人工智能在偏远地区

实在是没有什么可以在地球上与电子在空间,你不能做,但它肯定会困难得多,且要花很长的时间来解决出现问题。越来越多的智能电子发射入太空,关注潜在的失败正在增长。

人工智能进一步推论已经推出一段时间,开始重新定义什么是边缘。它可以城市路灯杆顶端50英尺的空气,也可以是一个出站火箭或卫星地球50英里以上。但随着越来越多的设备更能够推论而不被连接到一个巨大的数据中心的机会越来越更加独立的计算和分析在偏远地区,和所以的风险。

空间已经是超级边缘传感器将数据发送回地球。但卫星、外太空望远镜和宇宙飞船可能总有一天做自己的推论,或者至少一个有限的版本的机器学习。具有深远影响的决定在何时何地,它是非常重要的,以确保这些设备是彬彬有礼的,反应在他们的预期寿命。

“更多的显然是发生在地面上,像超级计算机和大规模数据处理——一些东西,至于空间,重量,和权力,你要建立飞行,”乔希Broline说,主管营销和应用,工业和通信业务部门瑞萨的部分是在最近的火星探测器和许多其他电子空间。“太贵了,麻烦,风险就去翻转和数据处理错误了。我肯定有一个限制到多少实际数据处理你最终要做的空间,但空间计算是绝对数量级的背后我们在地球上所做的。”

可靠性是至关重要的。“卫星通常没有绝对的前沿技术除非他们不得不由于可靠性的问题,”马克Swinnen产品营销主管有限元分析软件。”他们通常有10,15年,20年的可靠性记录,当然,最新的东西从来没有。技术空间一直都是背后的两代人,因为他们更关心坚如磐石的可靠性,因为他们有特殊要求温度,等等。”

所以没有数据中心空间,但随着芯片改善,AI推论在轨道上或其他太空任务是在地平线上。很大一部分的吸引力是接近实时数据根据数据和操作。

工作在卫星AI现在正在发生,尽管地面人工智能仍然是最尝试和真正的答案。用例是丰富的军事/国家安全、通信网络、农业监控、跟踪天气和气候,地理。在所有情况下,准确地测量是至关重要的。所有数据可以通过选择性的收集和分类在太空之前发送到地面处理。

考虑21点,例如,一个AI-embedded卫星项目从美国国防部(DOD)的研究机构,美国国防部高级研究计划局,正在与美国太空力量。他们将与超级计算机芯片发送卫星送入地球低轨道(LEO)今年晚些时候,到2021年。

无人驾驶汽车启动AiMotive和卫星电子公司c3合作适应AiMotive无人驾驶汽车的软件——它aiWare神经网络硬件加速技术- c3植物的空间电子平台添加高性能AI成小,电量有限卫星。一个卫星芯片,可以放一个神经网络在太空中,在一个用例中,寻找某些特性在拍照之前,减少无关的数据下行。

喷气推进实验室的人工智能组正在一些自主航天器将自己能够做出一些决策。

已经有一些辐照的芯片。Xilinx Kintex KU 060,机器学习在空间建立在推测,就是一个例子。

是有道理的,边缘计算的下一个前沿。”开始,当云第一次出现时,一切就会处理在云中,“说同化。“但是人们很快发现的数据量需要来回运送这是不现实的。我们下一阶段的发展——计算边缘,这意味着设备的前沿的实际感知做很多处理,至少预处理本身,只返回一个过滤的数据量。这些设备通常使用机器学习和边缘处理,在低功耗,低内存和低成本。机器学习是爬到边缘,分布式多了。”

空间需求
推出这一概念进入太空需要抗辐射芯片(辐照),因为有更多的亚原子粒子在空间,和更严重的环境条件。

“辐照是重要的航天工业和高温度范围和低压力和奇怪的气氛,他们必须处理的环境条件,“说同化。

亚原子粒子可以翻转的芯片和芯片正在改变任何结果。位翻转地球上发生,但它更频繁地发生在空间。地球磁场保护我们从许多粒子表面。

“当然,它需要稍微长的时间得到最新的技术进入太空,因为你必须关注辐射效应,“Broline说。“记忆是很重要的,因为他们要存储这些数据。(航天工业工程师)正在推动越来越多的DDR,更高密度的一个演出,两个演出,四个演出- gb的内存。记忆是不可避免的事,你不想要很多比特翻转和破坏你的使命。这是他们可以处理,但不希望很多。”

随着可靠性,空间(地区),体重,和低功率电子在空间的其他问题。

移动负载
有效载荷数据。用例离家更近了一些数据作为有效载荷的问题。

太平洋仍然作为一个障碍,例如,对于半导体制造业。很多工厂都在亚洲,而测试数据分析公司,比如加州PDF解决方案和EMEA-based yieldHUB, proteanTecs OptimalPlus,在地球的另一边。

一起获得数据是复杂的,因为多个参与者和地点参与制造和测试电路,通过这些过程和安全产生的数据始终是一个问题。做边缘推论数据是有意义的。以前的数据将被运回分析运行模型。

“他们会做一个推理,数据和发送回你的预测OSAT。和总部可能在加州,所以有很多的数据传输,来来回回,太平洋,”杰夫大卫说,人工智能解决方案的副总裁PDF的解决方案。”,这是一个问题的三个原因,延迟,安全,和数据丢失。我们拿出我们称之为边缘的预测。代替来回发送数据的海洋,你把这个模型在OSAT部署它,所以你照顾所有这三个问题,或者你解决这些问题。这意味着你必须有能力推断预测的“边缘”——我指的是在边缘OSAT——有能力聚合所有数据必须在OSAT作出预测。”

这并不像听起来那么简单,因为数据可能来自不同的网站,以及铸造,所有的数据应预测在给定测试插入点。进一步复杂化的事情,所有这些有不同的时间限制。

“取决于时间约束将取决于解决方案部署,”大卫说。“这就是我们密切合作,效果显著。如果预测需要测试人员,我们与他们密切合作能够使。如果预测不太关键,这些可以在敏捷测试人员以外的节点本身(PDF格式的数据交换网络),驻留在该设施。有不同口味的,根据不同的时间限制是必要的。”

这种加密传递正成为一种必需品作为数据收集比过去更多的来源,但是它变得特别困难的导航和不一致的数据质量。需要清理和结构化数据,但由谁以及完成是非常重要的。

“数据质量总是一个问题,”他说。“数据清理是通过机器学习。你可以说这就是为什么你做机器学习在第一个地方,放弃你不需要下载的数据。”

识别数据和训练系统缺失或损坏采取一些行动是很重要的,但它可能是更重要的在太空中。不同的检查可以在不同阶段进行检查健康或数据的完整性,并过滤掉列没有足够的数据或转嫁少了什么。

“机器学习算法可以使这些罪名,这取决于您的服务器带宽,”大卫说。“转嫁缺失数据的最简单方法是取中值或最常见的价值和把它放在那里。或者,您可以使用更先进的技术,使用不同的机器学习算法提出了一个基于其他归责(历史)的数据。”

最近,推断法被用来填充缺少的传感器数据从传感器的美国宇航局的太阳动力学观测卫星(SDO)几年的任务失败了。的团队设计了一种与受过教育的客人填写数据根据收集到的数据从传感器的年运行良好。

健康监测芯片
监控这些设备的健康在辐照的芯片是另一个选项,引起了人们的注意。这已经被完成在服务器和汽车芯片,但是它需要一些额外的空间规划。

首先,有能力/性能开销。大多数数据密集型读数测量外部,如温度和力量。这些需要序列测量,自动采取更多带宽。相反,检查内部芯片如何行为对其规范和已知的行为总是显示下降超过第一个无菌测试,但在那之后它将显示芯片内部电路仍然是功能是否需要或降解速度快于预期,这需要更少的能量。

在预测的失败,有两件事是必需的。一是理解是正常的。第二个是比较性能退化对基线阅读或权力。

结论
很多项目存在使用地面人工智能解决问题空间机构,如美国国家航空航天局(NASA)看超速数据分析和解决问题。但其中许多涉及陆地数字运算。在地面上,存在相似的问题对电子系统和芯片。

空间夸大了一些电子问题。偏远和辐射在空间更极端。但与亚马逊和特斯拉每个发射自己的卫星,军队与其他公司和国家一道,绕地球正变得越来越拥挤。

开辟了各种新机会空间电子的进步,如如何避免物体接近每小时17000英里的速度,而无需先打电话回家。

相关故事:

在验证中使用人工智能的挑战

苹果,橘子和最优人工智能推理加速器

让一切Linux-Capable

AI系统保持最新的挑战

监控芯片制造后