論文の概要: Satellite Edge Artificial Intelligence with Large Models: Architectures and Technologies
- arxiv url: http://arxiv.org/abs/2504.01676v1
- Date: Wed, 02 Apr 2025 12:25:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-03 13:17:54.899322
- Title: Satellite Edge Artificial Intelligence with Large Models: Architectures and Technologies
- Title（参考訳）: 大規模モデルを用いた衛星エッジ人工知能 - アーキテクチャと技術
- Authors: Yuanming Shi, Jingyang Zhu, Chunxiao Jiang, Linling Kuang, Khaled B. Letaief,
- Abstract要約: 極度の気象予報、災害監視、戦場監視はリアルタイムのデータ処理を必要とする。
衛星エッジ大型AIモデル(LAM)は、トレーニング(微調整)と推論フェーズの両方を含む。
時間変化トポロジを持つ資源制約付き宇宙ネットワークにおけるLAM展開
- 参考スコア（独自算出の注目度）: 43.24943201324192
- License:
- Abstract: Driven by the growing demand for intelligent remote sensing applications, large artificial intelligence (AI) models pre-trained on large-scale unlabeled datasets and fine-tuned for downstream tasks have significantly improved learning performance for various downstream tasks due to their generalization capabilities. However, many specific downstream tasks, such as extreme weather nowcasting (e.g., downburst and tornado), disaster monitoring, and battlefield surveillance, require real-time data processing. Traditional methods via transferring raw data to ground stations for processing often cause significant issues in terms of latency and trustworthiness. To address these challenges, satellite edge AI provides a paradigm shift from ground-based to on-board data processing by leveraging the integrated communication-and-computation capabilities in space computing power networks (Space-CPN), thereby enhancing the timeliness, effectiveness, and trustworthiness for remote sensing downstream tasks. Moreover, satellite edge large AI model (LAM) involves both the training (i.e., fine-tuning) and inference phases, where a key challenge lies in developing computation task decomposition principles to support scalable LAM deployment in resource-constrained space networks with time-varying topologies. In this article, we first propose a satellite federated fine-tuning architecture to split and deploy the modules of LAM over space and ground networks for efficient LAM fine-tuning. We then introduce a microservice-empowered satellite edge LAM inference architecture that virtualizes LAM components into lightweight microservices tailored for multi-task multimodal inference. Finally, we discuss the future directions for enhancing the efficiency and scalability of satellite edge LAM, including task-oriented communication, brain-inspired computing, and satellite edge AI network optimization.
- Abstract（参考訳）: インテリジェントなリモートセンシングアプリケーションへの需要が高まる中、大規模な人工知能(AI)モデルは、大規模なラベル付きデータセットで事前トレーニングされ、下流タスク用に微調整された。
しかし、極端な気象予報(例えば、ダウンバーストや竜巻)、災害監視、戦場での監視など、多くの特定の下流タスクは、リアルタイムのデータ処理を必要としている。
生データを地上局に転送して処理する従来の手法は、レイテンシと信頼性の点で重大な問題を引き起こすことが多い。
これらの課題に対処するため、サテライトエッジAIは、宇宙コンピューティングパワーネットワーク(Space-CPN)における統合通信・計算機能を活用することで、地上ベースのデータ処理からオンボードデータ処理へのパラダイムシフトを提供する。
さらに、衛星エッジ大型AIモデル(LAM)には、トレーニング(微調整)と推論フェーズの両方が伴う。そこでは、時間的に異なるトポロジを持つリソース制約された宇宙ネットワークにおけるスケーラブルなLAMデプロイメントをサポートするために、計算タスクの分解原則を開発することが重要な課題である。
本稿では,LAMのモジュールを空間および地上ネットワーク上で分割展開し,効率的なLAMファインチューニングを実現するための衛星フェデレーションファインチューニングアーキテクチャを提案する。
次に、マルチタスクマルチモーダル推論に適した軽量マイクロサービスにLAMコンポーネントを仮想化する、マイクロサービスを利用した衛星エッジLAM推論アーキテクチャを導入します。
最後に、タスク指向通信、ブレインインインスパイアされたコンピューティング、サテライトエッジAIネットワーク最適化を含む、サテライトエッジAMの効率性とスケーラビリティを高めるための今後の方向性について議論する。
関連論文リスト
- Brain-Inspired Decentralized Satellite Learning in Space Computing Power Networks [42.67808523367945]
Space Computing Power Networks (Space-CPN) は、衛星の計算能力を調整し、オンボードのデータ処理を可能にする、有望なアーキテクチャとして登場した。
本稿では,ニューロモルフィックコンピューティングアーキテクチャがサポートするスパイクニューラルネットワーク(SNN)をオンボードデータ処理に適用することを提案する。
我々は分散型ニューロモルフィック学習フレームワークを提案し、通信効率の良い平面間モデルアグリゲーション法を開発した。
論文 参考訳（メタデータ） (2025-01-27T12:29:47Z) - A Distance Similarity-based Genetic Optimization Algorithm for Satellite Ground Network Planning Considering Feeding Mode [53.71516191515285]
衛星データ中継ミッションの送信効率の低さは、現在システムの構築を制約している問題となっている。
本研究では,タスク間の状態特性を考慮した距離類似性に基づく遺伝的最適化アルゴリズム(DSGA)を提案し,タスク間の類似性を決定するための重み付きユークリッド距離法を提案する。
論文 参考訳（メタデータ） (2024-08-29T06:57:45Z) - Hierarchical Learning and Computing over Space-Ground Integrated Networks [40.19542938629252]
地上IoTデバイス上で,局所的に訓練されたモデルに対してグローバルアグリゲーションサービスを提供するための階層的学習・計算フレームワークを提案する。
モデルアグリゲーションのネットワークエネルギー問題を定式化し、これはDST問題であることが判明した。
代用有向グラフ上で最小スパンニングアーボラッセンスを求めることでDST問題を解決するためのトポロジカル・アウェア・エネルギ効率・ルーティング(TAEER)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-26T09:05:43Z) - Leveraging Large Language Models for Integrated Satellite-Aerial-Terrestrial Networks: Recent Advances and Future Directions [47.791246017237]
統合衛星、航空、地上ネットワーク(ISATN)は多様な通信技術の洗練された収束を表現している。
本稿では,Large Language Models (LLM) を ISATN に統合するトランスフォーメーションの可能性について検討する。
論文 参考訳（メタデータ） (2024-07-05T15:23:43Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - Olive Branch Learning: A Topology-Aware Federated Learning Framework for
Space-Air-Ground Integrated Network [19.059950250921926]
SAGINの助けを借りてAIモデルをトレーニングすることは、高度に制約されたネットワークトポロジ、非効率なデータ転送、プライバシー問題といった課題に直面している。
まず,SAGINのための新しいトポロジ対応フェデレーション学習フレームワーク,すなわちOlive Branch Learning (OBL)を提案する。
我々はOBLフレームワークとCNASAアルゴリズムを拡張し、より複雑なマルチ軌道衛星ネットワークに適応する。
論文 参考訳（メタデータ） (2022-12-02T14:51:42Z) - Artificial Intelligence Techniques for Next-Generation Mega Satellite
Networks [37.87439415970645]
本稿では,地球規模の衛星ネットワーク,特に大規模衛星ネットワーク通信におけるAI技術の適用について紹介する。
巨大な衛星ネットワークのユニークな特徴を詳述し、現在の通信インフラへの統合と相容れない課題を詳述する。
これには、高度にダイナミックなラジオチャンネル、スペクトルセンシングと分類、信号検出と復調、衛星間および衛星アクセスネットワーク最適化、ネットワークセキュリティの予測にAIを適用することが含まれる。
論文 参考訳（メタデータ） (2022-06-02T13:56:32Z) - Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文 参考訳（メタデータ） (2022-05-27T13:09:29Z) - Federated learning for LEO constellations via inter-HAP links [0.0]
ローアース・オービット(LEO)衛星星座は近年、急速に展開している。
このような応用に機械学習(ML)を適用するには、画像などの衛星データを地上局(GS)にダウンロードする従来の方法は望ましいものではない。
既存のFLソリューションは、過剰収束遅延や信頼できない無線チャネルといった大きな課題のために、そのようなLEOコンステレーションのシナリオには適さないことを示す。
論文 参考訳（メタデータ） (2022-05-15T08:22:52Z) - Artificial Intelligence for Satellite Communication: A Review [91.3755431537592]
この研究は、AI、その多様なサブフィールド、そして最先端のアルゴリズムの概要を提供する。
さまざまな衛星通信分野へのAIの適用は、ビームホッピング、アンチジャミング、ネットワークトラフィック予測、チャネルモデリング、テレメトリマイニング、電離圏シンチレーション検出、干渉管理、リモートセンシング、行動モデリング、スペースエアグラウンド統合、エネルギー管理など、優れた可能性を実証しています。
論文 参考訳（メタデータ） (2021-01-25T13:01:16Z)
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。