Fugu-MT 論文翻訳(概要): The Cost and Network Limits of Space-Based AI Compute

論文の概要: The Cost and Network Limits of Space-Based AI Compute

arxiv url: http://arxiv.org/abs/2607.14172v1
Date: Wed, 15 Jul 2026 09:42:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-17 17:01:32.850729
Title: The Cost and Network Limits of Space-Based AI Compute
Title（参考訳）: スペースベースAIコンピューティングのコストとネットワーク限界
Abstract要約: 分析は、打ち上げコスト、発電、冷却、放射線暴露、大気圏再突入の軌道と地上のシステムを比較している。 LEOに基づく推論は実現可能であるが、軌道上におけるフロンティアスケールのLSMの訓練は地球上のデータセンターと競合する可能性は低い。
参考スコア（独自算出の注目度）: 2.436681150766912
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper evaluates whether large-scale AI data centers deployed in low-Earth orbit (LEO) could become a cost-effective alternative to terrestrial facilities. The analysis compares orbital and ground-based systems across launch cost, power generation, cooling, radiation exposure, and atmospheric reentry, as well as compute-network performance. A key distinction is the shift from terrestrial Clos networks to space-based mesh networks using laser inter-satellite links. Using bisection bandwidth, bisection intensity, and roofline-style models, we show that while LEO-based inference may be feasible, training frontier-scale LLMs in orbit is unlikely to be competitive with terrestrial data centers.
Abstract（参考訳）: 本稿では,地球低軌道(LEO)に展開する大規模AIデータセンターが,地上施設の代用として費用対効果が高いかを評価する。この分析は、打ち上げコスト、発電、冷却、放射線暴露、大気圏再突入といった軌道と地上のシステムと、コンピュータネットワークの性能を比較している。重要な違いは、地上のClosネットワークから、レーザーインターサテライトリンクを使用した宇宙ベースのメッシュネットワークへの移行である。両断面帯域幅, 断面強度, 屋根面形状モデルを用いて, LEOに基づく推定は実現可能であるが, 軌道上におけるフロンティアスケールLEMの訓練は地上のデータセンターと競合する可能性が低いことを示す。

関連論文リスト

FractalNet-Based Heterogeneous Federated Learning for Orbital Edge Intelligence in Satellite Mega-Constellations: A Wildfire Case Study [0.3093890460224435]
大規模センシング、通信、計算ファブリックとして、メガコンステレーションが出現している。軌道エッジインテリジェンスのためのフラクタルネットアーキテクチャに基づく異種フェデレーション学習手法を提案する。シミュレーションされたメガコンステレーションの実験は、収束、通信効率、エネルギー適応、スケジュールされた貯蓄、堅牢性、レイテンシーのアプローチを検証する。
論文参考訳（メタデータ） (2026-09-01T08:07:39Z)
Deep Tech to Space: Space Data Centers and AI Revolution at the Edge [5.191708026362522]
Space Data Centers (SDC) は、ソフトウェア駆動のマルチテナント人工知能ベースのサービスプラットフォームで、軌道上でデータを処理できる。本稿では、軌道設計、衛星間リンク、ネットワークトポロジーを考慮して、低軌道SDC衛星コンステレーションのアーキテクチャについて述べる。我々は,技術ロードマップから得られた予測モデルを用いて,SDCの技術的実現可能性と経済性について分析する。
論文参考訳（メタデータ） (2026-05-19T14:23:26Z)
Space Network of Experts: Architecture and Expert Placement [53.89437186709926]
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。
論文参考訳（メタデータ） (2026-05-01T08:40:31Z)
Towards a future space-based, highly scalable AI infrastructure system design [1.6764108000740328]
この研究は、宇宙における機械学習のためのスケーラブルな計算システムを探究する。太陽電池アレイ、自由空間光学を用いた衛星間リンク、Google Tenor Processing Unit(TPU)アクセラレータチップを備えた衛星群を使用している。本稿では, 半径1kmの81サテライトクラスターによる成層飛行の基本的アプローチについて述べるとともに, 大規模星座の制御に高精度MLモデルを用いるアプローチについて述べる。
論文参考訳（メタデータ） (2025-11-22T00:28:08Z)
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)
FedSN: A Federated Learning Framework over Heterogeneous LEO Satellite Networks [18.213174641216884]
多数の低軌道軌道(LEO)衛星が打ち上げられ、SpaceXなどの商業企業によって宇宙に投入された。 LEO衛星が搭載するマルチモーダルセンサにより、通信だけでなく、空間変調認識やリモートセンシング画像分類など、さまざまな機械学習アプリケーションにも機能する。本稿では,これらの課題に対処するための一般FLフレームワークとしてFedSNを提案し,LEO衛星上でのデータ多様性について検討する。
論文参考訳（メタデータ） (2023-11-02T14:47:06Z)
Edge Selection and Clustering for Federated Learning in Optical Inter-LEO Satellite Constellation [12.489681058742358]
我々は、低軌道(FELLO)のための協調的連合学習を提案している。我々は、低遅延地上ゲートウェイサーバ(GS)が初期信号制御のみを行うのに対し、低ペイロードの衛星間伝送でLEOに全処理を割り当てる。提案したFELLOは、従来の集中型および分散型アーキテクチャよりも高い分類精度と、共同通信と計算のレイテンシを両立させる。
論文参考訳（メタデータ） (2023-03-25T04:24:16Z)
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。