モデルがより速く効果的になることです。このモデルはコンピュータビジョンモデルのカテゴリに属しています。このモデルの訓練部分は、重要な値をベクトルの形で組み合わせて保持することで構成されます。このモデルの目的は、雲の被覆が存在するかどうかを検出することです。これにより、分類モデルが訓練されます。

このモデルは大まかに2つのカテゴリに分類されます。モデルの最初の部分は、地上で画像を収集し、それらを訓練することであり、モデルの2番目の部分はバイナリ分類に基づいてモデルを分類し、雲の被覆に関する情報を提供します。2番目の部分は衛星自体で訓練されます。訓練には複数のエポックのラウンドが必要です。一方、チームの小さなモデルは1.5秒で訓練を完了しました。研究者はまた、このモデルがすべての形式のデータに自動的に適応すると述べています。研究者はさまざまな興味の変化に対応するさまざまなタイプのモデルに取り組んでいます。

• SEER：セルフスーパーバイズドコンピュータビジョンモデルの突破口？
• ダブルマシンラーニングの簡素化：パート2 – ターゲティング＆CATE
• BQMLを使用した多変量時系列予測

研究者はまだ、高分光衛星からの画像などの複雑なデータセットを解決するモデルに取り組んでいます。この研究では、再現率、適合率、F1スコアなどのモデルのパフォーマンスパラメータが非常に高いです。これらのシナリオは、地球周辺や深宇宙など、宇宙研究の世界での増加する機会を含んでいます。研究者は人工知能の新興技術を用いて深宇宙に進出しています。これにより、深宇宙の探査が可能となります。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!