Revoluční software zmenšuje AI modely o 99 %: Rychleji identifikuje neznámé objekty na oběžné dráze

Společnost BosonQ Psi Federal (BQP) z New Yorku získala první federální výzkumnou zakázku od americké vlády na vývoj softwaru, který by mohl výrazně urychlit identifikaci neznámých objektů na oběžné dráze Země.

Společnost BosonQ Psi Federal (BQP) z New Yorku získala první federální výzkumnou zakázku od americké vlády na vývoj softwaru, který by mohl výrazně urychlit identifikaci neznámých objektů na oběžné dráze Země. Tento kontrakt, udělený v rámci programu SpaceWERX Open Topic Small Business Innovation Research (SBIR), se zaměřuje na zlepšení povědomí o vesmírné doméně pomocí strojového učení s fyzikálními omezeními.

Cílem BQP je ověřit novou softwarovou aplikaci, která kombinuje fyzikální modely s výpočetními technikami inspirovanými kvantovou mechanikou. Tato technologie má za úkol rychleji klasifikovat neidentifikované objekty na oběžné dráze a zároveň spotřebovávat výrazně méně výpočetního výkonu než konvenční modely umělé inteligence. Je navržena pro satelity a další okrajové platformy, které operují s přísnými limity výkonu a zpracování dat.

Rostoucí počet satelitů a vesmírného odpadu činí sledování aktivit na oběžné dráze stále obtížnějším. Americká síť pro sledování vesmíru (U.S. Space Surveillance Network) shromažďuje denně 18 000 až 25 000 pozorování. Mnoho z těchto detekcí nelze okamžitě spojit se známými satelity nebo úlomky. Tyto neidentifikované objekty, známé jako nekorelované dráhy (Uncorrelated Tracks – UCTs), mohou zahrnovat nově vypuštěné kosmické lodě, úlomky po kolizích nebo objekty vyžadující podrobnější vyšetřování. Zpoždění v jejich identifikaci může zpomalit operační rozhodnutí a snížit celkové povědomí o vesmírném prostředí.

Software BQP si klade za cíl tento proces urychlit kombinací fyzikálních omezení s kvantově asistovaným strojovým učením. Společnost uvádí, že tento přístup poskytuje přesné odvozování umělé inteligence bez závislosti na cloudové infrastruktuře, grafických procesorech nebo budoucích kvantových počítačích. Místo toho je navržen tak, aby běžel přímo na procesorech kvalifikovaných pro vesmírné aplikace a dalším hardwaru s omezenými zdroji. Architektura Physics-Constrained Quantum-Assisted Machine Learning (PC-QAML) od BQP vytváří modely, které jsou o 99 % kompaktnější, zmenšují se z přibližně 14 milionů parametrů na zhruba 2 000, aniž by obětovaly přesnost. Software si udržuje více než 99% přesnost klasifikace i přes toto výrazné zmenšení.

Kompaktní architektura také přináší až desetinásobné snížení latence odvozování a snižuje spotřebu energie o přibližně 90 %. Inženýři mohou modely přeškolovat výrazně rychleji než konvenční systémy strojového učení. Tyto zisky v efektivitě již umožnily nasazení na okrajovém výpočetním zařízení NVIDIA Jetson Nano v laboratoři Space Domain Awareness TAP Lab. Demonstrace ukázala, že pokročilá umělá inteligence může fungovat na kompaktním hardwaru vhodném pro autonomní vesmírné mise.

Rut Lineswala, zakladatel a technický ředitel BQP, zdůraznil, že jejich cílem je učinit pokročilou umělou inteligenci praktickou tam, kde je to nejdůležitější: na satelitech a systémech nasazených v terénu, které operují s omezeným výpočetním výkonem a přerušovanou komunikací. Federální ocenění potvrzuje technologii společnosti a poskytuje příležitost ukázat, jak kvantově inspirované výpočty mohou řešit operační výzvy, kterým čelí mise národní bezpečnosti. Vojáci by mohli software využívat k rozlišení běžné orbitální aktivity od potenciálně podezřelého chování, včetně satelitních manévrů, událostí oddělení a operací v těsné blízkosti. Zpracování informací přímo na kosmické lodi by mohlo snížit závislost na centralizovaných výpočetních systémech a zlepšit dobu odezvy. Projekt navazuje na dřívější práci BQP s laboratoří Space Domain Awareness TAP Lab, kde technologie prokázala schopnosti detekce orbitálního oddělení a stala se kandidátem pro budoucí klasifikaci UCT a aplikace simulace hrozeb podporující americké vesmírné operace. Mimo obranný sektor by stejný software mohl najít uplatnění v komerčním letectví, autonomních vozidlech, průmyslovém monitoringu a dalších odvětvích, kde umělá inteligence musí poskytovat spolehlivý výkon na kompaktních, nízkoenergetických výpočetních platformách.