Az égitest folyamatos megfigyelése a részecskék és az intenzív fény véget nem érő áramlása miatt nehéz és komoly károkkal jár a napteleszkópok munkája. A műszer érzékeny lencséi és szenzorai fokozatosan elromlanak.

Tudósok időnként újrakalibrálják a teleszkópokat, hogy lássák, mennyit gyengültek, illetve, hogy az általuk küldött adatok pontosak maradjanak.

A NASA 2010-ben indított SDO (Solar Dynamics Observatory) rendszere egy évtizeden keresztül remek és részletes képeket szolgáltatott a Napról. Tudósok ezek alapján próbálják megérteni az égitest hatását a világűr időjárására, más bolygókra, űrhajósokra stb.

Az SDO két képalkotó műszerének egyike, az AIA (Atmospheric Imagery Assembly) tizenkét másodpercenként készít képeket tíz hullámhosszú ultraibolya fény mellett. Sehonnan nem szerzünk ennyi információt a Napról, de az információszerzésnek ára van: az AIA romlik, gyakran kell kalibrálni.

Ezt rövid, kb. tizenöt perces űrrepüléssel, néhány műszerrel a fedélzetükön, kisebb szondázó rakéták szokták megoldani. A Föld atmoszférája felett repülve, a műszerek látják az AIA által mért ibolyán túli hullámhosszokat – amelyeket az atmoszféra elnyel, és ezért nem mérhetők a Földről.

Az AIA kalibrálásához ultraibolya teleszkópot kapcsolnak a rakétához, az hasonlítja össze a saját és az AIA adatait. A tudósok ezt követően mérhetik fel, korrigálhatják az AIA méréseit.

A módszernek azonban megvannak a hátulütői. Mivel a rakéták nincsenek állandóan az űrben, két rakéta tevékenysége között elcsúszik a kalibrálás, ami űrmissziókon egyébként sem lehetséges.

A NASA kutatói eldöntötték, hogy a konstans kalibráláshoz más lehetőségeket keresnek, és eljutottak a gépi tanulásig. Az algoritmus megtanulta felismerni a napszerkezeteket, és hogy hogyan hasonlítsa össze őket az AIA adataival. A rakéták kalibrációs repüléseiről kapott képekből tanult. Ha elég adata van, elsajátítja, hogyan kell képről képre kalibrálnia.

Mivel az AIA többféle hullámhosszon nézi a Napot, az algoritmus speciális szerkezeteket összehasonlítva, megerősítheti a tudósok feltételezéseit. Ehhez persze azt is meg kellett tanulnia, hogyan néznek ki ezek a szerkezetek, milyen egy napkitörés stb.

Az MI és a rakéták adatait összehasonlítva, kiderült, hogy a virtuális kalibrálás ugyanolyan jól működik, mint a valódi, ráadásul folyamatosan, megszakítás nélkül végezhető, tehát javul az adatminőség.

A NASA egy másik kutatócsoportja a Föld mágneses mezeje és az ionoszféra kapcsolatát tanulmányozza mesterséges intelligenciával. Új módszerrel vizsgálják, és jobban értik az energiával töltött részecskék mozgását az atmoszférában, hatásukat a világűr időjárására.

A gépi tanulás gyors fejlődésével egyre több űrkutatási alkalmazás várható.

Amerikai és francia kutatók speciális eljárást dolgoztak ki újfajta memóriákhoz. Munkájukkal a mesterségesintelligencia-fejlesztéseket kívánják felgyorsítani.

„Kvantumanyagokkal jelentősen javíthatók a számítógépek lehetőségei. Ezeknek az anyagoknak a tulajdonságaira alapozva, fejlesztettünk egy új számítási eszközt” – magyarázza Andrew Kent, a New York Egyetem fizikusa.

Mivel a hagyományos számítástudomány elérte lehetőségei határát, a területet forradalmasító és egyszer talán az emberi aggyal versengő új módszereket és eszközöket kell fejleszteni – vélik a kutatók.

Az emberi agy működését utánozni hivatott neuromorfikus számítások az utóbbi években komoly fejlődésen mentek keresztül. Emberszerű tulajdonságaik miatt, a mostani számítási módszerekkel kivitelezhetetlen eljárásokkal hatékonyabbá tehetik az adatfeldolgozást.

A kutatócsoport különleges eszközt – nanodimenzióban, kvantumhatásokkal működő rezonátort – fejlesztett, amellyel innovatív módon változtathatók meg fizikai tulajdonságok.

A rezonátorok, egy kicsit a vonós hangszerek „dobozához” hasonlóan, képesek pontosan meghatározott frekvenciahullámokat generálni, tárolni. Az új rezonátor az emberi agy idegsejtjeinek és szinapszisainak mintájára tárolja és dolgozza fel az információt. Különlegessége, hogy spintronikus mágneses eszközökkel kombinálja össze a kvantumanyagok egyedi tulajdonságait.

A spin és az elektronika szavakat összevonó spintronika abból indul ki, hogy az elektron, elektromos töltés mellett, spinnel is rendelkezik. (A kvantummechanikában a spin a részecskék saját, belső perdülete, vagy impulzusmomentuma, lényegében a részecske tulajdonságait leíró hullám- vagy állapotfüggvény.)

A spintronikán alapuló eszközök a spin és az elektromos töltés kombinációjával úgy kezelik az információt, hogy – a hagyományosabb technikákkal ellentétben – a tároló- és a feldolgozókapacitás növekedése mellett, csökken az energiafelhasználás.

Ezek az eszközök speciális frekvencián működnek. Ha kvantumanyagokat adunk hozzájuk, a frekvencia finomhangolható, használhatóbb lesz, nőnek az alkalmazási lehetőségek.

Kent szerint a számítástudomány, különösen a neuromorfikus számítások további fejlődése szempontjából kulcsfontosságú lépésről van szó. Az ilyen rezonátorok számítási eszközök komponenseit kapcsolhatják össze.

Az önvezető autókat hatalmas mennyiségű adattal dolgozó gépitanulás-algoritmusok működtetik. Ha viszont képesek lennének úgy tanulni, mint a csecsemők a járást, azaz a környezetükben tartózkodók megfigyelésével és utánzásával, akkor jóval kevesebb közlekedési adatot kellene összegyűjteni.

Eshed Ohn-Bar, a Boston Egyetem kutatója és Jimuyang Zhang, a felsőoktatási intézmény PhD-hallgatója ebből a gondolatból kiindulva, teljesen új módszert dolgoztak ki az önvezető autók tanulására. A jármű más járműveket figyel az úton, az algoritmus előrejelzi a környezetre adott reakcióikat, és a rendszer ezen információk alapján hozza meg a saját döntéseit. Így tanulja meg a biztonságos vezetést.

Elképzelésüket saját kutatási területük helyzete is inspirálta – a fejlesztésben érintett nagyvállalatok rengeteg, az önvezető autók tanulásához szükséges adattal rendelkeznek, viszont – megakadályozva a versenyt – azokat meg is tartják maguknak. Közben a kutatóközösségen belül egyre nő az adatmegosztás és az együttműködés iránti igény.

Mindegyik cég ugyanazt az utat járja be: szenzorokat pakolnak az autóba, irányításukhoz vezetőket fizetnek meg, adatokat gyűjtenek, majd a járművet vezetni tanítják. Ha az adatokat megosztanák, hamarabb fejlesztenének biztonságos önvezető autókat, a társadalom szélesebb rétegei profitálnának belőlük. Akkora adatmennyiségről van szó, hogy a problémát egyetlen cég sem oldja meg egyedül – érvel Ohn-Bar.

„Hiába van többmilliárd kilométernyi adat, a valóság annyira változatos, hogy ezek csak vízcseppek az óceánban. Egy hiányzó információminta viszont már önmagában is kockázatos vezetést, potenciális karambolokat okoz” – magyarázza.

Algoritmusuk felbecsüli a közeli autók nézőpontjait és vakfoltjait, majd madártávlati térlépet készít a környezetről. A térkép segítségével a jármű észleli az akadályokat, más autókat és gyalogosokat, megérti, miért változtat irányt, fékez stb. a többi. Kommunikál velük, összeütközés nélkül engedi előre, előzi meg őket.

Az autó az akár ember vezette, akár szintén önvezető többi jármű cselekedeteit referenciakeretekké alakítja át. Mivel a megfigyelés kulcsfontosságú, az adatmegosztás is az.

A kutatók két virtuális településen tesztelték a „nézz és tanulj” algoritmust. A terepek hiába különböztek egymástól, az idegháló nagyon kevés ütközéssel megúszta. Az esetek 92 százalékában ért célba. Míg a korábbi legjobb módszerekhez több órányi vezetési adat kellett, az övékéhez tíz perc elég volt.

A bíztató teszteredmények ellenére, nagyon sok kihívást kell még kezelniük: a megfigyelt járművek drasztikusan változó perspektíváit, a szenzorok pontatlan méréseit, különféle vezetői stílusokat stb.

Ohn-Bar szerint módszerük más területeken, például szállító robotoknál, drónoknál is alkalmazható.

Egy robotraj eredményesebben végzi a munkáját, jobban reagál a környezet változásaira, ha tagjai kevesebbet kommunikálnak egymással – állapították meg a Sheffield Egyetem és más felsőoktatási intézmények közös projektben dolgozó kutatói. A kutatás eredményeit felhasználva, nő a rajok alkalmazkodóképessége, hamarabb hoznak meg bonyolult döntéseket.

A tanulmány cáfolja azt a széles körben elfogadott álláspontot, hogy minél több a robotok közötti kapcsolat, annál tökéletesebb az információcsere.

A kutatók kicsi robotok mozgását, a munkavégzés szempontjából legfontosabb helyszínre vonatkozó konszenzus meghozatalát tanulmányozták. Mivel ezek a helyszínek a legalkalmasabbak feladatok végrehajtására, ott kell sürgősen összegyűlniük.

Az adott terepet minden egyes robot saját magától értékelte ki. Döntést hozott az ideális helyszínről, majd véleményét elküldte a többieknek. Ezt követően a rajhoz tartozó összes gép rendszeresen kiválasztotta valamelyik másik egyed véletlenszerű értékelését, és egy harmadiknak továbbította. Ez utóbbi frissítette, és így tovább.

A szavazási modell lényege, hogy miután valamennyi egyed kifejtette a véleményét, a tagok meglátásait összesítve, a raj, mint egész, megegyezett a legjobb megoldásról.

Csakhogy kiderült, hogy amikor új fontosnak ígérkező helyszínre keveredtek, ez a protokoll túl lassú a környezeti változásokhoz való alkalmazkodáshoz. A kutatók ekkor jöttek rá, hogy hatékonyabb az együttműködés, ha a robotok a teljes raj helyett, csak a tőlük tíz centiméteren belüli társaikkal kommunikálnak. Így hamarabb alkalmazkodtak, és gyorsabban kiválasztották a legjobb helyszínt.

A kutatási eredmények azért fontosak, mert robotrajok az ember számára veszélyes vagy megközelíthetetlen terepekre is eljutnak, például nagy kiterjedésű erdőtüzek felett repülve, figyelhetik a tűz terjedését, és megállapíthatják, hogy hol van a legnagyobb szükség segítségre.

De mi történik, ha hirtelen megváltozik a tűz iránya, és máshol kell segíteni? A robotrajoknak ezt a problémát is kell kezelniük, a változásokhoz való gyorsabb alkalmazkodás pont ilyen esetekre megoldás.

A dolgok internetéhez (Internet-of-Things, IoT) és más technológiákhoz biztonsági megoldásokat kínáló BlackBerry rosszindulatú szoftverekről (malware) szóló anyagában a szerzők kiemelik, hogy az azokat fejlesztő hackerek az utóbbi időben előszeretettel használnak „egzotikus”, azaz nem elterjedt, ritkán alkalmazott programozási nyelveket: Go (Golang), D (DLang), Nim, Rust.

Az ok elég egyértelmű: így próbálják elkerülni a cyberbiztonsági közösségek figyelmét, elérni, hogy tevékenységüket nehezebben derítsék fel, és persze hatékonyabb vírusokat írjanak. Az egzotikus nyelvekkel elsősorban a támadási lánc későbbi szakaszában remekül használható betöltő és telepítő megoldásoknál kísérleteznek.

Ezekkel az egyre gyakoribb technikákkal a támadásnak a célpont végpontjain történő észlelését akarják elérni. Miután a rosszindulatú program (például a Remote Access Trojans, azaz RATs – „patkányok” –, a NanoCore, vagy a Cobalt Strike) megkerülte a rendszer jellegzetesebb malware-kódokat detektáló biztonsági ellenőrzését, a vírusok, köztük trójaiak telepítése sokkal könnyebb.

Több erőforrással rendelkező hackerek viszont nem aprózzák el ennyire – ők a teljes malware-t írják át új nyelvre.

Cyberbiztonsági szakértők szerint vírusíró berkekben a Go a legdivatosabb programozási nyelv. Az állandó és komoly fenyegetést jelentő, államilag finanszírozott csoportok és a termékeiket árucikként értékesítő fejlesztők egyaránt komoly érdeklődést mutatnak a Go iránt, arzenáljukat előszeretettel frissítik vele.

A malware-ek összes típusán egyre gyakrabban jelennek meg a nagy operációs rendszerek támadására használt, Go-alapú minták – állítják a BlackBerry kutatói. A DLang ugyan nem ennyire népszerű, de 2021-ben mégis jóval többen használják, mint a korábbi években.

Új és szokatlan programozási nyelvekkel, a rosszindulatú programok fejlesztői megnehezítik a biztonsági szakértők visszafejtési (reverse engineering) munkáját, megkerülik az aláírás-alapú detektáló eszközöket, a megtámadott platformokon javítják a vírusok közötti kompatibilitást.

A Sydney Egyetem és a kvantumvezérléssel foglalkozó Q-CTRL startup új, gépitanulás-alapú módszerével azonosíthatók kvantumszámítógépek hibái, hibaforrások. A mesterségesintelligencia-megoldással, kvantumhardver-fejlesztők előzmények nélküli pontossággal szűrhetik ki a romló teljesítmény okait.

Az MI közelebb visz a nemcsak laboratóriumokban, tudományos céllal vagy kísérleti jelleggel, hanem a hétköznapi valóságban is működő kvantumszámítógépekhez.

A környezeti „zaj” miatti hibák a kvantumszámítások Achilles-sarka. A kutatók új technikájával a kvantumalgoritmusok ioncsapdát és szupervezető hardvert használó működéséhez szükséges feltételek minimális módosulása is észlelhető. Az ioncsapda és a szupervezető hardver a szakterület világvezetőjének számító IBM, Google, Honeywell és IonQ laboratóriumaiban is a legalapvetőbb technológiák.

A mért módosulást a Q-CTRL tudósai által kidolgozott gépitanulás-algoritmusok dolgozzák fel, és jutnak el a hibaforrásig. A cég meglévő kvantumvezérlő technikáival kombinált MI segítségével sikerült minimalizálni a környezeti interferencia hatását. Lehetővé vált, hogy a kezelhető, „valódi” zajt megkülönböztessék a szintén mért „fantomzajoktól.”

„A kísérleti csúcstechnológia és a gépi tanulás szintéziséről bebizonyosodott, hogy óriási előny kvantumszámítógépek fejlesztésekor. A gépitanulás-megoldás tette lehetővé adataink értelmezését, és új módszert kínál hardveres problémák észrevételére, kijavítására” – nyilatkozta a kutatásokat vezető, ma már az ETH Zürichen dolgozó Cornelius Hempel.

A teljesítménycsökkenés hardveres hibáinak azonosítása és megszüntetése az alapkutatásoknál és a kvantumszámítógépekre, kvantumérzékelőkre vonatkozó ipari törekvéseknél egyaránt kulcsfontosságú.

„A kvantumvezérlés és a megerősített gépi tanulás megmutatta a gyakorlatban is hasznos kvantumhardverhez vezető utat, és drámai mértékben felgyorsítja a kutatásfejlesztéseket” – véli Michael J. Biercuk a Q-CTRL Sydney Egyetemen tanító vezérigazgatója.

Az arcfelismerő technológiák egyértelműen sérthetik a magánéletünket. De más problémák is vannak velük, például kisebbséghez tartozó személyek azonosításánál gyakran tévednek, és ezek a tévedések ártatlanok őrizetbe vételéhez, meggyanúsításához vezetnek.

Az Egyesült Államokban egyre többen ellenzik az arcfelismerés használatát. A törvényhozók legújabb szabályozása alapján a kormányzat nem élhet vele, és legalább húsz amerikai nagyvárosban, valamint több szövetségi államban erősen korlátozták a technológia alkalmazását.

A Kormányzati Elszámoltatási Hivatal (GAO) legújabb jelentése alapján a szövetségi ügynökségek, hivatalos szervek nagyon lazán kezelik az arcfelismeréssel kapcsolatos szabályozást, és komolyabb szigorra, erősebb protokollokra lenne szükség.

A vizsgálat során megállapították, hogy sok szervezet ugyan él a technikával, de nem ismerik a termék eredetét, nem tudják szakszerűen használni, lényegében bármi megtörténhet vele. Ezért tanácsolják, hogy a kereskedelmi forgalomban beszerezhető rendszereket működtető szervek dolgozzanak ki protokollokat a technológia szakszerű használatára.

Húsz, bűnüldöző alkalmazottakkal dolgozó ügynökség jelentette a GAO-nak, hogy munkájukhoz alkalmazzák az arctechnológiát. Tizenegy szervezet magáncégek, például a Clearview AI és a Vigilant fejlesztéseit használja. A többiek vagy saját fejlesztésű, vagy más ügynökségek által fejlesztett technológiával dolgoznak. Az egyik legnépszerűbb a Védelmi Minisztérium 835 millió személy adatait tároló Automatizált Biometrikus Azonosító Rendszere. Több ügynökségnek viszont fogalma sincs, hogy ki hozta létre az arcfelismerő technológiájukat. Hatan a rendőrségi túlkapások elleni tiltakozásban részt vett személyek utáni, de a Capitolium elleni rohammal kapcsolatos nyomozásra is használták.

Csak egy ügynökség, a magánfejlesztésű megoldással dolgozó Bevándorlás és Vámvédelmi Hivatal vezetett be protokollokat, például az alkalmazottaknak minden egyes alkalommal jelenteniük kell az arcfelismerés használatát.

A GAO audit előrelépésnek tekinthető. De amíg nincsenek az összes érintett szervezetre érvényes protokollok, célszerűbb lenne moratóriumot bevezetni a bűnügyi alkalmazásokra.

A videojátékok jól jövedelmező, hatalmas iparág, nagy üzlet. A győzelmet megkönnyítő termékek szintén, a kereslet törvényszerűen folyamatosan nő irántuk. Következményként, a skrupulusokkal nem törődő játékosok a sportszerűséggel, versenyszellemmel köszönőviszonyban sem álló lehetőségeket kihasználva, súlyos dollármilliókat kaszálhatnak.

A gamer képességeit, például a célzást és a tüzelés sebességét a kódok trükközésével megsokszorozó technikák annyira elterjedtek, hogy ideje volt tenni valamit ellenük. Például a népszerű Call of Duty: Warzone (2020) fejlesztője, az Activision hatvanezer játékost tiltott ki a használatukért.

A csalások általában kiegészítések a játékszoftverhez, de a játéktól függetlenül működő gépilátás-technikák. Ezért nehéz őket detektálni.

Különösen az elsőszemélyes lövöldözős játékokban népszerűek, ahol a mesterséges intelligencia annyira megsokszorozza ügyességünket és gyorsaságunkat, hogy az MI-t nem használó versenyzők esélytelenek velünk szemben. Lényegében emberfeletti tempóban gyilkolásszuk a szörnyeket, ellenségeket.

A csalótechnikákat alkalmazó egyik rendszert nyáron állították le. PC-n, PlayStation-ön, Xboxon egyaránt működött. Azonosította a célpontot, majd nem egész 10 milliszekundum alatt végzett is vele. Összehasonlításként: profi játékosok reakcióideje 100 és 250 milliszekundum között van.

Az említett rendszer, a Userviz a következőképpen működött: egy video-felvevő kártya egy, avatárok felismerésére begyakoroltatott YOLO tárgydetektálót futtató másik számítógépre továbbította a játék kimenetét. Egy vezérlő adapter a YOLO kimeneteit játékon belüli utasításokká alakította – például, hogy a kurzor rápattanjon a célpontra és tüzeljen.

A rendszer felismerte a testrészeket, szabályozta a lőfegyver visszalökődését, és azonnal meghúzta a ravaszt, mihelyst egy ellenség belépett a látómezőnkbe.

A levélszemét és más online csalások elleni küzdelemhez hasonlóan, itt is macska-egérharc folyik. A képességeinket megsokszorozó botok következő generációja nyilvánvalóan még emberszerűbben fog viselkedni, amit természetesen még nehezebb lesz észlelni.

Jól ismerjük azokat a jellegzetes hangokat, amikor valaki az ujjaival dobol az asztalon. De mi lenne, ha a dobolást visszhangként vagy mennydörgésként érzékelnénk?

A Santa Barbarai Kaliforniai Egyetemen fejlesztett, kutatásra, játékra és más szórakozásokra használható Tapintható visszhangok (Tactile Echoes) kiterjesztett valóság (Augmented Reality, AR) rendszer pont ezt az élményt nyújtja. Csak az ujjainkra és a kontaktfelületre van szükség hozzá, és a környezet valós élményét kibővített vizualitással, hangokkal és tapintással éljük át.

Fejlesztői szerint a Tactile Echoes az első olyan tapintásalapú AR-rendszer, amely lehetővé teszi, hogy a felhasználó fizikai tárgyakat, felületeket megérint, és az érintésre multimodális digitális visszajelzést kap.

Bármely hétköznapi objektum jó hozzá.

A körömcsúcson lévő szenzor detektálja az érintkezéskor keletkező rezgéseket. A rezgéseket a rendszer feldolgozza, programozható hanggá alakítja. Mivel a rezgésmintázatok felületenként változnak, minden egyes interakciónál különböző visszajelzések, hangok játszhatók le. Például ha alig nyúlunk hozzá egy tárgyhoz, könnyed és szórakoztató visszhangot hallunk, de ha izomból csapunk rá, hirtelen puffanást észlelünk.

Ha a viselhető (wearable) eszközt, intelligens projektorral, VR (Virtual Reality) vagy AR headsettel generált környezetbe integráljuk, és a felhasználó a valós környezetben érint meg egy virtuális tárgyat, a hang mellett grafikával és tapintásérzettel is bővül az élmény.

A kutatók többször tesztelték a Tactile Echoest. Először különféle hangok és a hozzájuk kapcsolódó érzetek leírására kérték a résztvevőket. A másodikon közönséges asztali felületre vetített interaktív AR videojátékban vettek részt. A Tactile Echoes jelentősen növelte reakcióikat, a játékból sokkal intenzívebben vették ki a részüket.

Egyelőre a prototípusnál tartanak, de a kutatók elmondták, hogy vállalatokkal akarnak együttműködni, a Tactile Echoesból velük közösen fejlesztenének termékeket. Bármilyen asztallapon lehet belőle AR-játék, de zenekészítéshez és az oktatásban is alkalmazható.

A Glasgowi Egyetem, a Fujitsu és a műholdas szolgáltatásokkal és fenntarthatóságukkal foglalkozó Astroscale közösen dolgoztak egy, az űrhulladék eltávolításáról szóló, az Egyesült Királyság űrügynöksége által támogatott projekten.

Hat hónap alatt fejlesztettek hatékonynak tűnő módszert. Mesterséges idegháló-alapú algoritmusuk gyorsan megtervezi a műholdak által generált hulladékok aktív eltávolításához szükséges pályát, amellyel fontos optimalizációs problémákat igyekeztek megoldani. Ezek nélkül nehéz űrutakat kidolgozni.

Jelenleg 2350 nem működő műhold van Föld körüli pályán, az űrfigyelő hálózatok több mint 28 ezer hulladékot tartanak számon. Az űr „megtisztításához” gondosan ki kell választani, hogy melyikeket és mikor gyűjtik össze. A küldetéstervhez a Fujitsu kvantumalapú rendszere optimalizálta, tehát minimalizálta az üzemanyag-felhasználást és a használaton kívüli eszközök visszaszállítási idejét.

Az ideális útvonal megtalálásával nagyon sok idő és pénz spórolható meg, ami azt is jelenti, hogy a küldetés pénzügyi szempontból is életképes, kivitelezhető.

„Kockázatos űrobjektumok folyamatos megfigyelése nélkülözhetetlen a kommunikációs eszközöktől a műholdak navigálásáig, a fontos szolgáltatások fenntartásához. Ez az egyik első kvantumszámítások inspirálta, mesterséges intelligenciával működő, az űrhulladékok által okozott problémát megoldó kezdeményezés. Nem valószínű, hogy az utolsó” – nyilatkozta az űrügynökség figyelő- és követőrészlegét vezető Jacob Geer.      

A projekt szerves része volt az Astroscale törmeléktárgyakat egyetlen szolgálati műhold segítségével eltávolító ELSA (End-of-Life Services by Astroscale) programjának.

Ellen Devereux (Fujitsu) szerint nemcsak a költséghatékonyságról van szó, hanem a közös munka azt is megmutatta, hogy optimalizációs feladatokhoz mennyire hatékony a kvantumszámítások és a mesterséges intelligencia együttes használata.

„Most már jobban ismerjük a bennük rejlő lehetőségeket, és nagyon várjuk a technológiák jövőbeni űralkalmazásait” – mondta.

A projekt felhő-infrastruktúráját, gépitanulás-eszközöket és szolgáltatásokat az Amazon biztosította.