위성군 최적화의 패러다임 전환: AI 기반 하이브리드 및 대리 모델링 접근 방식

1. 서론: "Warm Start" 비유의 재해석

최근 우주 시스템 공학, 특히 위성 궤적 최적화 분야에서 "Trajectory Transformer"와 같은 고급 인공지능(AI) 모델을 사용하여 기존 최적화 솔버(solver)의 초기값을 설정하는, 이른바 "웜 스타트(warm start)" 기법이 성공적으로 적용되고 있다.1 이는 AI가 고전적인 물리 기반 모델을 대체하는 것이 아니라, 계산적으로 복잡한 문제의 해를 더 빠르고 신뢰성 있게 찾도록 돕는 '조력자(assistant)'로서 기능하는 하이브리드 패러다임의 등장을 의미한다.

 

 

이러한 접근 방식은 위성군 최적화(satellite constellation optimization)라는, 훨씬 더 거대하고 복잡한 문제 공간에 AI를 도입하는 방안에 대한 중요한 시사점을 제공한다.

 

1.1. 핵심 통찰: AI는 '대체'가 아닌 '조력자'다

'웜 스타트' 비유의 핵심은, AI의 데이터 기반 패턴 인식 능력과 고전적 수치 최적화 기법의 높은 정확도 및 신뢰성을 결합하는 데 있다. 궤적 최적화에서 순차 볼록 프로그래밍(Sequential Convex Programming, SCP)과 같은 고전적 솔버는 초기 추정치(initial guess)에 매우 민감하며, '콜드 스타트(cold start)' 즉, 무작위 초기값에서 시작할 경우 지역 최적해(local optimum)에 수렴하거나 해를 찾는 데 실패할 수 있다.

 

Autonomous Rendezvous Transformer (ART)와 같은 AI 모델은 수백만 개의 기동 데이터를 학습하여, 새로운 문제에 대해 거의 최적에 가까운 초기 궤적을 '생성'한다.2 이 '웜 스타트' 값을 솔버에 제공하면, 솔버는 훨씬 더 빠르고 안정적으로 우수한 (예: 연료 소모가 적은) 해로 수렴할 수 있다.1 이는 AI가 고전적 방식의 약점을 보완하고 성능을 극대화하는 협력적 모델의 성공 사례이다.

 

1.2. 위성군 최적화 문제의 다계층적 복잡성

위성군 최적화는 궤적 최적화보다 훨씬 더 다차원적인 복잡성을 가진다. 이 문제는 크게 두 가지 영역으로 나뉜다.

 

1. 설계 최적화 (Design Optimization): 이는 정적(static)이며, 방대한 탐색 공간을 가진 다중 목표 최적화 문제이다.3 목표는 위성 수 4, 궤도면, 고도, 경사각 등 위성군의 '구성(configuration)'을 결정하여, 비용(위성 수)은 '최소화'하고 4 성능(지상 커버리지, 재방문 시간, 항법 정확도 등)은 '최대화'하는 것이다.3 이는 본질적으로 NP-hard 조합 최적화 문제에 가깝다.8
2. 운영 최적화 (Operations Optimization): 이는 동적(dynamic)이며, 실시간 대응이 필요한 문제이다. 이미 구축된 위성군을 대상으로, 시시각각 변하는 환경 속에서 자원을 '최적으로 운영'해야 한다. 여기에는 위성 간 데이터 라우팅 9, 배터리 및 메모리와 같은 한정된 자원 할당 9, 그리고 특히 위성 고장 시 임무를 재할당(retasking)하는 문제가 포함된다.11

 

1.3. AI의 3가지 핵심 역할 및 보고서 구조

사용자의 '웜 스타트' 비유에서 출발하여, AI가 위성군 최적화의 다계층적 문제들을 해결하는 역할을 분석해 보면, AI는 다음 세 가지 핵심적인 역할로 구분될 수 있다. 본 보고서는 이 세 가지 역할을 중심으로 AI의 적용 방식과 그 효과를 심층적으로 분석한다.

 

1. 지능형 가속기 (Intelligent Accelerator): AI가 고전적 최적화 알고리즘(예: 유전 알고리즘, SCP)의 '조력자'로 기능하여, 탐색 공간을 효율적으로 가지치기하거나 고품질의 초기해를 제공하는 '웜 스타트' 패러다임이다.
2. 효율적인 대리자 (Efficient Proxy): AI가 계산 비용이 극도로 높은 물리 시뮬레이션(예: STK, GMAT, FEA)을 대체하는 '대리 모델(surrogate model)' 또는 '메타모델(metamodel)'로 기능하여, 설계-최적화 루프(loop)의 속도를 비약적으로 향상시킨다.14
3. 자율적 운영자 (Autonomous Operator): AI(예: 강화학습, 그래프 신경망)가 고전적 방식으로는 대응이 불가능한 복잡하고 동적인 운영 환경에서 '직접' 의사결정을 내리는 주체로 기능한다.9

 

2. AI-Assisted Classical Optimization: 하이브리드 '조력자' 패러다임

본 섹션은 사용자가 제시한 '웜 스타트' 패러다임을 위성군 최적화 문제에 확장하여, AI가 어떻게 고전적 최적화 알고리즘의 '지능형 조력자' 역할을 수행하는지 분석한다.

 

2.1. 궤적 최적화의 진화: Transformer 기반 Warm Start

사용자의 전제를 뒷받침하는 핵심 연구는 Autonomous Rendezvous Transformer (ART)의 개발이다.2 위성 간 근접 기동(rendezvous)과 같은 궤적 최적화는 본질적으로 비볼록(non-convex) 최적 제어 문제이다. 전통적인 SCP 방식은 계산 속도는 빠르지만, 초기 추정치에 따라 수렴 여부가 결정되며 종종 비최적(suboptimal) 지역해에 머무르는 한계가 명확했다.

 

ART는 이러한 문제를 해결하기 위해 '생성형 모델(generative model)'로 접근한다. 수백만 개의 최적 궤적 데이터를 학습한 Transformer 모델은, 궤적 자체를 "상태, 제어, 그리고 성능 지표로 구성된 토큰화된 시퀀스(tokenized sequence)"로 간주한다.2 새로운 기동 임무(새로운 시작점과 종착점)가 주어지면, ART는 이 시퀀스를 바탕으로 거의 최적에 가까운 초기 궤적(웜 스타트)을 '생성'한다.1

 

이 초기 궤적을 기존 SCP 솔버에 입력값으로 제공하는 하이브리드 방식을 통해, 기존 '콜드 스타트' 방식 대비 최대 30%의 비용(연료) 절감과 50%의 비수렴(infeasible) 사례 감소라는 괄목할 만한 성과를 달성했다.2 이는 Transformer 아키텍처가 자연어뿐만 아니라, 물리적 궤적의 순차적 특성과 동역학적 제약 조건까지 학습할 수 있음을 입증한 것이다.17

 

2.2. 위성군 설계 최적화와 유전 알고리즘(GA)의 AI 가속화

궤적 최적화가 연속적인 변수를 다루는 반면, 위성군 '설계' 최적화는 이산적이고 조합적인(combinatorial) 특성을 가진다. 이 방대한 설계 공간을 탐색하기 위한 사실상의 표준(de-facto) 고전적 도구는 유전 알고리즘(Genetic Algorithm, GA), 특히 NSGA-II(Non-dominated Sorting Genetic Algorithm II)이다.19

 

NASA의 GenETOC (Generation-based Evolutionary Tool for the Optimization of Constellations)은 NSGA-II와 STK(Systems Tool Kit) 시뮬레이터를 결합하여 최적의 위성군 설계를 탐색하는 대표적인 도구이다.20

 

하지만 GA는 치명적인 약점을 가진다. 첫째, 수천에서 수만 개의 후보 위성군(개체)에 대한 '적합도(fitness)' (예: 커버리지 성능)를 평가해야 하며, 각 평가는 STK와 같은 고충실도 시뮬레이터를 며칠씩 구동해야 할 수도 있다.20 둘째, GA의 성능은 초기 모집단 크기, 교차율 등 하이퍼파라미터 설정에 극도로 민감하여, 조기 수렴(premature convergence)에 빠져 비최적해를 도출하기 쉽다.22

 

AI는 이러한 GA의 근본적인 문제들을 '웜 스타트' 패러다임의 변형을 통해 해결한다.

 

2.2.1. AI Solution 1: Surrogate-Guided GA (AI의 적합도 평가)

GA의 가장 큰 병목은 '적합도 평가' 단계의 계산 비용이다. Surrogate-Guided Genetic Algorithm (대리 모델 기반 GA)은 이 병목을 AI로 해결한다.23

 

이 접근법은 먼저 수백 개의 샘플 설계안에 대해서만 고비용 STK 시뮬레이션을 수행하고, 이 데이터를 AI 대리 모델(예: 신경망, RBF - 3장 참조)에 학습시킨다. GA는 이후 수천 번의 진화 과정 동안, 비싼 STK 대신 밀리초($ms$) 단위로 응답하는 이 '빠른' AI 모델에 적합도를 '질의'한다.

 

GA는 99%의 탐색을 AI 대리 모델 상에서 수행하고, 가장 유망한 최상위 후보군에 대해서만 STK를 통한 '최종 검증'을 수행한다. 이는 GA의 탐색 능력을 유지하면서도 전체 계산 비용을 획기적으로 줄이는 '폐쇄 루프(closed-loop)' 최적화 방식이다.23

 

2.2.2. AI Solution 2: Dynamic Population Seeding (다음 세대 GA를 위한 Warm Start)

이는 '웜 스타트' 개념을 GA에 문자 그대로 적용한 방식이다. 위성군 운영 중 발생하는 '연속적인' 위성 선택 문제(예: 매 에포크(epoch)마다 최적의 항법 위성 조합을 선택)에서 탁월한 효과를 보인다.24

 

MFMGA(Maturity Factor Mapping Genetic Algorithm)와 같은 기법은, 이전 에포크에서 찾은 최적의 해(optimal individual, 즉 최적의 위성 조합)를 현재 에포크의 '초기 모집단(initial population)'에 "상속(inheritance)"시킨다.24

 

위성은 연속적으로 움직이므로, 현재 시점의 최적해는 이전 시점의 최적해와 매우 유사할 가능성이 높다. 따라서 이전 세대의 최적해를 '웜 스타트'로 활용하면, 현재 세대의 GA는 완전히 무작위적인 상태에서 탐색을 시작하는 대신, 이미 '우수한 초기 모집단'을 갖고 시작하게 되어 훨씬 빠른 속도로 최적해에 수렴할 수 있다.24

 

2.2.3. AI Solution 3: Adaptive GA (AI의 GA 튜닝)

이것은 AI가 최적화 문제를 푸는 것이 아니라, 최적화 '알고리즘' 자체를 최적화하는 메타-최적화(meta-optimization) 접근법이다. GA가 파라미터 설정에 민감하다는 문제 22를 AI로 해결한다.

 

AGA(Fully Adaptive Genetic Algorithm)는 GA가 실행되는 동안, 외부의 AI 제어 루프가 GA의 상태(예: 모집단의 다양성, 수렴 정체 상태)를 '실시간으로 모니터링'한다.22

 

만약 AI가 "모집단의 다양성이 급격히 떨어져 조기 수렴 위험이 있다"고 판단하면, AI 제어기는 교차율(crossover fraction)이나 돌연변이율을 동적으로 높여 탐색을 활성화시킨다. 반대로, 수렴이 잘 되고 있다고 판단되면 모집단 크기를 줄여 계산 자원을 절약한다.

 

이란 테헤란(Tehran) 지역의 커버리지를 최적화하는 10개 위성군 설계 문제에서, 이 AGA의 강력함이 입증되었다. 연구진은 의도적으로 AGA에 '최악의' 초기 파라미터(정적 GA라면 반드시 실패할 설정)를 부여했다. 그럼에도 불구하고, AI의 자가 튜닝(self-tuning) 메커니즘 덕분에 AGA는 수작업으로 최적 튜닝된 정적 GA보다 14.4% 더 우수한 커버리지(19.45시간)를 달성했다. 더 놀라운 점은 계산 시간이었다. 정적 GA가 78시간이 걸린 반면, AGA는 단 15시간 만에 완료하여, 80.8% (약 5.6배)의 계산 시간 단축을 이뤄냈다.22

 

2.2.4. AI Solution 4: Hybrid GAs (AI와 GA의 융합)

이 외에도 유전 알고리즘의 연산자(교차, 돌연변이) 자체에 AI 기법을 융합하려는 시도들이 활발히 이루어지고 있다. 여기에는 하이브리드 유전 옵티마이저(HyGO) 25, 그래프 신경망(GNN)과 시뮬레이티드 어닐링(SA)의 결합 26, 인공 신경망(ANN)과 GA의 결합 25, 또는 딥러닝과 유전 알고리즘의 결합 30 등이 포함된다.

 

2.3. 비직관적 설계의 발견: AI가 인간의 편견을 넘어서다

AI 기반 유전 알고리즘이 가져온 또 다른 중요한 성과는, 인간 엔지니어의 '직관'이나 '편견'을 뛰어넘는 완전히 새로운 설계안을 발견한다는 점이다.

 

전통적인 위성군 설계(예: Walker-Delta)는 수학적 '대칭성(symmetry)'을 기반으로 한다. 하지만 퍼듀(Purdue) 대학의 엔지니어들은 GA를 사용하여 특정 '지역(regional)' 커버리지를 최적화하는 과정에서, 최적의 해가 놀랍게도 '비대칭적(asymmetric)'이라는 것을 발견했다.32

 

예를 들어, 3개의 위성이 120도씩 균등하게 배치되는 대신, 두 개의 위성은 가깝게 뭉쳐있고 세 번째 위성은 멀리 떨어져 있는 비대칭 구성이 특정 지역의 통신 두절(blackout) 시간을 전통적인 설계보다 90분이나 단축시켰다.32

 

이는 AI 기반 탐색 알고리즘이 인간의 설계 편견에 얽매이지 않고, 오직 성능 지표(적합도)만을 기준으로 방대한 설계 공간을 탐색함으로써, 기존에는 상상하지 못했던 더 우수한 비대칭/비균일(asymmetric/heterogeneous) 위성군 패턴을 '발견'할 수 있음을 시사한다.22

 

3. AI as a Simulator: 대리 모델(Surrogate Models)을 통한 설계 공간 탐색

앞서 2.2.1절에서 언급된 'Surrogate-Guided GA'의 핵심은 바로 '대리 모델(Surrogate Model)'이다. AI가 최적화 알고리즘의 조력자 역할을 넘어, 계산 비용이 가장 많이 드는 '시뮬레이터' 자체를 대체하는 이 패러다임은, 현대 위성군 설계에 필수불가결한 요소가 되고 있다.

 

3.1. 다분야 설계 최적화(MDO)의 계산적 병목

위성군 설계는 전형적인 다분야 설계 최적화(Multidisciplinary Design Optimization, MDO) 문제이다.15 궤도(Orbit)라는 하나의 변수를 변경하면, 전력(Power), 열(Thermal), 구조(Structure), 위성 질량(Mass), 발사 비용(Cost) 등 연결된 모든 하위 시스템의 설계가 연쇄적으로 영향을 받는다.15

이러한 상호 의존성을 해석하기 위한 유일한 방법은 고충실도 물리 시뮬레이션이다.

 

• 궤도 전파 및 커버리지 분석 (예: STK, GMAT) 20
• 구조적 안정성 및 진동 해석 (예: 유한 요소 해석 - FEA) 38

 

문제는 이러한 시뮬레이션의 계산 비용이다. AIAA(미국 항공우주학회) 포럼에서 논의된 바와 같이, 단일 CFD(전산 유체 역학)나 FEA 시뮬레이션을 완료하는 데 수 시간에서 수일이 소요될 수 있다.39 만약 GA가 수천 번의 적합도 평가를 요구한다면, MDO에 기반한 진정한 최적 설계는 사실상 불가능하다.

 

3.2. AI 메타모델의 부상: RBF, MLP, 그리고 딥러닝

대리 모델(또는 "메타모델")은 이러한 비싼 물리 시뮬레이터를 '모방'하도록 훈련된 AI 모델이다.14 이 모델은 입력(설계 변수)에서 출력(성능 지표)으로의 복잡한 매핑(mapping) 관계를 학습한다.

 

메커니즘:

1. 샘플링(Sampling): 먼저, 라틴 하이퍼큐브 샘플링(LHS)과 같은 통계적 기법을 사용하여 설계 공간 전역에서 수백~수천 개의 샘플 포인트를 생성한다.38
2. 데이터 생성(Data Generation): 이 샘플 포인트들에 대해 '느린' 고충실도 시뮬레이션(예: STK, FEA)을 실행하여 {입력, 출력} 데이터셋을 구축한다.
3. 훈련(Training): 이 데이터셋을 사용하여 '빠른' AI 모델(예: RBF, 신경망)을 훈련시킨다.
4. 최적화(Optimization): GA나 미분 진화(differential evolution)와 같은 최적화 알고리즘의 적합도 함수를 '느린' 시뮬레이터 대신 이 '빠른' AI 대리 모델로 교체한다.38

사례 연구 1: MDO를 위한 방사 기저 함수 (RBF)

RBF(Radial Basis Function)는 위성 MDO 문제에서 매우 효과적인 대리 모델로 입증되었다.15 대형 탑재체를 가진 위성의 MDO 문제(위성 질량 최소화)에서, FSRBF(filter-based sequential RBF)라는 메타모델 기반 최적화 기법을 사용한 결과, 기존 진화 알고리즘 대비 계산 비용을 24.1% 수준으로 절감했다.15

 

RBF의 속도 향상 효과는 다른 연구에서 더 극적으로 나타난다. Walker 위성군 설계를 최적화하는 문제에서 RBF 대리 모델 기반 최적화는 GA, PSO(입자 군집 최적화), SA(시뮬레이티드 어닐링)와 같은 전통적인 전역 최적화 알고리즘보다 5배에서 8배 더 빠른 속도를 보였다.42

 

이러한 압도적인 속도 향상의 원인은 '고충실도 평가 횟수'의 급격한 감소에 있다. 전통적인 GA가 수천 번의 시뮬레이션을 요구한 반면, RBF 대리 모델 기반 방식은 단 46회의 고충실도 함수 평가만으로 최적해에 수렴했다.42

 

사례 연구 2: 구조 최적화를 위한 신경망 (MLP/RF)

터보 기계 로터 블레이드의 구조 최적화 사례에서, 연구진은 '느린' FEA 시뮬레이션 데이터를 사용하여 다층 퍼셉트론(MLP, 신경망의 일종)과 랜덤 포레스트(RF) 대리 모델을 훈련시켰다.38 미분 진화(DE) 옵티마이저는 이 '빠른' 대리 모델을 사용하여 응력을 줄이는 새로운 블레이드 설계를 탐색했다. '느린' FEA 시뮬레이션은 최적화 루프가 끝난 후, AI가 예측한 최종 설계안의 성능을 '검증(confirm)'하는 데 단 한 번 사용되었다.38

 

3.3. 신뢰의 위기: Physics-Informed AI (PIAI)

대리 모델은 속도 문제를 해결했지만, '신뢰'라는 새로운 문제를 야기했다. 표준적인 대리 모델은 데이터의 패턴만을 학습하는 '블랙박스(black box)'이다.43

 

만약 훈련 데이터가 부족하거나 편향되어 있다면, AI 모델은 '과적합(overfitting)'될 수 있다.44 더 위험한 것은, AI가 훈련 데이터 범위를 벗어난(out-of-distribution) 영역에서 에너지 보존 법칙이나 질량 보존 법칙과 같은 기본적인 '물리 법칙'을 위배하는, 물리적으로 불가능한 결과를 예측할 수도 있다는 점이다. 이는 안전이 최우선인 항공우주 설계에서 용납될 수 없는 한계이다.

 

이 '신뢰의 위기'에 대한 해답이 바로 물리 기반 AI (Physics-Informed AI, PIAI) 또는 Physics-AI이다.39

PIAI의 메커니즘은 AI 모델을 '데이터'에만 적합(fit)시키는 것이 아니라, AI의 손실 함수(loss function)에 '물리 법칙 편차'를 포함시키는 것이다. 즉, AI는 데이터의 패턴을 학습하는 동시에, 물리 법칙(예: 나비에-스토크스 방정식)을 위배할 경우 페널티를 받는다.

 

AIAA에서 발표된 이 접근법의 이점은 다음과 같다 39:

 

1. 물리 법칙 내재화: 대칭성, 불변성, 보존 법칙이 모델 아키텍처에 직접 내장된다.
2. 데이터 효율성: 동일한 정확도에 도달하기 위해 훨씬 적은 훈련 데이터가 필요하다.
3. 높은 정확도 및 일반화: 훈련 데이터에서 보지 못했던 새로운 설계안에 대해서도 물리적으로 타당하고 정확한 예측을 수행한다.

 

그 결과, PIAI 모델은 수 시간 걸리던 유동장(압력, 속도, 전단 응력) 해석을 밀리초(ms) 단위로 수행하면서도 물리적 신뢰성을 보장한다.39 이는 '속도'와 '신뢰도'를 모두 잡은 차세대 대리 모델이다.

 

이러한 대리 모델의 비약적인 발전은 단순히 계산 속도를 5~8배 높이는 것 42 이상의 의미를 가진다. 이는 엔지니어링의 패러다임을 '포인트 설계(point design)'에서 진정한 '설계 공간 탐색(design space exploration)'으로 바꾸고 있다.23 이제 엔지니어는 수만 번의 시뮬레이션을 수행하여 설계 민감도를 정량적으로 분석하고, 완전히 새로운 아키텍처를 발견할 수 있게 되었다.

 

표 1: 위성군 최적화의 AI 패러다임 비교 분석

 

패러다임 (Paradigm)	주요 문제 (Primary Problem)	AI 역할 (AI's Role)	메커니즘 (Mechanism)	정량적 이점 (Quantified Benefit)	주요 연구 (Key Research)
AI-Assisted (Warm Start)	궤적 최적화 (비볼록 제어)	지능형 초기해 생성기	Transformer가 궤적 시퀀스 생성, SCP 솔버에 제공	최대 30% 비용 절감, 비수렴 50% 감소	ART 2
AI-Assisted (GA Tuner)	위성군 설계 (GA 파라미터 민감성)	메타-옵티마이저 (AI 제어 루프)	GA의 다양성/정체를 실시간 모니터링, 파라미터 자가 튜닝	80.8% 계산 시간 단축 (78시간 → 15시간)	AGA 22
AI-Assisted (GA Seeding)	동적 위성 선택 (연속 최적화)	'웜 스타트' 모집단 제공자	이전 에포크(epoch)의 최적해를 현재 초기 모집단에 상속	더 빠른 수렴 속도	MFMGA 24
AI as Simulator (Surrogate)	MDO, 설계 (시뮬레이션 병목)	고속 대리 시뮬레이터 (메타모델)	RBF/NN이 고비용 물리 시뮬레이션(STK/FEA)을 대체	5~8배 속도 향상 42, 계산 비용 75.9% 절감 15	RBF-MDO 15
AI as Operator (RL)	동적 운영 (라우팅, 자원 할당)	자율적 의사결정 에이전트	강화학습(RL)이 시뮬레이션 환경에서 최적의 운영 '정책' 학습	Dijkstra 등 고전적 알고리즘 성능 초월	ConstellAI 9
AI as Operator (GNN+RL)	동적 네트워크 운영 (메가 위성군)	'토폴로지 인식' 의사결정자	GNN이 동적 그래프(네트워크)를 인코딩, RL이 최적 행동 결정	네트워크 동역학에 대한 높은 적응성 및 확장성	GRLR 48

 

4. AI as a Direct Optimizer: 동적 운영 환경에서의 자율적 의사결정

지금까지 분석한 AI의 역할이 정적(static)인 '설계(design)' 문제에 초점을 맞췄다면, 본 섹션은 AI가 동적(dynamic)인 '운영(operations)' 문제, 즉 실시간 의사결정을 어떻게 수행하는지 다룬다. 이 영역에서 AI는 종종 '조력자'가 아니라, 고전적 방식으로는 해결이 불가능한 문제를 푸는 유일한 '운영자(operator)'로 기능한다.

 

4.1. 강화학습(RL)을 통한 동적 자원 관리

저궤도(LEO) 메가 위성군(mega-constellation)은 수천 개의 위성이 상호 연결된 복잡하고 동적인 시스템이다.9 이러한 시스템에서는 예측 불가능한 이벤트가 실시간으로 발생한다.

 

문제점: 다익스트라(Dijkstra)와 같은 고전적인 최단 경로 알고리즘은 '정적'이다. 이 알고리즘은 위성 간의 '전파 지연(propagation delay)'은 계산할 수 있지만, 특정 링크에 트래픽이 몰려 발생하는 '큐잉 지연(queuing latency)'은 예측할 수 없다.16 따라서 '거리상 최단' 경로가 실제로는 '가장 혼잡한' 경로가 되어, 전체 네트워크 지연을 악화시킬 수 있다.

 

해결책 (RL): 강화학습(RL)은 이러한 동적 환경에서 '직접' 최적화를 수행한다. RL 에이전트(예: 위성 탑재 컴퓨터)는 시뮬레이션 환경에서 수많은 시행착오를 겪으며, 장기적인 '보상(reward)'(예: 총 지연 시간 최소화)을 극대화하는 최적의 '정책(policy)'(어떤 상태에서 어떤 행동을 할지에 대한 규칙)을 학습한다.

 

사례 연구 1: ESA ConstellAI 프로젝트

유럽우주국(ESA)의 ConstellAI 프로젝트는 RL을 두 가지 핵심 운영 문제에 적용했다 9.

 

1. 데이터 라우팅: RL 에이전트는 '과거의 큐잉 지연'을 학습한다. 그 결과, 다익스트라가 제시하는 '최단' 경로가 혼잡할 것을 예측하고, 차선의 경로로 트래픽을 우회시켜 종단 간(end-to-end) 지연 시간을 실질적으로 개선한다.16
2. 자원 할당: RL 에이전트는 위성 탑재 컴퓨터의 한정된 자원(배터리, 메모리)을 효율적으로 사용하도록 지상 관측, 데이터 처리, 통신 등의 임무 스케줄을 최적화한다.9

 

사례 연구 2: 위성 고장 시 재구성 및 임무 재할당 (Reconfiguration and Retasking)

위성군 운영에서 가장 치명적인 시나리오는 위성 고장(failure)이다. 고장으로 인해 발생하는 커버리지 공백을 메우기 위해, 나머지 위성들을 재구성하고 임무를 재할당해야 한다.11

 

이 문제는 인간이 실시간으로 대응하기 불가능하다. Q-러닝, DQN, PPO와 같은 RL 에이전트는 시뮬레이션 환경에서 수백만 가지의 가상 고장 시나리오를 미리 학습한다.11 실제 고장이 발생하면, RL 에이전트는 즉각적으로 최적의 재구성 기동 및 임무 재할당 계획을 실행하여, 임무 완수율(task completion rate)과 응답 시간을 최적화한다.12

 

4.2. 그래프 신경망(GNN): 동적 네트워크 토폴로지의 언어

RL 에이전트가 "최적의 정책"을 학습하려면, 먼저 현재 "상태(state)"를 정확히 인식해야 한다. 하지만 스타링크(Starlink)와 같은 메가 위성군의 '상태'란 무엇인가?

 

수천 개의 위성(노드)과 수만 개의 위성 간 링크(ISL, 에지)로 구성된 네트워크의 '토폴로지(topology)'는, 위성의 초고속 이동으로 인해 매초(every second) 극적으로 변한다.

 

문제점: 전통적인 신경망(MLP)이나 합성곱 신경망(CNN)은 이러한 '그래프 구조'의 비정형 데이터를 처리할 수 없다. 노드의 순서가 바뀌면(permutation invariance) 안 되며, 노드와 엣지의 수가 동적으로 변하는 상황에 대처할 수 없다.49

 

해결책 (GNN): 그래프 신경망(Graph Neural Networks, GNNs)은 이러한 문제를 해결하기 위해 "태어난" 아키텍처이다.49

GNN은 '국소적 정보 집계(local information aggregation)' 방식으로 작동한다.49

 

1. 인코딩(Encode): 각 위성(노드)은 자신의 상태(위치, 속도, 배터리)를 초기 '특징 벡터(feature embedding)'로 가진다.
2. 처리(Process): GNN은 각 위성이 자신과 '연결된 이웃 위성'들의 특징 벡터를 수신하여, 자신의 벡터와 '통합(aggregate)'하도록 한다.50
3. 디코딩(Decode): 이 과정을 여러 번 반복하면(message passing), 각 위성의 특징 벡터는 자신의 1-hop, 2-hop... 이웃들의 정보를 모두 압축적으로 포함하게 된다. 즉, GNN은 각 위성이 '자신의 네트워크 주변 환경을 이해'하도록 만든다.

 

GNN 적용 사례:

• 전력 할당: LEO 위성 통신에서 빔(beam) 간 간섭을 관리하기 위해 GNN을 사용한 결과, 기존의 완전 연결 신경망(FCNN)보다 뛰어난 확장성을 보이며 30% 더 높은 데이터 전송률을 달성했다.10
• 관측 스케줄링: GNN과 심층 강화학습(DRL)을 결합하여 지구 관측 위성의 스케줄링 문제를 해결한 결과, 작은 규모의 문제에서 학습한 모델이 대규모의 실제 문제에서도 경쟁력 있는 성능으로 '일반화'됨을 보였다.50

 

4.3. GNN과 강화학습의 결합: 궁극의 자율 운영자

메가 위성군 운영을 위한 현존 최첨단(state-of-the-art) 아키텍처는 GNN과 RL을 결합하는 것이다.

 

사례 연구: GRLR (Graph Neural Network and Reinforcement Learning for Routing) 48

GRLR은 라우팅 문제 해결을 위해 두 AI 모델의 장점을 결합한다.

 

1. GNN (눈): GNN이 '특징 추출기(feature extractor)' 역할을 한다.48 시시각각 변하는 네트워크 토폴로지(동적 그래프)를 입력받아, RL 에이전트가 이해할 수 있는 고차원의 '상태 벡터'를 생성한다.
2. RL (뇌): 액터-크리틱(Actor-Critic) 프레임워크 기반의 RL 에이전트가 '의사결정자' 역할을 한다.48 GNN이 제공한 상태 벡터를 기반으로, 최적의 라우팅 '정책'(어느 이웃 노드로 패킷을 보낼지)을 결정한다.

 

이 GRLR 프레임워크는 네트워크 동역학에 매우 빠르게 적응하며(rapid convergence), 기존의 라우팅 전략들을 압도하는 성능을 보여준다.48

이

러한 GNN 기반 접근 방식의 등장은, LEO 메가 위성군의 '규모'와 '동적인 특성'이 고전적 알고리즘이나 단순 RL 에이전트의 처리 용량을 넘어섰다는 것을 의미한다. 오직 GNN만이 이러한 동적 그래프 구조를 ' natively' 이해하고 처리할 수 있으며, GNN+RL의 결합은 수천 개의 노드가 상호작용하며 만들어내는 혼돈스러운 '창발적(emergent)' 네트워크 행위를 관리할 수 있는 유일한 확장 가능한 솔루션이다.

 

5. 차세대 전망: Physics-AI와 우주 기반 기초 모델

위성군 최적화에 AI를 도입하려는 시도는, 다시 항공우주 분야의 기술적 요구사항을 재정의하며 새로운 선순환 구조를 만들고 있다.

 

5.1. Physics-Informed AI (PIAI)의 확산

3.3절에서 논의된 PIAI 39는 신뢰할 수 있는 '설계'용 대리 모델의 미래이다. 물리 법칙을 내장함으로써, 이 모델들은 단순한 데이터 보간(interpolation)을 넘어, 이전에 시도된 적 없는 새로운 설계안에 대한 물리적으로 타당한 외삽(extrapolation)을 가능하게 할 것이다.

 

이는 '운영' 분야에도 동일하게 적용된다. 순수하게 데이터에만 기반한 모델 대신, PIAI 모델은 태양 복사압(solar radiation pressure) 51이나 대기 저항으로 인한 궤도 감쇠(decay) 효과를 더 정확하게 예측할 수 있다. 이는 더 정확한 장기 궤도 결정(orbit determination) 및 궤도 유지(station-keeping) 알고리즘으로 이어질 것이다.51

 

5.2. 위성 궤도상의 AI: Foundational Models (AI on the Satellites)

본 보고서의 출발점이 된 'Trajectory Transformer'의 Transformer 아키텍처는, 이제 위성 분야의 특정 문제를 푸는 도구를 넘어, 위성 시스템의 '기초 모델(Foundational Model)'이 되고 있다.

 

• 궤적 및 제어: Autonomous Rendezvous Transformer (ART).2
• 수요 예측: LEO 네트워크의 사용자 트래픽 수요 예측 (Transformer-based forecasting).53
• 통신: Transformer 기반 채널 상태 정보(CSI) 추정 54 및 큐 관리.55
• 온보드 처리: 위성 자체에서 원격 감지 이미지를 분석하는 경량화된 VistaFormer (시맨틱 세그멘테이션).56
• 온보드 LLM: 위성 궤도상에서 대규모 언어 모델(LLM) 추론을 수행. (이는 위성군 전체에 분산된 캐시(KVC)를 최적화하는 새로운 문제를 야기).57

 

이러한 흐름의 종착점은 구글(Google)이 제시한 'Suncatcher' 프로젝트 개념에서 엿볼 수 있다.58

 

Suncatcher 프로젝트:

• 개념: AI 연산 자체를 우주로 이전시킨다. 구글 TPU(Tensor Processing Units)와 자유 공간 광통신(FSO) 링크를 탑재한 위성 편대를 구성하여, 거대한 '우주 기반 데이터 센터'를 구축한다.58
• 동기: AI의 폭발적인 연산 수요와 에너지 소비를, 태양계에서 가장 큰 에너지원인 태양을 통해 직접 해결하려는 시도이다.
• 재귀적 최적화 (The Recursive Optimization): 이 프로젝트는 위성군 최적화 문제의 '재귀적' 본질을 드러낸다. 이제 우리는 AI 연산 노드로 구성된 대규모 위성군을 제어하기 위해, "고정밀 ML 기반 모델" (즉, 본 보고서에서 논의된 AI 최적화 기법들)을 사용해야 하는 새로운 최적화 문제에 직면하게 된다.58 이 새로운 위성군의 최적화 목표는 더 이상 '지상 커버리지'가 아니라, 'AI 연산 처리량'과 '위성 간 통신 지연 최소화'가 된다.

 

우리는 위성군 최적화 문제를 '풀기 위해' GNN과 Transformer를 사용하고 있다. 그 '결과'로 탄생할 글로벌 고대역폭 LEO 네트워크의 '최대 고객'은 아이러니하게도 AI '자신'이 될 것이다. 이는 다시 AI 하드웨어를 우주로 옮기게 만들고 58, 이는 더 새롭고 어려운 위성군 최적화 문제를 만들어낸다. 본 보고서에서 다룬 GRLR(4.3절)과 같은 동적 라우팅 기술과 대리 모델 기반 설계(3장) 기술은, 바로 이 미래의 '우주 AI 인프라'를 설계하고 운영하는 핵심 기반이 될 것이다.

 

6. 결론: AI 기반 최적화 패러다임의 종합 및 제언

6.1. 사용자의 질문에 대한 최종 답변

"궤적 최적화의 웜 스타트용으로 Trajectory Transformer를 사용했듯이, 위성군 최적화에 AI를 도입"하는 것은 단순한 가능성이 아니라, 이미 여러 핵심 분야에서 고전적 방식의 한계를 돌파하는 '지배적인 패러다임'으로 자리 잡고 있다.

 

AI는 고전적인 물리 기반 최적화를 '대체'하는 것이 아니라, 더 지능적인 방식으로 '융합'하고 있다. 본 보고서는 이 융합이 위성군의 전체 생명주기에 걸쳐 세 가지 형태로 나타남을 입증했다.

 

1. 지능형 가속기 (Hybrid GA/SCP): AI는 고품질 초기해(웜 스타트)를 제공하고 2, 방대한 탐색 공간을 효율적으로 가지치기하며(대리 모델) 23, 심지어 최적화 알고리즘 자체를 실시간으로 튜닝하여 22, 기존에 수 주일 걸리던 설계 문제를 수 시간 내에 해결할 수 있게 한다 (예: 80% 이상의 시간 단축).
2. 효율적인 대리자 (Surrogate/Metamodel): AI는 계산 비용이 천문학적이던 고충실도 물리 시뮬레이션(FEA, STK)을 대체한다.38 이는 엔지니어에게 5~8배 빠른 속도 42를 제공하여, 진정한 다분야 설계 최적화(MDO)와 설계 공간 탐색을 가능하게 한다. 이 대리 모델은 단순한 '블랙박스(RBF)'에서 물리 법칙을 내재화한 '글래스박스(Physics-AI)'로 진화하고 있다.39
3. 자율적 운영자 (RL/GNN): AI(특히 GNN+RL의 조합)는 LEO 메가 위성군의 실시간, 동적, 토폴로지적 복잡성을 관리할 수 있는 유일하고 확장 가능한 솔루션이다.48 이는 인간의 개입이나 기존 알고리즘으로는 불가능했던 수준의 자율적 운영을 가능하게 한다.

 

6.2. 제언: 세 가지 역할의 통합 프레임워크

위성 최적화의 미래는 이 세 가지 AI의 역할이 개별적으로 발전하는 것이 아니라, 하나의 '통합 프레임워크' 안에서 유기적으로 결합하는 데 있다.

미래의 위성군 설계-운영 파이프라인은 다음과 같은 형태를 가질 것이다.

 

1. 엔지니어는 Physics-AI 대리 모델(3장)을 구축하여 신뢰할 수 있고 빠른 가상 시뮬레이션 환경을 만든다.
2. Transformer 기반 생성형 모델(2장)이 이 가상 환경 내에서 수십억 개의 시뮬레이션 데이터를 학습하여 '설계의 물리학'을 이해한다.
3. 엔지니어가 새로운 임무 요구사항을 입력하면, Transformer는 즉각적으로 최적에 가까운 위성군 설계안(Warm Start)을 '생성'한다.
4. 이 설계안은 고전적 솔버(2장)에 전달되어 최종 미세 조정을 거치며, 이때 솔버의 적합도 함수조차 'Physics-AI 대리 모델'을 사용한다.
5. 동시에, 이 설계된 위성군을 운영할 GNN+RL 에이전트(4장) 역시, '동일한 가상 환경' 내에서 수백만 번의 운영 시나리오를 학습한다.

 

이러한 통합 AI 프레임워크는, 위성군 최적화를 정적이고, 무차별 대입(brute-force)에 가까웠던 '계산'의 영역에서, 지능적이고, 적응적이며, 설계에서 운영까지 끊김 없이 이어지는 '지속적인 최적화 파이프라인'의 영역으로 격상시킬 것이다.

 

참고 자료

1. Generalizable Spacecraft Trajectory Generation via Multimodal Learning with Transformers, 11월 12, 2025에 액세스, https://arxiv.org/html/2410.11723v1
2. (PDF) Towards Robust Spacecraft Trajectory Optimization via ..., 11월 12, 2025에 액세스, https://www.researchgate.net/publication/384770982_Towards_Robust_Spacecraft_Trajectory_Optimization_via_Transformers
3. [2507.09855] Optimal Design of Satellite Constellation Configurations with Mixed Integer Linear Programming - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/abs/2507.09855
4. [2209.09131] Optimized Design Method for Satellite Constellation Configuration Based on Real-time Coverage Area Evaluation - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/abs/2209.09131
5. [1807.02021] A Semi-Analytical Method for Calculating Revisit Time for Satellite Constellations with Discontinuous Coverage - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/abs/1807.02021
6. Onboard satellite visibility prediction using metamodeling based framework - ResearchGate, 11월 12, 2025에 액세스, https://www.researchgate.net/publication/335632723_Onboard_satellite_visibility_prediction_using_metamodeling_based_framework
7. The optimization of low Earth orbit satellite constellation visibility with genetic algorithm for improved navigation potential - PMC - PubMed Central, 11월 12, 2025에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC12371013/
8. Graph Neural Networks for the Offline Nanosatellite Task Scheduling Problem - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/pdf/2303.13773
9. On the Role of AI in Managing Satellite Constellations ... - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/abs/2507.15574
10. Meta-Learning for Graph Neural Network-Based Power Allocation in LEO Satellite Communications | Request PDF - ResearchGate, 11월 12, 2025에 액세스, https://www.researchgate.net/publication/384820402_Meta-Learning_for_Graph_Neural_Network-based_Power_Allocation_in_LEO_Satellite_Communications
11. Reinforcement Learning-enabled Satellite Constellation Reconfiguration and Retasking for Mission-Critical Applications - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/html/2409.02270v1
12. [2409.02270] Reinforcement Learning-enabled Satellite Constellation Reconfiguration and Retasking for Mission-Critical Applications - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/abs/2409.02270
13. Reinforcement Learning-enabled Satellite Constellation Reconfiguration and Retasking for Mission-Critical Applications - arXiv, 11월 12, 2025에 액세스, https://www.arxiv.org/pdf/2409.02270
14. [2303.17468] Surrogate Neural Networks for Efficient Simulation-based Trajectory Planning Optimization - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/abs/2303.17468
15. Metamodel Assisted Multidisciplinary Design Optimization for Satellite with a Large-Size Payload | Request PDF - ResearchGate, 11월 12, 2025에 액세스, https://www.researchgate.net/publication/369120613_Metamodel_Assisted_Multidisciplinary_Design_Optimization_for_Satellite_with_a_Large-Size_Payload
16. On the Role of AI in Managing Satellite Constellations: Insights from the ConstellAI Project - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/pdf/2507.15574
17. Design and Implementation of Satellite Formations and Constellations, 11월 12, 2025에 액세스, https://ntrs.nasa.gov/api/citations/19980237734/downloads/19980237734.pdf
18. Transformers for Trajectory Optimization with Application to Spacecraft Rendezvous - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/html/2310.13831v3
19. Optimization of Reconfigurable Satellite Constellations Using Simulated Annealing and Genetic Algorithm - MDPI, 11월 12, 2025에 액세스, https://www.mdpi.com/1424-8220/19/4/765
20. Generation-based Evolutionary Tool for the Optimization of ..., 11월 12, 2025에 액세스, https://ntrs.nasa.gov/api/citations/20205008366/downloads/GenETOC%20IEEE%20Submission.pdf
21. Using a Multiobjective Genetic Algorithm to Design Satellite Constellations for Recovering Earth System Mass Change - the NOAA Institutional Repository, 11월 12, 2025에 액세스, https://repository.library.noaa.gov/view/noaa/51890/noaa_51890_DS1.pdf
22. Optimization of Genetic Algorithm Parameters for the Design of ..., 11월 12, 2025에 액세스, https://www.jsstpub.com/article_232243_2b1b0cd75cd867fc3e7c0f9e5cf42768.pdf
23. Data-Driven Optimized Satellite Constellation Design Using a ... - AIAA, 11월 12, 2025에 액세스, https://arc.aiaa.org/doi/pdf/10.2514/6.2025-1213
24. An Improved Genetic Method for Satellite Selection in Multi-Global ..., 11월 12, 2025에 액세스, https://www.mdpi.com/2079-9292/13/10/1912
25. Genetic Optimization of a Software-Defined GNSS Receiver - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/html/2510.22417v1
26. arXiv:2403.00692v2 [eess.SP] 4 Mar 2024, 11월 12, 2025에 액세스, https://arxiv.org/pdf/2403.00692
27. Toward Autonomous Cooperation in Heterogeneous Nanosatellite Constellations Using Dynamic Graph Neural Networks - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/html/2403.00692v1
28. Hybrid Genetic Algorithm and Hill Climbing Optimization for the Neural Network - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/abs/2308.13099
29. A Review on Deep Learning Autoencoder in the Design of Next-Generation Communication Systems - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/html/2412.13843v2
30. Machine Learning for Satellite Communications Operations - Zenodo, 11월 12, 2025에 액세스, https://zenodo.org/record/4705117/files/Machine%20Learning%20for%20Satellite.pdf
31. Optimizing deep learning models for on-orbit deployment through neural architecture search, 11월 12, 2025에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC12572123/
32. Genetic algorithms 'naturally select' better satellite orbits, 11월 12, 2025에 액세스, https://www.purdue.edu/uns/html4ever/011015.Crossley.satellites.html
33. A Phase-Based Approach to Satellite Constellation Analysis and Design - DTIC, 11월 12, 2025에 액세스, https://apps.dtic.mil/sti/tr/pdf/ADA243548.pdf
34. REMOTE SENSING - Wichita State University, 11월 12, 2025에 액세스, https://www.wichita.edu/academics/engineering/aerospace/research/astronautics-lab/remote_sensing.php
35. Using a Multiobjective Genetic Algorithm to Design Satellite Constellations for Recovering Earth System Mass Change - MDPI, 11월 12, 2025에 액세스, https://www.mdpi.com/2072-4292/14/14/3340
36. Metamodel Assisted Multidisciplinary Design Optimization for Satellite with a Large-Size Payload - Beijing Institute of Technology, 11월 12, 2025에 액세스, https://pure.bit.edu.cn/en/publications/metamodel-assisted-multidisciplinary-design-optimization-for-sate/
37. Multidisciplinary modeling and surrogate assisted optimization for satellite constellation systems - Simon Fraser University, 11월 12, 2025에 액세스, https://www.sfu.ca/~gwa5/pdf/2018_04.pdf
38. Structural Optimization of Turbomachinery Rotors: A Study of Machine Learning Surrogate Models, 11월 12, 2025에 액세스, https://ntrs.nasa.gov/api/citations/20250005698/downloads/Aviation_2025_Structural-Optimization_STRIVES.pdf
39. Physics Can Revolutionize AI Simulations for Better Design - Aerospace America, 11월 12, 2025에 액세스, https://aerospaceamerica.aiaa.org/institute/physics-can-revolutionize-ai-simulations-for-better-design/
40. Deep learning-based surrogate models outperform simulators and could hasten scientific discoveries | Lawrence Livermore National Laboratory, 11월 12, 2025에 액세스, https://www.llnl.gov/article/46491/deep-learning-based-surrogate-models-outperform-simulators-could-hasten-scientific-discoveries
41. 56 Introduction to Week 11 | ANNs as Surrogate Models | Inverse Methods in Heat Transfer, 11월 12, 2025에 액세스, https://www.youtube.com/watch?v=t2GSHule760
42. Optimization of a Walker Constellation Using an RBF Surrogate ..., 11월 12, 2025에 액세스, https://www.mdpi.com/2226-4310/12/10/933
43. Surrogate Modeling for Explainable Predictive Time Series Corrections - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/html/2412.19897v2
44. Deep Learning and Artificial Neural Networks for Spacecraft Dynamics, Navigation and Control - MDPI, 11월 12, 2025에 액세스, https://www.mdpi.com/2504-446X/6/10/270
45. Embracing Disruption to Unlock Top Technologies for the Future of Aerospace, 11월 12, 2025에 액세스, https://aerospaceamerica.aiaa.org/features/embracing-disruption-to-unlock-top-technologies-for-the-future-of-aerospace/
46. Events - AIAA, 11월 12, 2025에 액세스, https://aiaa.org/events-learning/event-design/
47. Data-Driven Optimized Satellite Constellation Design Using a Surrogate-Guided Genetic Algorithm | AIAA SciTech Forum, 11월 12, 2025에 액세스, https://arc.aiaa.org/doi/10.2514/6.2025-1213
48. GRLR: Routing With Graph Neural Network and Reinforcement ..., 11월 12, 2025에 액세스, https://www.researchgate.net/publication/384486174_GRLR_Routing_With_Graph_Neural_Network_and_Reinforcement_Learning_for_Mega_LEO_Satellite_Constellations
49. Optimizing Satellite Constellations with Graph Neural Networks | by ..., 11월 12, 2025에 액세스, https://medium.com/@joehoeller/optimizing-satellite-constellations-with-graph-neural-networks-6ce87d50a29f
50. Earth Observation Satellite Scheduling with Graph Neural Networks - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/html/2408.15041v1
51. Machine Learning for Orbit Determination - ETH Research Collection, 11월 12, 2025에 액세스, https://www.research-collection.ethz.ch/bitstream/handle/20.500.11850/617317/1/IPA_Machine_Learning_for_Orbit_Determination.pdf
52. Machine Learning in Orbit Estimation: a Survey - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/html/2207.08993v4
53. Forecasting Self-Similar User Traffic Demand Using Transformers in LEO Satellite Networks, 11월 12, 2025에 액세스, https://arxiv.org/html/2509.10917v1/
54. Constellation as a Service: Tailored Connectivity Management in Direct-Satellite-to-Device Networks - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/html/2507.00902v1
55. Towards Robust RTC in Sparse LEO Constellations - arXiv, 11월 12, 2025에 액세스, https://arxiv.org/html/2507.09798v1
56. VistaFormer: Scalable Vision Transformers for Satellite Image Time Series Segmentation, 11월 12, 2025에 액세스, https://arxiv.org/html/2409.08461v1
57. SkyMemory: A LEO Edge Cache for Transformer Inference Optimization and Scale Out, 11월 12, 2025에 액세스, https://arxiv.org/html/2505.14427v1
58. Towards a future space-based, highly scalable AI infrastructure system design - Google, 11월 12, 2025에 액세스, https://services.google.com/fh/files/misc/suncatcher_paper.pdf