연구원들이 처음으로 우주 공간에서 기계 학습 모델 훈련에 성공

옥스포드 대학이 주도하는 프로젝트는 처음으로 인공위성을 타고 우주 공간에서 기계 학습 모델을 훈련했습니다. 이 성과는 다양한 애플리케이션에 대한 실시간 모니터링 및 의사 결정을 가능하게 함으로써 원격 감지 위성의 기능을 혁신할 수 있습니다.

원격 감지 위성에서 수집한 데이터는 항공 매핑, 날씨 예측, 삼림 벌채 모니터링을 비롯한 많은 주요 활동의 기본입니다. 현재 대부분의 위성은 결정을 내리거나 변화를 감지할 수 있는 장비가 없기 때문에 수동적으로만 데이터를 수집할 수 있습니다. 대신, 처리를 위해 데이터를 지구로 전달해야 하며, 일반적으로 몇 시간 또는 며칠이 소요됩니다. 이로 인해 자연 재해와 같이 빠르게 발생하는 이벤트를 식별하고 대응하는 능력이 제한됩니다.

이러한 제한을 극복하기 위해 DPhil 학생인 Vít Růžička(옥스퍼드 대학교 컴퓨터 과학과)가 이끄는 연구원 그룹은 우주 공간에서 최초의 기계 학습 프로그램을 교육하는 도전에 착수했습니다. 2022년에 팀은 2022년 1월에 발사된 ION SCV004 위성에서 수행할 프로젝트 제안에 대한 공개 모집을 발표한 Dashing through the Stars 미션에 아이디어를 성공적으로 제시했습니다. 2022년 가을 동안 팀은 프로그램 코드를 이미 궤도에 있는 위성에 업링크했습니다.

연구원들은 지상에서의 훈련과 달리 위성에 직접 탑재된 항공 이미지에서 구름 덮개의 변화를 감지하는 간단한 모델을 훈련했습니다. 이 모델은 훈련할 샘플이 몇 개 밖에 없을 때 모델이 찾아야 할 가장 중요한 기능을 학습할 수 있는 퓨샷 학습이라는 접근 방식을 기반으로 합니다. 주요 이점은 데이터를 더 작은 표현으로 압축할 수 있어 모델을 더 빠르고 효율적으로 만들 수 있다는 것입니다.

Vít Růžička는 다음과 같이 설명했습니다. ‘RaVAEn이라고 하는 우리가 개발한 모델은 먼저 큰 이미지 파일을 128개 숫자의 벡터로 압축합니다. 학습 단계에서 모델은 이 벡터의 유익한 값만 유지하는 방법을 학습합니다. 감지하려는 변경 사항과 관련된 것입니다(이 경우 구름이 있는지 여부). 그 결과 학습할 분류 모델이 매우 작기 때문에 학습 속도가 매우 빨라집니다.’

새로 본 이미지를 압축하기 위한 모델의 첫 번째 부분은 지상에서 훈련된 반면, 두 번째 부분(이미지에 구름이 포함되어 있는지 여부를 결정)은 위성에서 직접 훈련되었습니다.

일반적으로 기계 학습 모델을 개발하려면 연결된 컴퓨터 클러스터의 기능을 사용하여 여러 차례의 교육이 필요합니다. 대조적으로 팀의 작은 모델은 약 1.5초 만에 훈련 단계(1300개 이상의 이미지 사용)를 완료했습니다.

팀이 새로운 데이터에 대한 모델의 성능을 테스트했을 때 구름이 있는지 여부를 약 10분의 1초 안에 자동으로 감지했습니다. 여기에는 약 4.8×4.8km2 면적(거의 축구 경기장 450개에 해당)에 해당하는 장면을 인코딩하고 분석하는 작업이 포함되었습니다.

연구원들에 따르면, 이 모델은 다른 작업을 수행하고 다른 형태의 데이터를 사용하도록 쉽게 조정할 수 있습니다. Vít Růžička는 다음과 같이 덧붙였습니다. ‘이 시연을 통해 우리는 관심 있는 변화(예: 홍수, 화재, 삼림 벌채)와 자연적 변화(예: 계절에 따른 잎 색깔의 자연적 변화)를 자동으로 구분할 수 있는 고급 모델을 개발할 계획입니다. ). 또 다른 목표는 초분광 위성의 이미지를 포함하여 보다 복잡한 데이터에 대한 모델을 개발하는 것입니다. 이것은 예를 들어 메탄 누출 감지를 가능하게 할 수 있으며 기후 변화에 대처하는 데 중요한 영향을 미칠 것입니다.’

우주 공간에서 기계 학습을 수행하면 온보드 위성 센서가 혹독한 환경 조건의 영향을 받아 정기적인 보정이 필요한 문제를 극복하는 데 도움이 될 수 있습니다. Vít Růžička는 다음과 같이 말했습니다: ‘우리가 제안한 시스템은 하나의 위성에서 얻은 신뢰할 수 있는 정보를 나머지 별자리 훈련에 적용할 수 있는 비균질 위성의 별자리에 사용할 수 있습니다. 예를 들어 이것은 시간이 지남에 따라 성능이 저하되거나 환경의 급격한 변화를 경험한 센서를 재교정하는 데 사용할 수 있습니다.’

Vít의 DPhil 연구를 감독한 Andrew Markham 교수는 ‘머신 러닝은 원격 감지를 개선할 수 있는 엄청난 잠재력을 가지고 있습니다. 가능한 한 많은 지능을 위성에 밀어넣는 능력은 우주 기반 감지를 점점 더 자율적으로 만들 것입니다. 이것은 위성이 탑재된 데이터로부터 학습할 수 있도록 함으로써 획득과 행동 사이의 고유한 지연 문제를 극복하는 데 도움이 될 것입니다. Vít의 작업은 흥미로운 원리 증명 역할을 합니다.’

출처: https://www.sciencedaily.com/releases/2023/07/230728170641.htm