受大脑启发的去中心化卫星学习在太空计算网络中的应用

《IEEE Journal on Miniaturization for Air and Space Systems》：Brain-Inspired Decentralized Satellite Learning in Space Computing Power Networks

卫星网络通过先进遥感技术采集海量空间信息，但传统地面集中处理存在传输瓶颈导致的时效性问题。为此提出空间计算能力网络（Space-CPN）架构，结合卫星在轨计算与通信能力实现实时数据处理。针对卫星能源受限问题，创新性地采用脉冲神经网络（SNN）与神经形态计算架构，通过极低的计算稀疏性提升能效。同时设计去中心化神经形态学习框架，基于RelaySum启发式方法提出高效跨平面模型聚合机制，并构建最小生成树优化通信拓扑，理论证明网络直径与收敛速度正相关。通过大量实验验证所提方法优于基准方案。

　　

摘要：

卫星网络利用先进的遥感技术能够收集大量空间信息，这对于实时应用（如自然灾害监测）至关重要。然而，传统的地面服务器集中式处理方式由于原始数据传输的瓶颈问题，存在严重的时效性问题。为了解决这一问题，空间计算能力网络（Space-CPN）应运而生，它能够协调卫星的计算能力并实现机载数据处理。然而，由于太阳能电池板的天然限制，卫星电力系统难以满足日益复杂的神经网络计算任务的能源需求。为了解决这个问题，我们提出采用脉冲神经网络（SNN）进行机载数据处理，该方案得到了神经形态计算架构的支持。SNN在计算上的极端稀疏性使其具有高能效。此外，为了有效训练这些机载模型，我们提出了一个去中心化的神经形态学习框架，并借鉴了RelaySum的方法开发了一种通信效率高的平面间模型聚合方法。我们提供了理论分析来描述所提算法的收敛行为，发现网络直径与收敛速度之间存在关联。随后，我们在平面间连接拓扑上构建了一个最小直径生成树问题并解决了它，以进一步提高学习性能。通过大量实验验证了所提方法相对于基准方案的优越性。

引言

随着遥感技术的进步，卫星在地球观测中发挥着重要作用，支持着各种下游任务[1]。这些空间应用（包括环境监测、灾害预警和情报侦察）对响应时间有严格要求。然而，传统的从卫星下载原始遥感数据到地面进行进一步处理的方法存在严重的时效性问题。这是由于卫星到地面的数据传输速率较低（与高速星际激光链路相比），以及快速移动的卫星与地面站之间的可见时间窗口较短（大约10分钟）。为了应对这一挑战，我们通过扩展计算能力网络的概念[2]并结合卫星网络的创新[3]，开发了空间计算能力网络（Space-CPN）。基于卫星上的先进计算载荷和通信技术，可以构建一个具备集成通信和计算能力的空间网络，从而灵活安排计算资源以支持快速的机载数据处理。然而，Space-CPN发展面临的一个重大挑战是卫星电力系统的能源瓶颈，这限制了这些计算密集型机载任务的实施。尽管卫星电力系统正在快速发展，但当卫星进入阳光无法照射到的阴影区域或遇到日食时，太阳能电池板的供电可能会中断[4]。此外，卫星系统对功耗和载荷的热控制要求也非常严格[5]。因此，有必要开发高效的能源解决方案来支持Space-CPN中的机载数据处理。