تعمل البرامج المستوحاة من الكم على تقليص النماذج بنسبة 99% لتحديد الأجسام غير المعروفة في المدار
فازت شركة تكنولوجيا في نيويورك بأول عقد بحثي فيدرالي أمريكي لتطوير برمجيات يمكن أن تساعد المشغلين العسكريين على تحديد الأجسام غير المعروفة في مدار الأرض بسرعة أكبر. تأتي الجائزة من خلال برنامج SpaceWERX Open Topic Small Business Innovation Research (SBIR) وتركز على تحسين الوعي بالمجال الفضائي باستخدام التعلم الآلي المقيد بالفيزياء. ستقوم شركة BosonQ Psi Federal (BQP) بالتحقق من صحة تطبيق برمجي جديد يجمع بين النماذج القائمة على الفيزياء وتقنيات الحوسبة المستوحاة من الكم. الهدف هو تصنيف الأجسام المدارية غير المحددة بشكل أسرع مع استخدام قوة حاسوبية أقل بكثير من نماذج الذكاء الاصطناعي التقليدية. تستهدف هذه التقنية الأقمار الصناعية والمنصات الطرفية الأخرى التي تعمل بحدود صارمة للطاقة والمعالجة. البيئة المدارية المزدحمة أدى العدد المتزايد من الأقمار الصناعية والحطام إلى زيادة صعوبة تتبع النشاط في المدار. تجمع شبكة مراقبة الفضاء الأمريكية ما بين 18000 إلى 25000 ملاحظة يوميًا. لا يمكن ربط العديد من هذه الاكتشافات على الفور بالأقمار الصناعية أو الحطام المعروف. يمكن أن تشمل هذه الملاحظات غير المحددة، والمعروفة باسم المسارات غير المرتبطة (UCTs)، المركبات الفضائية التي تم إطلاقها حديثًا، أو شظايا الاصطدام، أو الأجسام التي تتطلب تحقيقًا أوثق. ويمكن أن يؤدي التأخير في تحديدها إلى إبطاء القرارات التشغيلية وتقليل الوعي العام ببيئة الفضاء. يهدف برنامج BQP إلى تسريع هذه العملية من خلال الجمع بين القيود الفيزيائية والتعلم الآلي بمساعدة الكم. وتقول الشركة إن هذا النهج يوفر استنتاجًا دقيقًا للذكاء الاصطناعي دون الاعتماد على البنية التحتية السحابية أو معالجات الرسومات أو أجهزة الكمبيوتر الكمومية المستقبلية. بدلاً من ذلك، تم تصميمه ليعمل مباشرة على المعالجات المؤهلة للمساحة وغيرها من الأجهزة ذات الموارد المحدودة. ذكاء اصطناعي أصغر، قرارات أسرع وفقًا لـ BQP، فإن بنية التعلم الآلي بمساعدة الكم المقيدة بالفيزياء (PC-QAML) تنتج نماذج أكثر إحكاما بنسبة 99٪، مما يقلصها من حوالي 14 مليون معلمة إلى حوالي 2000 دون التضحية بالدقة. وتقول الشركة إن البرنامج يحافظ على دقة تصنيف تزيد عن 99% على الرغم من التخفيض الكبير. توفر البنية المدمجة أيضًا انخفاضًا يصل إلى عشرة أضعاف في زمن الوصول للاستدلال ويقلل من استهلاك الطاقة بنسبة 90% تقريبًا. يقول BQP أن المهندسين يمكنهم إعادة تدريب النماذج بشكل أسرع بكثير من أنظمة التعلم الآلي التقليدية. لقد مكنت مكاسب الكفاءة هذه بالفعل من النشر على جهاز حوسبة NVIDIA Jetson Nano edge في Space Domain Awareness TAP Lab، المعروف سابقًا باسم SDA TAP Lab. وأظهر العرض أن الذكاء الاصطناعي المتقدم يمكن أن يعمل على أجهزة مدمجة مناسبة للمهام الفضائية المستقلة. وقال روت لينسوالا، المؤسس والرئيس التنفيذي للتكنولوجيا في BQP: “هدفنا هو جعل الذكاء الاصطناعي المتقدم عمليًا حيثما يكون الأمر أكثر أهمية: على الأقمار الصناعية والأنظمة المنشورة للأمام والتي تعمل بقدرة حوسبة محدودة واتصالات متقطعة”. وقال إن الجائزة الفيدرالية تؤكد صحة تكنولوجيا الشركة وتوفر فرصة لإثبات كيف يمكن للحوسبة المستوحاة من الكم أن تعالج التحديات التشغيلية التي تواجه مهام الأمن القومي. إلى جانب المهام العسكرية، يمكن للمشغلين العسكريين استخدام البرنامج لتمييز النشاط المداري الروتيني عن السلوك المشبوه المحتمل، بما في ذلك مناورات الأقمار الصناعية، وأحداث الانفصال، والعمليات القريبة. يمكن أن تؤدي معالجة المعلومات مباشرة على المركبات الفضائية إلى تقليل الاعتماد على أنظمة الحوسبة المركزية وتحسين أوقات الاستجابة. يوسع المشروع العمل الذي نفذته BQP سابقًا مع Space Domain Awareness TAP Lab. خلال برنامج SDA Mini-Accelerator لعام 2025، أظهرت تكنولوجيا الشركة قدرات الكشف عن الانفصال المداري وبرزت كمرشح لتصنيف UCT المستقبلي وتطبيقات محاكاة التهديدات التي تدعم العمليات الفضائية الأمريكية. وبعيدًا عن الدفاع، يمكن لنفس البرنامج العثور على تطبيقات عبر الفضاء التجاري، والمركبات ذاتية القيادة، والمراقبة الصناعية، وغيرها من القطاعات التي يجب أن يقدم فيها الذكاء الاصطناعي أداءً موثوقًا على منصات حوسبة مدمجة ومنخفضة الطاقة.
تم النشر: 2026-07-17 23:05:00
