Las constelaciones de observación de la Tierra (EO) capturan enormes volúmenes de imágenes de alta resolución todos los días, pero la mayoría de ellas nunca llega a la Tierra a tiempo para el entrenamiento del modelo. El ancho de banda del enlace descendente es el principal cuello de botella. Las imágenes pueden permanecer en órbita durante días mientras los modelos terrestres se entrenan con datos parciales y retrasados.
Los investigadores de Microsoft introdujeron el marco ‘OrbitalBrain’ como un enfoque diferente. En lugar de utilizar satélites únicamente como sensores que transmiten datos a la Tierra, convierte una constelación de nanosatélites en un sistema de entrenamiento distribuido. Los modelos se entrenan, agregan y actualizan directamente en el espacio, utilizando computación a bordo, enlaces entre satélites y programación predictiva de potencia y ancho de banda.
El cuello de botella de BentPipe
La mayoría de las constelaciones comerciales utilizan el modelo BentPipe. Los satélites recopilan imágenes, las almacenan localmente y las descargan en estaciones terrestres cada vez que pasan por encima.
El equipo de investigación evalúa una constelación similar a un planeta con 207 satélites y 12 estaciones terrestres. A la velocidad máxima de imágenes, el sistema captura 363.563 imágenes por día. Con 300 MB por imagen y limitaciones realistas de enlace descendente, sólo se pueden transmitir 42.384 imágenes en ese período, alrededor del 11,7% de lo capturado. Incluso si las imágenes se comprimen a 100 MB, sólo 111.737 imágenes, alrededor del 30,7%, llegan al suelo en 24 horas.
El almacenamiento limitado a bordo añade otra limitación. Las imágenes antiguas deben eliminarse para dejar espacio a las nuevas, lo que significa que muchas muestras potencialmente útiles nunca están disponibles para el entrenamiento en tierra.
Por qué el aprendizaje federado convencional no es suficiente
El aprendizaje federado (FL) parece una opción obvia para los satélites. Cada satélite podría entrenarse localmente y enviar actualizaciones del modelo a un servidor terrestre para su agregación. El equipo de investigación evalúa varias líneas de base de FL adaptadas a este entorno:
AsyncFL SyncFL FedBuff FedSpace
Sin embargo, estos métodos suponen una comunicación más estable y una potencia más flexible que la que pueden proporcionar los satélites. Cuando el equipo de investigación simula dinámicas orbitales realistas, contacto intermitente con el suelo, potencia limitada y datos no iid entre satélites, estas líneas de base muestran una convergencia inestable y grandes caídas de precisión, en el rango del 10% al 40% en comparación con las condiciones idealizadas.
Las curvas de tiempo de precisión se aplanan y oscilan, especialmente cuando los satélites están aislados de las estaciones terrestres durante largos períodos. Muchas actualizaciones locales quedan obsoletas antes de poder agregarlas.
OrbitalBrain: entrenamiento centrado en las constelaciones en el espacio
OrbitalBrain parte de 3 observaciones:
Las constelaciones suelen ser operadas por una única entidad comercial, por lo que los datos sin procesar se pueden compartir entre satélites. Las órbitas, la visibilidad de las estaciones terrestres y la energía solar son predecibles a partir de elementos orbitales y modelos de energía. Los enlaces entre satélites (ISL) y los aceleradores a bordo son ahora prácticos en los nanosatélites.
El marco expone 3 acciones para cada satélite en una ventana de programación:
Computación local (LC): entrena el modelo local en imágenes almacenadas. Agregación de modelos (MA): intercambia y agrega parámetros del modelo sobre ISL. Transferencia de datos (DT): intercambia imágenes sin procesar entre satélites para reducir la distorsión de datos.
Un controlador que se ejecuta en la nube, al que se puede acceder a través de estaciones terrestres, calcula un cronograma predictivo para cada satélite. El cronograma decide qué acción priorizar en cada ventana futura, en función de pronósticos de energía, almacenamiento, visibilidad orbital y oportunidades de enlace.
Componentes principales: Profiler, MA, DT, Ejecutor
Perfilador de rendimiento guiado Agregación de modelos sobre ISL Transferidor de datos para reequilibrio de etiquetas Ejecutor
Configuración experimental
OrbitalBrain se implementa en Python sobre el simulador orbital CosmicBeats y el marco de aprendizaje federado FLUTE. La computación integrada está modelada como una GPU NVIDIA-Jetson-Orin-Nano-4GB, con parámetros de energía y comunicación calibrados a partir de especificaciones de radio y satélites públicos.
El equipo de investigación simula trazas de 24 horas de 2 constelaciones reales:
Planeta: 207 satélites con 12 estaciones terrestres. Spire: 117 satélites.
Evalúan 2 tareas de clasificación de EO:
fMoW: alrededor de 360k imágenes RGB, 62 clases, DenseNet-161 con las últimas 5 capas entrenables. So2Sat: alrededor de 400.000 imágenes multiespectrales, 17 clases, ResNet-50 con las últimas 5 capas entrenables.
Resultados: tiempo de obtención de precisión más rápido y mayor exactitud
OrbitalBrain se compara con BentPipe, AsyncFL, SyncFL, FedBuff y FedSpace bajo restricciones físicas completas.
Para fMoW, después de 24 horas:
Planet: OrbitalBrain alcanza un 52,8 % de precisión entre los primeros. Spire: OrbitalBrain alcanza el 59,2 % de precisión entre los primeros.
Para So2Sat:
Planeta: 47,9% de precisión entre los primeros. Spire: 47,1% de precisión entre los primeros.
Estos resultados mejoran con respecto a la mejor línea de base entre un 5,5% y un 49,5%, según el conjunto de datos y la constelación.
En términos de tiempo de precisión, OrbitalBrain logra una aceleración de 1,52 × –12,4 × en comparación con los enfoques de aprendizaje federados o terrestres de última generación. Esto se debe al uso de satélites que actualmente no pueden llegar a una estación terrestre mediante la agregación a través de ISL y al reequilibrio de las distribuciones de datos a través de DT.
Los estudios de ablación muestran que desactivar MA o DT degrada significativamente tanto la velocidad de convergencia como la precisión final. Experimentos adicionales indican que OrbitalBrain permanece robusto cuando la cobertura de nubes oculta parte de las imágenes, cuando solo participa un subconjunto de satélites y cuando los tamaños y resoluciones de las imágenes varían.
Implicaciones para las cargas de trabajo de IA satelital
OrbitalBrain demuestra que el entrenamiento de modelos puede trasladarse al espacio y que las constelaciones de satélites pueden actuar como sistemas de aprendizaje automático distribuidos, no solo como fuentes de datos. Al coordinar la capacitación local, la agregación de modelos y la transferencia de datos bajo estrictas limitaciones de ancho de banda, energía y almacenamiento, el marco permite modelos más actualizados para tareas como la detección de incendios forestales, el monitoreo de inundaciones y el análisis climático, sin esperar días para que los datos lleguen a los centros de datos terrestres.
Conclusiones clave
El enlace descendente de BentPipe es el principal cuello de botella: las constelaciones de EO similares a planetas solo pueden transmitir alrededor del 11,7% de las imágenes capturadas de 300 MB por día, y alrededor del 30,7% incluso con una compresión de 100 MB, lo que limita gravemente el entrenamiento de modelos terrestres. El aprendizaje federado estándar falla bajo restricciones satelitales reales: AsyncFL, SyncFL, FedBuff y FedSpace degradan entre un 10% y un 40% en precisión cuando se aplican dinámicas orbitales realistas, enlaces intermitentes, límites de potencia y datos no iid, lo que lleva a una convergencia inestable. OrbitalBrain programa conjuntamente computación, agregación y transferencia de datos en órbita: un controlador de nube utiliza pronósticos de órbita, potencia, almacenamiento y oportunidades de enlace para seleccionar computación local, agregación de modelos a través de ISL o transferencia de datos por satélite, maximizando una función de utilidad por acción. El reequilibrio de etiquetas y el estancamiento del modelo se manejan explícitamente: un perfilador guiado rastrea el estancamiento y la pérdida del modelo para definir la utilidad informática, mientras que el transferidor de datos utiliza la divergencia de Jensen-Shannon en los histogramas de etiquetas para impulsar intercambios de imágenes sin procesar que reducen los efectos no iid. OrbitalBrain ofrece mayor precisión y un tiempo de precisión hasta 12,4 veces más rápido: en simulaciones en las constelaciones Planet y Spire con fMoW y So2Sat, OrbitalBrain mejora la precisión final entre un 5,5 % y un 49,5 % con respecto a las líneas base de BentPipe y FL y logra aceleraciones de 1,52 × –12,4 × en el tiempo de precisión.
Consulte el documento. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 100.000 ML y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
