空间中的机器学习：对 onboard ML 模型辐射鲁棒性的调查
机器学习
2024-05-31 v2
摘要
现代航天器正越来越依赖机器学习（ML），但空间中的物理设备受到 various natural hazards（如辐射）的威胁，这些威胁可能抑制计算设备的正确运行。尽管大量证据表明自然引起的故障对 ML 相关硬件造成严重损害，但我们注意到辐射对面向航天应用的 ML 模型影响并不明显。这是一个问题：在不理解 ML 模型如何受到这些自然现象影响的情况下，尚不清楚从何处开始开发抗辐射 ML 软件。作为 ML 研究人员，我们尝试解决这一困境。通过与专注于航天 ML 的 space-industry 实践者合作，我们进行了反思性分析。我们提供事实性证据表明先前工作并未充分检验自然灾害对航天器用 ML 模型的影响。然后，通过一个“负结果”，我们展示一些现有的开源技术几乎无法被用于研究辐射对卫星 ML 应用的影响。作为一个建设性的步骤，我们进行简单的实验，展示如何利用当前框架来评估云检测等实际 ML 模型对辐射引起的故障的鲁棒性。我们的评估显示，并非所有故障都像某些先前工作所声称的那样致命。通过公开释放我们的资源，我们为无需访问航天器的研究人员提供了一个基础——用于引领开发抗辐射 ML 模型的开发。
引用
@article{arxiv.2405.02642,
title = {Machine Learning in Space: Surveying the Robustness of on-board ML models to Radiation},
author = {Kevin Lange and Federico Fontana and Francesco Rossi and Mattia Varile and Giovanni Apruzzese},
journal= {arXiv preprint arXiv:2405.02642},
year = {2024}
}