Ogólnie rzecz biorąc, dzisiejsze pojazdy kosmiczne są wyposażone w systemy o wyższej wydajności. Przykładem mogą być satelity teledetekcyjne rejestrujące zdjęcia i filmy w coraz większej rozdzielczości i z większą liczbą klatek na sekundę lub próbkowanie w większej liczbie kanałów obrazowania wielospektralnego i hiperspektralnego. Jednakże, podczas gdy rozwój aplikacji do obsługi czujników nadąża za rosnącym apetytem na dane, to przepustowości łącza z Ziemią niewiele się zmieniła. Większe zbiory danych oznaczają wydłużenie wymiany z naziemnymi stacjami kontroli. Po prostu nie ma na to czasu, gdy decyzje wynikające z analizy danych są potrzebne szybciej, a czasem nawet w czasie rzeczywistym.
Chcąc złagodzić problem małej przepustowości łącza z Ziemią, coraz więcej masowego przetwarzania danych przenosi się do systemów kosmicznych. Wymaga to jednak znacznie potężniejszych systemów obliczeniowych, co zwiększa zapotrzebowanie na energię i moc oraz podnosi masę ładunku: czym należy ostrożnie zarządzać przy projektowaniu satelitów i pojazdów kosmicznych.
Wbudowane silniki AI
Wbudowane podsystemy AI w układach scalonych klasy kosmicznej mogą stanowić rozwiązanie, umożliwiając wydajne obliczeniowo i energooszczędne wnioskowanie lokalne w celu filtrowania danych z czujników, a tym samym odciążania pasma służącego do komunikacji z Ziemią.
Zdolność do autonomicznego podejmowania decyzji w przestrzeni kosmicznej wpływa co najmniej pozytywnie na przebieg misji, a w niektórych przypadkach decyduje o tym, czy misja jest w ogóle możliwa. Na przykład satelity obserwacyjne Ziemi zaczynają wykorzystywać sztuczną inteligencję do wykrywania obecności chmur na zdjęciach. Jeśli szczegóły powierzchni są zasłonięte przez chmurę, obraz może stać się bezużyteczny, w którym to przypadku można go odrzucić i nie tracić przestrzeni w pamięci ani nie przesyłać go niepotrzebnie do obsługi.
W zastosowaniach związanych z bezpieczeństwem, w których obiekty na powierzchni Ziemi muszą być identyfikowane w czasie rzeczywistym, sztuczna inteligencja może szybko odróżnić np. statki handlowe od wojskowych okrętów wojennych, aby przyspieszyć czas reakcji i wyeliminować analitykę ludzi.
Co więcej, w statkach kosmicznych, które są przeznaczone do lądowania na planetach lub asteroidach, opóźnienie w komunikacji wyklucza zdalne sterowanie operacją lądowania z Ziemi. Pokładowa sztuczna inteligencja pozwala pojazdowi autonomicznie wykrywać korzystne miejsca lądowania w czasie rzeczywistym.
Rośnie również zainteresowanie wykorzystaniem sztucznej inteligencji do monitorowania ogólnego stanu systemów na pokładzie satelitów i statków kosmicznych poprzez wykrywanie anomalii w mierzonych parametrach, takich jak prądy, napięcia, temperatura, naprężenia mechaniczne i wibracje. Może to umożliwić wykrywanie usterek w czasie rzeczywistym i wczesne ostrzeganie, eliminując czynnik ludzki z analiz, które mogłyby zająć dni lub tygodnie. Biorąc pod uwagę, że złożony nowoczesny satelita może mieć kilka tysięcy kanałów telemetrycznych, sztuczna inteligencja umożliwia analizę wszystkich kanałów w czasie rzeczywistym, podczas gdy tylko część tych kanałów może być dostępna do sprawdzenia przez człowieka na ziemi.
Życie w kosmosie
W miarę jak AI staje się coraz bardziej rozpowszechnione w kosmosie, branża wymaga efektywnych kosztowo rozwiązań do obsługi zadań takich, jak wnioskowanie. Istnieją różne sposoby implementacji wnioskowania AI w systemach wbudowanych. Powszechnym podejściem jest korzystanie z dedykowanych zasobów DSP, które często są zintegrowane z urządzeniami obliczeniowymi, takimi jak układy FPGA, GPU, TPU i wyspecjalizowane układy ASIC. Urządzenia takie jak adaptacyjne układy SoC AMD Versal™ AI Core ze zintegrowanymi silnikami sztucznej inteligencji (AIE) zostały zaprojektowane tak, aby znacznie wydajniej wdrażać operacje mnożenia i akumulacji wymagane przez sieci neuronowe.
Jednak wyzwania związane z przygotowaniem systemów do życia w kosmosie nigdy nie znikają. Systemy kosmiczne są drogie i po wystrzeleniu nie można ich naprawić. Dlatego zapewnienie jakości i niezawodności ma kluczowe znaczenie. Wiadomo również, że przestrzeń kosmiczna stanowi bardzo trudne środowisko promieniowania dla mikroelektroniki, a części komercyjne mogą doświadczać nagłych uszkodzeń w wyniku radiacji, a także stopniowego pogarszania się wydajności i prądu upływu (promieniowanie jonizujące). Procedura kwalifikacyjna i proces testowania AMD klasy B bazuje na specyfikacji MIL-PRF-38535 klasy B Departamentu Obrony Stanów Zjednoczonych dotyczącej kwalifikacji i testowania monolitycznych układów scalonych. Kwalifikacja została dostosowana do zaawansowanych konstrukcji organicznych wymaganych przez produkty klasy kosmicznej, takie jak adaptacyjne układy SoC AMD XQR Versal AI Core. Uzupełnia ona ogromną ilość danych o jakości i niezawodności, które zostały już zebrane podczas ich testów w ekstremalnych temperaturach. Urządzenia są również charakteryzowane pod kątem efektów promieniowania za pomocą różnych testów, które wystawiają je na działanie protonów, ciężkich jonów i promieniowania gamma. Chroni to ciągłość działania systemów kosmicznych korzystających z tych urządzeń i umożliwia wdrażającym je organizacjom przeprogramowanie sprzętu po wdrożeniu i przeprowadzenie niezbędnych aktualizacji bezprzewodowo.
Wreszcie, problemem jest długowieczność. Producenci satelitów potrzebują wsparcia w zakresie produktów, czasami wiele lat po wystrzeleniu, kiedy to wiele komercyjnych komponentów mikroelektronicznych staje się przestarzałych i wycofanych z produkcji. Firma AMD odpowiada na te wymagania dzięki zespołowi wyspecjalizowanych inżynierów ds. jakości i niezawodności, adaptacyjnym układom SoC przetestowanym i scharakteryzowanym pod kątem skutków promieniowania, a także produkcji i wsparciu komponentów klasy kosmicznej przez wiele lat po wprowadzeniu na rynek.
Przyspieszenie misji
Podczas gdy możliwości czujników satelitarnych i kosmicznych szybko rosną, to przepustowość kanałów komunikacyjnych z Ziemią nie rośnie tak szybko. Sztuczna inteligencja jest realnym sposobem na zminimalizowanie tego problemu, a jednocześnie umożliwia znacznie szybsze – w niektórych przypadkach w czasie rzeczywistym – podejmowanie decyzji na podstawie danych pozyskanych przez czujniki satelitarne. Można to efektywnie zaimplementować w adaptacyjnych układach SoC, które są wyposażone w wyspecjalizowany podsystem AI.
Autor: Ken O’Neil, architekt systemów kosmicznych w AMD