arXiv:2606.12667v1 cs.NI

저궤도 위성을 위한 지상국 위치의 자유 배치 최적화

Free-Placement Optimization of Ground Station Locations for Low-Earth Orbit Satellites

Grace Ra Kim, Duncan Eddy, Vedant Srinivas, Mykel J. Kochenderfer

제출 2026-06-10

한국어 초록

급속히 확장되는 저궤도(LEO) 위성 군집은 지상 네트워크에 대한 요구를 증가시키고 있으며, 이는 보다 효율적인 지상국 네트워크 설계 방법론 개발의 동기를 제공한다. 현재의 접근 방식은 사전에 정의된 위치 후보군에서 부지를 선택하므로, 기존 인프라로 최적화 범위가 제한되어 성능에 제약이 생긴다. 이와 달리, 자유 배치 최적화는 지구 전역의 연속적인 공간 도메인에서 탐색을 수행함으로써 탐색 공간을 확장하고 더 높은 처리량을 갖는 구성을 가능하게 하지만, 새로운 인프라 구축이 필요할 수 있다는 비용이 수반된다. 본 연구에서는 지상국 설계를 위한 2단계 자유 배치 방법인 SCORE(Sequential Cyclic Optimization via Refinement & Evaluation)를 제안한다. SCORE는 전역 최적화기를 어렵게 만드는 고차원성, 비볼록성, 지역 최솟값 문제를 해결하기 위해 순차적 좌표 선택과 순환적 정제를 결합한다. 우리는 Kongsberg Satellite Services 및 World Teleport Association의 위치 정보를 활용하여, 차등 진화(DE) 및 정수 프로그래밍 기법과 같은 원샷(one-shot) 방법과 SCORE를 비교 평가한다. 두 개의 상용 지구 관측 군집(Capella Space 및 ICEYE)과 하나의 합성 Walker-Star 군집에 대한 실험 결과, SCORE는 DE 대비 수렴에 필요한 함수 평가 횟수를 최대 5배 줄이면서 다운링크 처리량을 최대 13% 향상시키는 것으로 나타났다. 고정 위치 방법과 비교할 때, 제약 없는 SCORE는 총 다운링크를 최대 15% 향상시켜 유연한 배치에 대한 강력한 경험적 성능 기준을 확립한다. 인프라 제약 SCORE는 기존 광섬유 및 전력 인프라 인근으로 배치를 제한하면서도 이 성능 향상의 92% 이상을 유지한다. 또한 기존 지상국 확장과 신규 부지 구축 간의 트레이드오프를 탐구하여, 운용 중인 군집의 미래 지상 네트워크 설계에 시사점을 제공한다.

원문 초록

Rapidly expanding low Earth orbit satellite constellations are placing increasing demands on terrestrial ground networks, motivating the development of more efficient ground station network designs. Current approaches select sites from predefined locations, limiting optimization to existing infrastructure and constraining performance. In contrast, free-placement optimization operates over a continuous spatial domain on Earth, broadening the search space and allowing higher-throughput configurations at the cost of potentially requiring new infrastructure deployment. In this work, we introduce SCORE (Sequential Cyclic Optimization via Refinement & Evaluation), a two-stage free-placement method for ground station design. SCORE combines sequential coordinate selection with cyclic refinement to manage high-dimensionality, non-convexity, and local minima that challenge global optimizers. We benchmark SCORE against one-shot methods such as differential evolution (DE) and integer programming approaches using locations from Kongsberg Satellite Services and the World Teleport Association. Tests across two commercial Earth observation constellations (Capella Space and ICEYE) and one synthetic Walker-Star constellation show that SCORE requires up to 5x fewer function evaluations to converge relative to DE while improving downlink throughput by up to 13%. Compared to fixed-site methods, unconstrained SCORE achieves up to 15% greater total downlink, establishing a strong empirical performance benchmark for flexible placement; infrastructure-constrained SCORE retains over 92% of this gain while restricting placement to within proximity of existing fiber and power infrastructure. We also explore trade-offs between expanding existing stations and deploying new sites, informing future ground network design for operational constellations.

요약

저궤도(LEO) 위성 지상국 네트워크 설계를 위해 연속 공간 최적화를 수행하는 SCORE(Sequential Cyclic Optimization via Refinement & Evaluation) 방법을 제안한다. 이 방법은 기존 차등 진화(DE) 알고리즘 대비 평가 횟수를 5배 줄이면서 고정된 위치 방식 대비 다운링크 처리량을 최대 15% 향상시킨다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.12667v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2505.19912v4cs.CL공통 태그 Evolutionary Algorithms공식 코드 · Papers with Code

APE: 언어 모델 적응을 위한 수락 기준 기반 선택적 미세조정

APE: Selective Fine-tuning with Acceptance Criteria for Language Model Adaptation

본 논문에서는 모델의 안정성을 유지하면서 매개변수(parameter) 수정을 체계적으로 탐색하는 대규모 언어 모델(LLM) 적응용 선택적 미세조정(fine-tuning) 방법인 APE(Adjacent Possible Exploration)를 제시합니다. 진화적 최적화 원리에서 영감을 얻은 APE는 소규모 데이터 하위 집합에 대한 미세조정을 통해 여러 후보 매개변수 업데이트를 평가하고 성능 임계값을 초과하는 업데이트만을 수락합니다. 단일 그래디언트(gradient) 방향을 따르는 표준 미세조정과 달리, APE는 체계적인 개선을 가능하게 하면서도 모델을 불안정하게 만드는 매개변수 변화를 방지하는 필터링된 선택 프로세스를 구현합니다. 우리 방법은 최소한의 계산 자원만을 사용하면서도 뉴스 요약 태스크에서 33.9%의 BLEU 향상과 36.2%의 퍼플렉서티(perplexity) 감소를 달성합니다. 이 접근법은 성능 향상과 표현 안정성 사이의 균형을 맞추는 제어된 모델 적응을 위한 실용적인 프레임워크를 제공합니다.

arXiv:2502.07780v4cs.LG공통 태그 Evolutionary Algorithms공식 코드 · Papers with Code

DarwinLM: 대규모 언어 모델의 진화적 구조적 가지치기

DarwinLM: Evolutionary Structured Pruning of Large Language Models

대규모 언어 모델(LLM)은 다양한 자연어 처리(NLP) 태스크에서 상당한 성공을 거두었다. 그러나 거대한 계산 비용은, 특히 실시간 응용에서, 이들의 널리 사용을 제한한다. 구조적 가지치기(structured pruning)는 모델을 압축하고 하드웨어 환경과 무관하게 end-to-end 속도 향상을 직접 제공함으로써 효과적인 해결책을 제시한다. 한편, 모델의 서로 다른 구성 요소는 가지치기에 대해 서로 다른 민감도를 보이므로, 균일하지 않은(non-uniform) 모델 압축이 필요하다. 그러나 가지치기 방법은 유능한 하위 구조를 식별하는 것뿐만 아니라 압축 후 학습도 고려해야 한다. 이를 위해 우리는 학습을 고려한(training-aware) 구조적 가지치기 방법인 DarwinLM을 제안한다. DarwinLM은 진화적 탐색 과정을 기반으로 하며, 각 세대에서 변이(mutation)를 통해 여러 자손 모델을 생성하고 생존에 가장 적합한 것을 선택한다. 사후 학습의 효과를 평가하기 위해, 우리는 자손 집단 내에 경량의 다단계 학습 과정을 통합하여 토큰 수를 점진적으로 늘리고 각 선택 단계에서 성능이 낮은 모델을 제거한다. 우리는 Llama-2-7B, Llama-3.1-8B, Qwen-2.5-14B-Instruct에 대한 광범위한 실험을 통해 방법을 검증하였으며, 구조적 가지치기에서 최신(state-of-the-art) 성능을 달성하였다. 예를 들어, DarwinLM은 압축 후 학습 동안 5배 적은 학습 데이터를 필요로하면서 ShearedLlama를 능가한다. 코드: https://github.com/IST-DASLab/DarwinLM

토론

이 논문과 연결된 포럼 글이 아직 없습니다.