論文の概要: A ready-to-deploy MLOps software platform for satellite and NEO detection at meter-class ground-based observatories
- arxiv url: http://arxiv.org/abs/2609.27676v1
- Date: Wed, 23 Sep 2026 10:47:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.980272
- Title: A ready-to-deploy MLOps software platform for satellite and NEO detection at meter-class ground-based observatories
- Title（参考訳）: 衛星・NEO観測用MLOpsソフトウェアプラットフォーム
- Abstract要約: 地上の天体観測には、人工衛星、宇宙デブリ、潜在的に地球近傍天体(NEOs)によって生成されたストリークが含まれている。
機械学習モデルはこれらの特徴を確実に検出できるが、視覚検査、バリデーション、ワークフロー管理、構造化データストレージの統合ツールがないため、観測操作への実践的な採用は制限されることが多い。
本稿では、研究指向の機械学習パイプラインにMLOpsのプラクティスを適用したフレームワークであるStreakMindを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Ground-based astronomical observations frequently contain streaks produced by artificial satellites, space debris, and potentially Near-Earth Objects (NEOs). While machine-learning models can reliably detect these features, their practical adoption in observatory operations is often limited by the lack of integrated tools for visual inspection, validation, workflow management, and structured data storage. This paper presents the StreakMind Workbench, a framework that applies MLOps practices to bridge research-oriented machine-learning pipelines with routine observatory operations. Rather than introducing new detection algorithms, the Workbench addresses a software-engineering challenge in astronomical computing: maintaining a single authoritative source of scientific processing code while providing astronomers with an operational environment for workflow execution and result inspection. Integrated with the reference StreakMind AI model of Carrillo et al. (2026) and implemented in Python using PyQt5, the Workbench supports the complete workflow from FITS ingestion to database storage, including inference, result inspection, database exploration, training management, and Minor Planet Center formatted observations. Validation on 273 images from La Sagra Observatory demonstrates successful end-to-end workflows while maintaining consistency with the underlying StreakMind scientific code. The platform facilitates operational use of a research ML pipeline in meter-class observatories and moderate-scale campaigns, supporting Space Situational Awareness and planetary defence.
- Abstract（参考訳）: 地上で観測される天体は、しばしば人工衛星、宇宙デブリ、地球近傍天体(NEO)によって生成されたストリークを含む。
機械学習モデルはこれらの特徴を確実に検出できるが、視覚検査、バリデーション、ワークフロー管理、構造化データストレージの統合ツールがないため、観測操作への実践的な採用は制限されることが多い。
本稿では、研究指向の機械学習パイプラインにMLOpsのプラクティスを適用したフレームワークであるStreakMind Workbenchを提案する。
新しい検出アルゴリズムを導入するのではなく、Workbenchは天文学コンピューティングにおけるソフトウェアエンジニアリングの課題に対処する。
Carrillo et al (2026)の参照であるStreakMind AIモデルと統合され、PythonでPyQt5を使用して実装されているWorkbenchは、FITSの取り込みからデータベースストレージまでの完全なワークフローをサポートする。
ラ・サグラ天文台の273枚の画像に対する検証は、基礎となるStreakMindの科学的コードとの整合性を維持しながら、エンドツーエンドのワークフローの成功を実証している。
このプラットフォームは、メートル級天文台や中規模のキャンペーンで研究MLパイプラインの運用を促進し、宇宙状況認識と惑星防衛をサポートする。
関連論文リスト
- Towards Generalizable Visually Grounded Exploration of Household Devices [74.66117923766632]
汎用的な自律的実施エージェントを実現する上でのボトルネックは、Generalizable Visually Grounded Explorationにある。
VGEBenchは、視覚言語モデルの一般化可能な視野探索能力を評価するために設計されたベンチマークである。
静的なデータセットとは異なり、我々はLogic-Driven State Machineフレームワークを構築している。このフレームワークは多ターンインタラクションループをシミュレートし、アクティブな視覚知覚とフィードバック駆動の修正によって目標を達成するエージェントを説得する。
論文 参考訳（メタデータ） (2026-09-01T07:42:45Z) - Compass: Navigating Global Marine Lead Data Integration through Expert-Guided LLM Agent [55.77954024801206]
海洋鉛(Pb)とその同位体は海洋循環と人為的汚染にとって重要なトレーサーである。
手動抽出はスケールできないが、汎用大規模言語モデル(LLM)は必要なドメイン固有の知識を欠いている。
我々は,LLMが微調整なしで厳密な科学的データ抽出を行うことのできる専門家誘導型適応手法を提案する。
論文 参考訳（メタデータ） (2026-05-28T14:06:25Z) - Towards Agentic Intelligence for Materials Science [73.4576385477731]
この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。
コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
論文 参考訳（メタデータ） (2026-01-29T23:48:43Z) - Towards LLM-Powered Task-Aware Retrieval of Scientific Workflows for Galaxy [5.3326639738035055]
本稿では,高密度ベクトル探索と大規模言語モデル(LLM)を併用したタスク認識2段階検索フレームワークを提案する。
提案システムはまず,最先端の埋め込みモデルを用いて候補を検索し,次に命令調整型生成LDMを用いて再帰する。
我々は、標準赤外線測定値を用いて、語彙、密度、階調モデルの総合的な比較を行い、銀河生態系における検索性能の最初の体系的評価を提示する。
論文 参考訳（メタデータ） (2025-11-03T17:12:03Z) - SERVIMON: AI-Driven Predictive Maintenance and Real-Time Monitoring for Astronomical Observatories [36.94429692322632]
ServiMonは、データ収集と監査のためのスケーラブルでインテリジェントなパイプラインを提供するように設計されている。
システムは望遠鏡操作における品質制御、予測保守、リアルタイム異常検出を強化する。
論文 参考訳（メタデータ） (2025-10-31T03:47:13Z) - Towards Operational Automated Greenhouse Gas Plume Detection [0.15556354682377155]
この研究は、データとラベルの品質管理、バイアスの防止、そして正しく整列されたモデリング目的など、この分野におけるいくつかの重要な障害をレビューし対処する。
運用性能検出が可能な航空機および宇宙搭載機器のマルチキャンプデータを用いた厳密な実験を実演する。
分析可能なデータ、モデル、デプロイメントのためのソースコードを提供し、ベストプラクティスのセットを定義します。
論文 参考訳（メタデータ） (2025-05-27T22:22:54Z) - AstroVisBench: A Code Benchmark for Scientific Computing and Visualization in Astronomy [39.94582666929051]
AstroVisBenchは天文学領域における科学計算と可視化の両方のための最初のベンチマークである。
本稿では,最先端言語モデルの評価を行い,天文学研究に有用なアシスタントとして携わる能力に大きなギャップがあることを示す。
論文 参考訳（メタデータ） (2025-05-26T21:49:18Z) - LtU-ILI: An All-in-One Framework for Implicit Inference in Astrophysics and Cosmology [1.5070941464775514]
本稿では,LtU-ILIパイプライン(Learning the Universe Implicit Likelihood Inference:LtU-ILI)を提案する。
これは天体物理学と宇宙論における最先端の機械学習(ML)推論である。
天体物理学や宇宙論の諸問題にまたがる実応用を提示する。
論文 参考訳（メタデータ） (2024-02-06T19:00:00Z)
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。