論文の概要: Space Generative AI with Solar Energy Harvesting
- arxiv url: http://arxiv.org/abs/2609.01062v1
- Date: Tue, 01 Sep 2026 10:58:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.592189
- Title: Space Generative AI with Solar Energy Harvesting
- Title（参考訳）: 太陽エネルギーハーベスティングによる宇宙生成AI
- Authors: Jierui Zhang, Jianhao Huang, Zhanwei Wang, Kaibin Huang,
- Abstract要約: 本稿では、衛星がユーザのプロンプトを受け取り、拡散ベースの画像生成モデルを実行し、厳密な時間窓で圧縮結果をダウンリンクする太陽エネルギー空間生成AIのためのフレームワークを提案する。
我々は、決定論的軌道運動によって誘導される予測可能な太陽-EHダイナミクスを活用し、抽出可能な2段階アプローチを用いて、共同でC$2$の資源最適化フレームワークを開発する。
- 参考スコア（独自算出の注目度）: 31.119597584785595
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Satellites are emerging as promising platforms to extend generative \emph{artificial intelligence} (AI) services to remote areas lacking terrestrial infrastructure. However, deploying space generative AI is fundamentally constrained by the limited, time-varying onboard energy supplied by solar \emph{energy harvesting} (EH). This paper presents a framework for solar-powered space generative AI in which a satellite receives a user prompt, executes a diffusion-based image-generation model, and downlinks the compressed result within a strict time window. We identify the fundamental \emph{computation--communication} (C$^2$) trade-offs governed by the shared harvested-energy budgets. Specifically, increasing the number of generation steps improves intrinsic image quality but depletes energy and time available for downlink transmission, whereas prioritizing communication guarantees reliable delivery but sacrifices semantic quality. To balance these trade-offs and maximize \emph{end-to-end} (E2E) generative performance, we exploit the predictable solar-EH dynamics induced by deterministic orbital motion and develop a joint C$^2$ resource-optimization framework using a tractable two-step approach. First, we characterize the maximum downlink throughput for a fixed generation depth under continuous solar EH. This establishes a separation principle that decouples waiting-time selection from optimal transmit-power control. Next, we formulate a joint C$^2$ utility-maximization problem and derive a closed-form, low-complexity step-selection policy in the dominant constant-power regime. Extensive experiments under realistic orbital dynamics demonstrate that the proposed policy dynamically balances generation quality and transmission reliability. This yields significant E2E performance gains over static computation- and communication-centric baselines across diverse solar-EH states.
- Abstract（参考訳）: 衛星は、地球インフラの欠如した遠隔地への生成的な \emph{artificial Intelligence} (AI) サービスを拡張するための有望なプラットフォームとして浮上している。
しかし、宇宙生成AIの展開は、太陽エネルギー収穫(EH)によって供給される制限された時間変化のオンボードエネルギーによって、基本的に制限されている。
本稿では、衛星がユーザのプロンプトを受け取り、拡散ベースの画像生成モデルを実行し、厳密な時間窓で圧縮結果をダウンリンクする太陽エネルギー空間生成AIのためのフレームワークを提案する。
我々は、共有収穫エネルギー予算によって管理される基本的な「emph{computation--communication}」(C$^2$)トレードオフを特定する。
具体的には、生成ステップの数を増やすことで、本質的な画質が向上するが、ダウンリンク伝送に利用可能なエネルギーと時間を消費する一方、通信の優先順位付けによって信頼性の高い配信が保証されるが、セマンティック品質は犠牲になる。
これらのトレードオフのバランスを保ち、E2E生成性能を最大化するために、決定論的軌道運動によって誘導される予測可能な太陽-EHダイナミクスを活用し、抽出可能な2段階アプローチを用いた共同C$^2$資源最適化フレームワークを開発する。
まず、連続太陽EHの下での固定発生深度に対する最大ダウンリンクスループットを特徴付ける。
これにより、最適な送信電力制御から待ち時間選択を分離する分離原理が確立される。
次に、C$^2$ユーティリティ最大化問題を定式化し、支配的定電力体制における閉形式、低複雑さステップ選択ポリシーを導出する。
現実的な軌道力学の下での大規模な実験により、提案手法は生成品質と伝送信頼性を動的にバランスさせることが示されている。
これにより、様々な太陽-EH状態にわたる静的計算および通信中心のベースラインよりも大きなE2E性能が向上する。
関連論文リスト
- ML-Based Hierarchical Prediction for Practical Energy Scheduling in Dynamic NTN-WPT Systems [22.833811934950045]
次世代無線ネットワークにおいて,長距離無線電力伝送(WPT)が有望なアプローチとして浮上している。
本稿では,エネルギー効率,タスク完了率,タスク待ち時間を共同で最適化するエネルギースケジューリング手法を提案する。
論文 参考訳（メタデータ） (2026-08-09T16:41:13Z) - Outperforming Self-Attention Mechanisms in Solar Irradiance Forecasting via Physics-Guided Neural Networks [0.0]
アーキテクチャの深さよりもドメイン知識を優先する軽量な物理インフォームドハイブリッドCNN-BiLSTMフレームワークを提案する。
標準的なデータ駆動アプローチとは異なり、私たちのモデルは、Clear-Sky IndicesやSolar Zenith Angleなど15のエンジニアリングされた特徴のベクターによって明示的に導かれています。
スーダンのNASA POWERデータを用いた実験的検証では、我々の物理誘導によるアプローチが19.53W/m2のルート平均角誤差(RMSE)を達成し、複雑な注意ベースラインを著しく上回ることを示した。
論文 参考訳（メタデータ） (2026-04-15T04:17:20Z) - OptiVote: Non-Coherent FSO Over-the-Air Majority Vote for Communication-Efficient Distributed Federated Learning in Space Data Centers [68.73273027298625]
メガコンステレーションは、宇宙データセンター(SDC)の長期的なビジョンを推進している
AirCompはフリースペース(FSO)を学習するためのネットワーク内集約フレームワーク
AirVoteは符号勾配(SGD)と多数符号変調(PPM)を統合し、各衛星はPPMタイムスロットを活性化することで局所勾配を伝達する。
OptiVoteは位相依存性電場重ね合わせを位相非依存光強度結合に緩和する。
論文 参考訳（メタデータ） (2025-12-30T16:40:02Z) - 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) - Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal
Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。
正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。
既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文 参考訳（メタデータ） (2023-05-30T04:03:15Z) - Short term solar energy prediction by machine learning algorithms [0.47791962198275073]
機械学習技術の強みを利用した日次太陽エネルギー予測について報告する。
線形, 尾根, ラッソ, 決定木, ランダム森林, 人工ニューラルネットワークなどのベースライン回帰器の予測モデルを実装した。
改良された精度は,2つのグリッドサイズでランダム森林と尾根回帰器によって達成されている。
論文 参考訳（メタデータ） (2020-10-25T17:56:03Z)
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。