論文の概要: Satellite Intelligence: Distributed Training, Collaborative Inference,and LLM Adaptation in LEO Constellation

• arxiv url: http://arxiv.org/abs/2610.35282v1
• Date: Mon, 26 Oct 2026 11:55:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.909173
• Title: Satellite Intelligence: Distributed Training, Collaborative Inference,and LLM Adaptation in LEO Constellation
• Title（参考訳）: 衛星インテリジェンス:LEOコンステレーションにおける分散トレーニング、協調推論、LLM適応
• Abstract要約: 現代の人工知能(AI)トレーニングパラダイムは、計算集約、豊富なメモリ、安定した接続性を必要とする。 この緊張に対処するためには、トレーニングや推論から、大規模言語モデルの新たな展開に至るまで、AIを再考する必要がある。 本稿では、宇宙ネイティブAI技術の実装に関する研究ロードマップを提供する。
• 参考スコア（独自算出の注目度）: 115.12225010412068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of orbital sensing data and the real-time demands of emerging global services are pushing low Earth orbit (LEO) satellite networks from bent-pipe relays toward intelligent onboard processing. This shift confronts a fundamental tension, where modern artificial intelligence (AI) training paradigms require intensive computation, abundant memory, and stable connectivity, all of which are scarce under the dynamic topologies, intermittent links, and severe size, weight, and power (SWaP) constraints of satellite networks. Addressing this tension demands rethinking AI workflows, from training and inference to the emerging deployment of large language models (LLMs), under a constraint-aware design philosophy. To the best of our knowledge, this paper provides the first survey that jointly covers all three, whereas prior surveys examine these aspects in isolation. We begin by identifying the deployment challenge of satellite intelligence (SI) and deriving design principles for SI. We then examine three advancing paradigms: i) distributed training, where federated learning (FL) and split learning (SL) enable satellite-ground co-training under resource limitations; ii) collaborative inference, which exploits single-satellite, multi-satellite, and satellite-ground architectures to meet real-time service demands; and iii) on-orbit LLM adaptation and serving, which tackles the frontier challenge of deploying LLMs under severe orbital constraints and resource-aware serving. Finally, we identify open challenges and future directions. By bridging the AI and satellite networks, this paper provides a research roadmap for the implementation of space-native AI technologies.
• Abstract（参考訳）: 軌道検出データの拡散と新興グローバルサービスのリアルタイム要求は、低地球軌道(LEO)衛星ネットワークを曲がりくねったパイプリレーからインテリジェントなオンボード処理へと押し上げている。 このシフトは基本的な緊張に直面しており、現代の人工知能(AI)のトレーニングパラダイムでは、集中的な計算、豊富なメモリ、安定した接続が必要であり、これらはすべて、衛星ネットワークの動的トポロジ、断続リンク、厳しいサイズ、重み、パワー(SWaP)の制約の下では不十分である。 この緊張に対処するためには、トレーニングや推論から大規模言語モデル(LLM)の新たな展開に至るまで、AIワークフローを再考する必要がある。 我々の知る限り、本稿は3つ全てを共同でカバーする最初の調査であるが、以前の調査ではこれらの側面を個別に調査した。 まず、衛星インテリジェンス(SI)の展開課題を特定し、SIの設計原則を導出することから始める。 次に、先進的なパラダイムを3つ調べる。 一 連合学習(FL)及び分割学習(SL)により、資源制限下での衛星-地上協調訓練を可能にする分散訓練 二 リアルタイムサービス要求を満たすために単座、多座、衛星地上アーキテクチャを利用する協調推論 三 軌道上でのLLMの適応及び供用で、重度の軌道制約下でのLLMの展開及び資源に配慮した供用に関するフロンティアの課題に取り組むこと。 最後に、オープンな課題と今後の方向性を特定します。 本稿では、AIと衛星ネットワークをブリッジすることによって、宇宙ネイティブなAI技術の実装に関する研究ロードマップを提供する。

関連論文リスト

• LEO Satellite Internet of Things: Architecture, Technology, and On-Orbit Verification [11.281517006435442]
  低軌道(LEO)衛星コンステレーションは、第6世代(6G)Internet of Things(IoT)の基盤となる。 本稿では6G LEO衛星IoTのための総合的な2次元システムアーキテクチャについて述べる。 我々は、アップリンク、ダウンリンク、インターサテライトリンク(ISL)を対象とする3つの重要な実現技術を評価する。
  論文  参考訳（メタデータ） (2026-07-23T02:16:07Z)
• 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)
• On-Orbit Space AI: Federated, Multi-Agent, and Collaborative Algorithms for Satellite Constellations [17.969021804498844]
  衛星コンステレーションは、宇宙システムを孤立した宇宙船から、軌道上での認識、意思決定、適応が可能な、ソフトウェアで定義されたプラットフォームへと変換している。 i)クロスサテライトトレーニング、パーソナライズ、セキュアアグリゲーションのためのフェデレーション学習、(ii)協調計画、リソースアロケーション、スケジューリング、構成制御、衝突回避のためのマルチエージェントアルゴリズム、(iii)マルチサテライト融合、トラッキング、分割/早期流出推論、およびクロス層共設計による協調センシングと分散推論の3つの相補的パラダイムを通じて、軌道上AIの新興分野を集約する。
  論文  参考訳（メタデータ） (2026-04-15T16:15:47Z)
• 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)
• Multi-Agent Reinforcement Learning for Autonomous Multi-Satellite Earth Observation: A Realistic Case Study [10.393102715510937]
  低軌道(LEO)衛星の指数的な成長は、地球観測(EO)ミッションに革命をもたらした。 従来の最適化アプローチは、動的EOミッションのリアルタイムな意思決定要求を処理するのに苦労する。 RLをベースとした自律型EOミッション計画について,単一衛星操作をモデル化し,マルチ衛星コンステレーションに拡張することで検討する。
  論文  参考訳（メタデータ） (2025-06-18T07:42:11Z)
• Distributed satellite information networks: Architecture, enabling technologies, and trends [56.747473208256174]
  分散衛星情報ネットワーク(DSIN)は、多様な衛星システム間での情報ギャップを埋める革新的なアーキテクチャとして登場した。 この調査はまず、DSINの革新的なネットワークアーキテクチャに関する深い議論を提供する。 DSINは、ネットワークの不均一性、予測不可能なチャネルダイナミクス、スパースリソース、分散コラボレーションフレームワークといった課題に直面している。
  論文  参考訳（メタデータ） (2024-12-17T06:44:05Z)
• 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)

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。