論文の概要: Space Network of Experts: Architecture and Expert Placement

• arxiv url: http://arxiv.org/abs/2605.00515v1
• Date: Fri, 01 May 2026 08:40:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.914881
• Title: Space Network of Experts: Architecture and Expert Placement
• Title（参考訳）: Space Network of Experts: Architecture and Expert Placement
• Authors: Zhanwei Wang, Huiling Yang, Min Sheng, Khaled B. Letaief, Kaibin Huang,
• Abstract要約: 宇宙データセンターは、エネルギー集約型大規模言語モデル(LLM)を実行するための有望なプラットフォームとして構想されている しかし、重要な課題の1つは、衛星ネットワークにおける大規模LSMの効率的な分散配置である。 本稿では,広く普及しているMix-of-Experts(MoE)モデルの分散実行を目的としたSpace Network of Experts(Space-XNet)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 53.89437186709926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Leveraging continuous solar energy harvesting at high efficiency, space data centers are envisioned as a promising platform for executing energy-intensive large language models (LLMs). Recognizing this advantage, space and AI conglomerates (e.g., SpaceX, Google) are actively investing in this vision. One key challenge, however, is the efficient distributed deployment of a large-scale LLM in a satellite network due to the limited onboard computing and communication resources. This gives rise to a placement problem that involves partitioning and mapping model components to satellites such that the fundamentally different model architecture and network topology can be reconciled to ensure low-latency token generation. To address this problem, we present the Space Network of Experts (Space-XNet) framework targeting the distributed execution of a popular mixture-of-experts (MoE) model in space. The proposed placement strategies are two-level: (1) layer placement, which assigns MoE layers to satellite subnets; and (2) intra-layer expert placement, which assigns individual experts to satellites associated with the same layer/subnet. For layer placement, we exploit the ring-like communication pattern of autoregressive inference to partition the satellite constellation along the orbiting direction into subnets arranged on a ring, each hosting one MoE layer. Based on this architecture, we formulate and solve an optimization problem for intra-layer expert placement to map experts with heterogeneous activation probabilities onto satellites. The derived strategy reveals an intuitive principle: a frequently activated expert should be mapped to a satellite on a routing path with low expected latency. Experiments over a thousand-satellite constellation show that Space-XNet achieves at least a threefold latency reduction compared with conventional random and ablation-based placement strategies.
• Abstract（参考訳）: 高効率で連続的な太陽エネルギーの収穫を活用することで、宇宙データセンターはエネルギー集約型大規模言語モデル(LLM)を実行するための有望なプラットフォームとして考えられている。 この利点を認識し、スペースとAIコングロマリット(SpaceX、Googleなど)はこのビジョンに積極的に投資している。 しかし、重要な課題の1つは、オンボードコンピューティングと通信資源の制限により、衛星ネットワークにおける大規模LLMの効率的な分散配置である。 これにより、基本的に異なるモデルアーキテクチャとネットワークトポロジを整合化して低遅延トークン生成を保証することができるように、モデルコンポーネントを衛星に分割およびマッピングすることに関わる配置問題が発生する。 この問題に対処するために、宇宙における人気のあるミックス・オブ・エキスパート(MoE)モデルの分散実行を目的としたSpace Network of Experts(Space-XNet)フレームワークを提案する。 提案手法は,(1)MoE層を衛星サブネットに割り当てる層配置,(2)個別の専門家を同一層・サブネットに関連する衛星に割り当てる層内専門家配置の2段階である。 層配置では、自己回帰推論のリングライクな通信パターンを利用して、衛星コンステレーションを軌道方向に沿って分割し、リング上に配置されたサブネットに分割し、1つのMoE層をホストする。 このアーキテクチャに基づいて、異種活性化確率を持つ専門家を衛星にマッピングするために、層内専門家配置のための最適化問題を定式化し、解決する。 頻繁にアクティベートされる専門家は、期待されるレイテンシの低いルーティングパス上の衛星にマップされるべきである。 数千個の衛星星座上での実験により、スペースXNetは従来のランダムおよびアブレーションに基づく配置戦略と比較して少なくとも3倍の遅延低減を達成することが示された。

関連論文リスト

• ASTREA: Introducing Agentic Intelligence for Orbital Thermal Autonomy [51.56484100374058]
  ASTREAは、自律的な宇宙船運用のためのフライト・ヘリテージ・ハードウェア上で実行される最初のエージェント・システムである。 我々は,資源制約付き大規模言語モデル(LLM)エージェントと強化学習コントローラを,空間対応プラットフォームに適した非同期アーキテクチャに統合する。
  論文  参考訳（メタデータ） (2025-09-16T08:52:13Z)
• Joint AoI and Handover Optimization in Space-Air-Ground Integrated Network [48.485907216785904]
  ローアース軌道(LEO)衛星コンステレーションは、地球をカバーし、遅延を減少させる有望な解決策を提供する。 しかし、軌道力学による間欠的カバレッジと間欠的な通信窓に苦しむ。 我々の3層設計では、HAP-地上通信のための高容量衛星間通信と信頼性無線周波数(RF)リンクに、ハイブリッド自由空間光(FSO)リンクを用いる。
  論文  参考訳（メタデータ） (2025-09-16T06:16:56Z)
• A Semi-Supervised Federated Learning Framework with Hierarchical Clustering Aggregation for Heterogeneous Satellite Networks [2.5774044809669663]
  低軌道(LEO)衛星は6Gネットワークの重要なコンポーネントとして出現している。 階層的な集約を伴うLEO衛星ネットワークに適した,新しい半教師付きフェデレーション学習フレームワークを提案する。 提案手法は,他の比較手法と比較して処理時間(最大3倍)とエネルギー消費(最大4倍)を著しく削減できる。
  論文  参考訳（メタデータ） (2025-07-30T02:47:14Z)
• Demand-Aware Beam Hopping and Power Allocation for Load Balancing in Digital Twin empowered LEO Satellite Networks [6.8053434130447625]
  ビームホッピング(BH)技術を利用した低地球軌道(LEO)衛星は、広範囲のカバレッジ、低レイテンシ、高帯域幅、大きな柔軟性を提供する。 従来のビームホッピング(BH)法は、衛星干渉、重なり合うカバー、モビリティといった問題に対処できない。 本稿では,複数のLEO衛星を対象としたDigital Twin(DT)を用いた協調資源割り当てネットワークについて検討する。
  論文  参考訳（メタデータ） (2024-10-29T01:32:11Z)
• SatFed: A Resource-Efficient LEO Satellite-Assisted Heterogeneous Federated Learning Framework [19.59862482196897]
  資源効率の高い衛星支援ヘテロジニアスFLフレームワークであるSatFedを提案する。 SatFedは、高度に制約された衛星地上帯域の利用を最適化するために、鮮度に基づくモデルの優先順位付けキューを実装している。 実世界のLEO衛星ネットワークを用いた実験により、SatFedは最先端のベンチマークよりも優れた性能と堅牢性を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-20T13:44:00Z)
• Learning Emergent Random Access Protocol for LEO Satellite Networks [51.575090080749554]
  創発的ランダムアクセスチャネルプロトコル(eRACH)と呼ばれるLEO SATネットワークのための新しい許可なしランダムアクセスソリューションを提案する。 eRACHは、非定常ネットワーク環境との相互作用によって生じるモデルフリーなアプローチである。 RACHと比較して,提案するeRACHは平均ネットワークスループットが54.6%向上することを示す。
  論文  参考訳（メタデータ） (2021-12-03T07:44:45Z)
• Deep Learning Aided Routing for Space-Air-Ground Integrated Networks Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
  現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。 大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。 低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:12:10Z)
• Integrating LEO Satellite and UAV Relaying via Reinforcement Learning for Non-Terrestrial Networks [51.05735925326235]
  低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。 軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。 エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。 本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2020-05-26T05:39:27Z)

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。