論文の概要: AI in Space for Scientific Missions: Strategies for Minimizing Neural-Network Model Upload
- arxiv url: http://arxiv.org/abs/2406.14297v1
- Date: Thu, 20 Jun 2024 13:24:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 13:42:16.054733
- Title: AI in Space for Scientific Missions: Strategies for Minimizing Neural-Network Model Upload
- Title（参考訳）: 科学ミッションのための宇宙におけるAI:ニューラルネットワークモデルのアップロードを最小限にするための戦略
- Authors: Jonah Ekelund, Ricardo Vinuesa, Yuri Khotyaintsev, Pierre Henri, Gian Luca Delzanno, Stefano Markidis,
- Abstract要約: 地球の磁気圏でAIを使ってデータを分類する方法を示す。
それぞれのネットワークを、元のサイズの75%まで削減できることを示す。
- 参考スコア（独自算出の注目度）: 0.7421845364041001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial Intelligence (AI) has the potential to revolutionize space exploration by delegating several spacecraft decisions to an onboard AI instead of relying on ground control and predefined procedures. It is likely that there will be an AI/ML Processing Unit onboard the spacecraft running an inference engine. The neural-network will have pre-installed parameters that can be updated onboard by uploading, by telecommands, parameters obtained by training on the ground. However, satellite uplinks have limited bandwidth and transmissions can be costly. Furthermore, a mission operating with a suboptimal neural network will miss out on valuable scientific data. Smaller networks can thereby decrease the uplink cost, while increasing the value of the scientific data that is downloaded. In this work, we evaluate and discuss the use of reduced-precision and bare-minimum neural networks to reduce the time for upload. As an example of an AI use case, we focus on the NASA's Magnetosperic MultiScale (MMS) mission. We show how an AI onboard could be used in the Earth's magnetosphere to classify data to selectively downlink higher value data or to recognize a region-of-interest to trigger a burst-mode, collecting data at a high-rate. Using a simple filtering scheme and algorithm, we show how the start and end of a region-of-interest can be detected in on a stream of classifications. To provide the classifications, we use an established Convolutional Neural Network (CNN) trained to an accuracy >94%. We also show how the network can be reduced to a single linear layer and trained to the same accuracy as the established CNN. Thereby, reducing the overall size of the model by up to 98.9%. We further show how each network can be reduced by up to 75% of its original size, by using lower-precision formats to represent the network parameters, with a change in accuracy of less than 0.6 percentage points.
- Abstract（参考訳）: 人工知能(AI)は、地上制御や事前定義された手順に頼るのではなく、いくつかの宇宙船決定をオンボードAIに委譲することで、宇宙探査に革命をもたらす可能性がある。
推論エンジンを実行する宇宙船には、AI/ML処理ユニットが搭載される可能性が高い。
ニューラルネットワークには、地上でのトレーニングによって得られたパラメータであるテレコマンドをアップロードすることで、オンボードで更新できるパラメータがプリインストールされている。
しかし、衛星アップリンクは帯域幅が限られており、通信コストも高い。
さらに、最適なニューラルネットワークで運用するミッションは、貴重な科学的データを見逃すことになる。
これにより、ダウンロードされる科学データの価値を高めながら、より小さなネットワークでアップリンクコストを削減できる。
本研究では,アップロード時間を削減するために,精度の低下と最小限のニューラルネットワークの利用を評価検討する。
AIのユースケースの例として、NASAのMMSミッションに注目します。
我々は、地球磁気圏におけるAIの搭載方法を示し、より高い値データを選択的にダウンリンクするためにデータを分類したり、興味のある領域を認識してバーストモードをトリガーし、ハイレートでデータを収集する。
簡単なフィルタリング手法とアルゴリズムを用いて、関心領域の開始と終了が分類ストリーム上でどのように検出されるかを示す。
分類のために、我々は94%の精度でトレーニングされた確立された畳み込みニューラルネットワーク(CNN)を使用します。
また、ネットワークを1つの線形層に減らし、確立したCNNと同じ精度でトレーニングする方法を示す。
これにより、モデル全体のサイズを最大98.9%削減できる。
さらに,ネットワークパラメータの表現に低精度のフォーマットを用いることで,各ネットワークを最大75%削減し,0.6ポイント未満の精度で精度を向上できることを示す。
関連論文リスト
- Legged Robot State Estimation With Invariant Extended Kalman Filter
Using Neural Measurement Network [2.0405494347486197]
我々は、ニューラルネットワーク(NMN)と不変拡張カルマンフィルタを統合する状態推定フレームワークを開発した。
提案手法は,既存のモデルベース状態推定器と比較して位置ドリフトを著しく低減する。
論文 参考訳（メタデータ） (2024-02-01T06:06:59Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳（メタデータ） (2023-07-03T04:10:55Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Lost Vibration Test Data Recovery Using Convolutional Neural Network: A
Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。
3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。
畳み込み層を追加することによりモデルの精度が向上した。
論文 参考訳（メタデータ） (2022-04-11T23:24:03Z) - The Devil Is in the Details: An Efficient Convolutional Neural Network
for Transport Mode Detection [3.008051369744002]
トランスポートモード検出は、マルチモーダル信号が与えられたユーザのトランスポートモードを推測できるアルゴリズムを設計することを目的とした分類問題である。
小型で最適化されたモデルが、現在のディープモデルと同様に動作可能であることを示す。
論文 参考訳（メタデータ） (2021-09-16T08:05:47Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Transfer Learning with Convolutional Networks for Atmospheric Parameter
Retrieval [14.131127382785973]
MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する
IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。
本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
論文 参考訳（メタデータ） (2020-12-09T09:28:42Z) - Wireless Localisation in WiFi using Novel Deep Architectures [4.541069830146568]
本稿では,コモディティ・チップセットと標準チャネル・サウンドによるWiFi機器の屋内位置推定について検討する。
本稿では、異なるアンテナで受信されたWiFiサブキャリアに対応するチャネル状態情報から特徴を抽出する、新しい浅層ニューラルネットワーク(SNN)を提案する。
論文 参考訳（メタデータ） (2020-10-16T22:48:29Z) - MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。
我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。
我々は精度-速度トレードオフの観点から最先端の結果を得る。
論文 参考訳（メタデータ） (2020-09-29T11:56:01Z) - Effective Version Space Reduction for Convolutional Neural Networks [61.84773892603885]
アクティブラーニングでは、サンプリングバイアスは深刻な矛盾問題を引き起こし、アルゴリズムが最適な仮説を見つけるのを妨げる可能性がある。
本稿では,畳み込みニューラルネットワークを用いた能動学習について,バージョン空間削減の原理的レンズを用いて検討する。
論文 参考訳（メタデータ） (2020-06-22T17:40:03Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。