Space Lab
Edge learning har potentialen att revolutionera utvecklingen av AI för rymdanvändningar och AI Swedens Space Lab utforskar teknologier som kan användas för hög-impact användningsområden.
Varför edge learning i rymden?
Idag tränas AI-modeller genom att överföra så mycket data som möjligt från sensorer till en central lagring och beräkningsplats. Generellt, ju mer data, desto bättre kvalitet på den resulterande modellen. Men, i takt med att antalet satelliter ökar, kommer den tillgängliga bandbredden för dataöverföring att bli allt mindre. Därför förväntas dataöverföringskostnader att stiga, det kommer ta längre tid att överföra tillräckligt med data till Jorden för att träna modeller, och modellerna kommer att vara mindre exakta om mindre data överförs.
Edge learning (också känt som decentraliserat lärande, federerat lärande, eller flocklärande) är en teknologi som har potentialen att revolutionera utvecklingen av AI för rymdanvändningar genom att lösa dessa utmaningar. Detta skulle spara både pengar och resurser eftersom det inte finns något behov av att skicka stora mängder data till Jorden.
Projekt
Edge AnnotationZ Challenge
Space Data Hackathon
SpaceEdge
SpaceEdge 2
Swedish Space Data Lab 1.0
Swedish Space Data Lab 2.0
Forskning
PAseos simulerar miljön för att operera flera rymdfarkoster
PASEOS är en öppen källkods Python-modul som kan modellera operationella scenarier som involverar en eller flera rymdfarkoster. Den tar hänsyn till flera fysiska fenomen inklusive termiska, ström, bandbredd, och kommunikationsbegränsningar samt effekten av strålning på rymdfarkoster. PASEOS kan köras både som en prestandainriktad numerisk simulering och/eller i realtid direkt på edge-hårdvara. Hitta koden här och det medföljande rapporten här.
Om du är intresserad av att bli partner till AI Sweden och få tillgång till partnerförmånerna, inklusive labben, tveka inte att kontakta oss.
För mer information, kontakta
