FPGA-Enabled Machine Learning Applications in Earth Observation: A Systematic Review

Esta revisão sistemática analisa 68 experimentos que utilizam FPGAs para implantar modelos de aprendizado de máquina em plataformas de observação da Terra, propondo duas taxonomias para otimizar arquiteturas de modelos e estratégias de implementação, seguindo as diretrizes PRISMA 2020 para garantir transparência e reprodutibilidade.

O essencial

Imagine que a Terra é um gigante que está sendo vigiado o tempo todo por milhares de "olhos" no céu: satélites e drones. Esses olhos tiram bilhões de fotos todos os dias, capturando desde desmatamento e incêndios até o movimento de navios e a formação de nuvens.

O problema? O gigante está falando mais rápido do que consegue ouvir.

A quantidade de dados é tão enorme que, se tentássemos enviar todas essas fotos para a Terra (o "downlink"), as antenas de rádio ficariam congestionadas, como uma estrada de terra cheia de caminhões tentando passar ao mesmo tempo. Muitas fotos valiosas se perderiam ou chegariam atrasadas.

Aqui entra a grande ideia deste artigo: E se os próprios satélites e drones pudessem "pensar" antes de enviar as fotos?

Em vez de enviar a foto inteira, o satélite usaria um "cérebro" a bordo para analisar a imagem, decidir o que é importante e enviar apenas um resumo ou um alerta. É como se você tivesse uma câmera inteligente que, ao tirar uma foto de uma festa, não enviasse 10.000 fotos para seus amigos, mas apenas uma mensagem dizendo: "Ei, tem um bolo na mesa!"

O "Cérebro" Especial: O FPGA

Para fazer esse pensamento acontecer no espaço ou no ar, precisamos de um computador que seja:

1. Leve e pequeno (para caber no satélite).
2. Econômico (para não gastar toda a bateria).
3. Resistente (para aguentar radiação e frio extremo).
4. Inteligente e adaptável (para aprender novas tarefas).

A maioria dos computadores (como os do seu celular) é rígida. O artigo foca em uma tecnologia chamada FPGA.

• A Analogia do LEGO: Imagine que um computador comum (CPU) é como um carro pronto na fábrica. Ele é ótimo para dirigir, mas não pode virar um barco ou um avião. Um FPGA, por outro lado, é como uma caixa gigante de LEGO. Você pode montar qualquer coisa com ele: um carro, um barco, um cérebro de IA. Se amanhã você precisar que o satélite detecte incêndios em vez de nuvens, você apenas "desmonta e remonta" o FPGA com novas peças de lógica. Ele é flexível como o barro, mas rápido como um computador.

O Que os Pesquisadores Descobriram?

Os autores (Cédric, Dirk e Martin) fizeram uma "caça ao tesouro" científica. Eles leram 68 experimentos diferentes onde cientistas tentaram colocar Inteligência Artificial (IA) dentro desses FPGAs para tarefas de observação da Terra.

Eles organizaram tudo em dois "mapas" principais:

1. O Mapa das Tarefas (O "O Quê"):

   • Vigilância: Encontrar navios, aviões ou tanques inimigos.
   • Monitoramento: Ver se há nuvens cobrindo a foto (para não enviar fotos inúteis), detectar desmatamento ou vazamento de óleo.
   • Navegação: Ajudar drones a não baterem em árvores ou a pousar em locais seguros.
   • Resultado: A maioria dos estudos foca em "caçar alvos" (como navios) ou "classificar o que está vendo" (céu limpo ou nublado).

2. O Mapa da Construção (O "Como"):

   • Como eles encaixam esses cérebros de IA (Redes Neurais) dentro dos FPGAs?
   • Eles usam truques para espremer o cérebro: Quantização (transformar números complexos em números simples, como trocar um diamante por uma pedra de vidro que brilha igual), Poda (cortar os "galhos" inúteis da rede neural) e Paralelismo (fazer várias tarefas ao mesmo tempo, como ter 100 cozinheiros em vez de um).

Os Desafios e as Descobertas

• O Dilema do Espaço vs. Precisão: Quanto mais "inteligente" e complexo o cérebro da IA, mais espaço e energia ele consome. Os pesquisadores descobriram que, para caber no satélite, eles precisam usar cérebros menores e mais simples, ou "podar" os grandes.
• A Batalha dos Computadores: Eles compararam o FPGA com outros computadores.
  • CPU (O Caminhão): Confiável, mas lento e gasta muita energia.
  • GPU (O Foguete): Muito rápido, mas consome energia como um furacão e é grande demais para satélites pequenos.
  • FPGA (O Camaleão): É o vencedor para o espaço. Ele não é o mais rápido em tudo, mas é o mais eficiente em energia e pode ser reprogramado se a missão mudar.
• O Futuro: Ainda faltam algumas peças. A maioria dos estudos usa redes neurais antigas (como CNNs). As novas e poderosas redes (como Transformers, usadas no ChatGPT) ainda são raras no espaço porque são muito pesadas para os FPGAs atuais. Além disso, falta saber "por que" a IA tomou aquela decisão (explicabilidade), o que é crucial para missões críticas.

Conclusão Simples

Este artigo é um manual de instruções para o futuro da observação da Terra. Ele diz: "Pare de enviar tudo para a Terra. Deixe o satélite pensar sozinho."

Usando FPGAs (aqueles chips de LEGO reconfiguráveis), podemos colocar cérebros de IA leves e eficientes no espaço. Isso significa que, no futuro, quando um satélite vir um incêndio florestal, ele não vai enviar 100 gigabytes de vídeo. Ele vai enviar uma única mensagem: "Fogo detectado no ponto X, coordenadas Y, Z. Ação necessária."

Isso economiza energia, tempo e salva dados preciosos, transformando satélites e drones de meras "câmeras passivas" em "guardiões inteligentes" do nosso planeta.

Resumo técnico

Título: Aplicações de Aprendizado de Máquina Habilitadas por FPGA em Observação da Terra: Uma Revisão Sistemática

Autores: Cédric Léonard, Dirk Stober e Martin Schulz (TU Munique e DLR, Alemanha).
Publicação: ACM Computing Surveys (2026).

---

1. O Problema

A revolução do "NewSpace" e o avanço das tecnologias de UAVs (Veículos Aéreos Não Tripulados) transformaram a aquisição de dados de Observação da Terra (EO). No entanto, surgem desafios críticos:

• Volume de Dados vs. Largura de Banda: O aumento no número de missões (especialmente SmallSats e CubeSats) e a resolução dos sensores geram volumes massivos de dados que superam a capacidade de transmissão (downlink) para a Terra.
• Restrições de Recursos: Satélites pequenos possuem limitações severas de Energia, Peso, Tamanho e Custo (SWaP-C), além de restrições de processamento a bordo.
• Ineficiência de Processamento Terrestre: Processar dados brutos na Terra é lento e consome largura de banda preciosa. Muitas missões atuais operam em modo "sob demanda" ou pré-configurado, perdendo informações relevantes.
• Necessidade de IA na Borda (Edge AI): Há uma necessidade urgente de processamento autônomo e em tempo real a bordo para filtrar dados, detectar eventos críticos e transmitir apenas informações de alto valor.

Enquanto CPUs e GPUs são potentes, muitas vezes não atendem aos requisitos de eficiência energética e tolerância a radiação necessários para o espaço. FPGAs (Field-Programmable Gate Arrays) emergem como a plataforma ideal devido à sua reconfigurabilidade, eficiência energética e capacidade de hardening contra radiação.

---

2. Metodologia

O estudo segue as diretrizes PRISMA 2020 para revisões sistemáticas, garantindo transparência e reprodutibilidade.

• Base de Dados: Pesquisa realizada no Web of Science com o período de 2014 a 2024.
• Critérios de Busca: Combinação de termos relacionados a ML/DL, Observação da Terra (RS) e FPGAs.
• Filtragem:
  • Inicialmente, 119 artigos foram encontrados.
  • Critérios de exclusão (EC) removeram revisões sem experimentos, trabalhos sem ML, sem dados de RS ou sem implementação em FPGA.
  • Resultado Final: 48 estudos (contendo 68 experimentos distintos) foram selecionados para análise profunda.
• Taxonomias Propostas: Os autores criaram duas taxonomias para estruturar a análise:
  1. Taxonomia RS/ML: Classifica aplicações por tarefa de ML (Classificação, Detecção, Segmentação), modalidade de dados (RGB, HSI, SAR) e plataforma.
  2. Taxonomia de Implementação FPGA: Analisa frameworks (HDL, HLS, Vitis AI, FINN), padrões de design (Específico vs. Flexível), otimizações e métricas de desempenho.

---

3. Principais Contribuições e Resultados

A. Paisagem de Aplicações e Modelos (RQ1 e RQ2)

• Aplicações Dominantes: A vigilância de alvos (Target Surveillance) representa 44% dos estudos, seguida por monitoramento de paisagem e ambiente (40%).
• Tarefas de ML: A maioria das aplicações é formulada como Classificação (35%) ou Detecção de Objetos. A segmentação é comum, mas frequentemente feita pixel a pixel (mais leve) em vez de por patch (mais complexo).
• Arquiteturas:
  • CNNs dominam (74% dos modelos), com uma forte preferência por arquiteturas personalizadas (27%) em vez de modelos grandes pré-treinados (como ResNet ou VGG), devido às restrições de recursos.
  • Modelos de detecção são quase exclusivamente de "single-shot" (YOLO, SSD) para evitar a complexidade de duas passadas (como R-CNN).
  • Redes Tradicionais (SVM, Árvores de Decisão) ainda são usadas em tarefas de segmentação de pixels devido à sua simplicidade.

B. A Plataforma de Computação (RQ3)

• Domínio da AMD/Xilinx: 96% dos estudos utilizam FPGAs da AMD (antiga Xilinx).
• Família Zynq: 57% dos estudos usam FPGAs SoC (System-on-Chip) da família Zynq, que combinam processadores ARM com lógica programável, ideais para tarefas de rede e controle.
• Comparação com Outros Hardware:
  • vs. CPUs: FPGAs oferecem eficiência energética muito superior (até 29x em alguns casos).
  • vs. GPUs: Embora GPUs tenham maior pico de desempenho, FPGAs superam em eficiência energética (GOP/s/W) e são preferidos em ambientes com restrições de radiação. GPUs de borda (Jetson) são competitivas, mas FPGAs ainda lideram em eficiência e tolerância a radiação.
  • vs. ASICs: FPGAs oferecem o equilíbrio ideal entre desempenho e reconfigurabilidade (capacidade de atualizar o algoritmo em órbita), algo que ASICs não permitem.

C. Estratégias de Otimização e Design (RQ4, RQ5 e RQ6)

Para viabilizar ML em FPGAs, o estudo identifica técnicas cruciais:

• Otimização de Modelos:
  • Backbones Leves: Uso de MobileNet, GhostNet e SqueezeNet.
  • Quantização: 89% dos experimentos usam quantização, majoritariamente para inteiros de 8 bits (i8). Técnicas como Quantization-Aware Training (QAT) são preferidas para manter a precisão.
  • Poda (Pruning): Remoção de pesos ou canais não essenciais (26% dos estudos).
• Frameworks de Implementação:
  • Manual (HDL/HLS): Ainda predominante (~45%), oferecendo controle total, mas com alto custo de desenvolvimento.
  • Automático: Vitis AI e FINN são os principais. O Vitis AI usa DPUs (Unidades de Processamento Deep Learning) flexíveis, enquanto o FINN gera aceleradores específicos para redes binarizadas.
• Paralelismo: Uso intensivo de Pipelining, Paralelismo de Dados (DLP) e Arrays Sístólicos para maximizar o uso dos recursos DSP e BRAM do FPGA.

D. Sinergias e Limitações (RQ7 e RQ8)

• Escalabilidade: FPGAs de baixo custo (Tiny/Small) suportam apenas modelos muito leves ou tradicionais. FPGAs de alto desempenho (High-End) permitem modelos complexos com precisão próxima ao State-of-the-Art (SOTA), mas com maior consumo de energia.
• Caso de Sucesso: O projeto PhiSat-1 (ESA) é citado como pioneiro, utilizando um FPGA para classificar nuvens a bordo e descartar imagens inúteis, economizando largura de banda.
• Desafios Atuais: A maioria dos estudos foca em vigilância e classificação de nuvens. Há uma lacuna em aplicações de compressão de dados e resposta a desastres.

---

4. Lacunas de Pesquisa e Recomendações

O artigo identifica cinco áreas críticas para o futuro:

1. Espectro Incompleto de Casos de Uso: Falta de pesquisas em compressão de dados a bordo e detecção de desastres naturais em tempo real.
2. Arquiteturas de DL Subexploradas: Pouca adoção de Transformers (ViT) e modelos Recorrentes (RNN) em FPGAs, apesar de seu potencial. As ferramentas de automação ainda não suportam bem essas arquiteturas.
3. CGRAs (Arrays Reconfiguráveis de Granularidade Grossa): O uso de plataformas como AMD Versal (com AI Engines) é subutilizado, embora ofereça melhor eficiência energética que FPGAs tradicionais.
4. Refinamento de Redes: Técnicas como Knowledge Distillation (ensinar uma rede pequena a imitar uma grande) e Hardware-Aware NAS (Busca de Arquitetura Neural) são raras na literatura analisada.
5. Confiança e Interpretabilidade: Falta quase total de métodos de Quantificação de Incerteza (UQ) e IA Explicável (xAI) em implementações a bordo, essenciais para decisões críticas em missões espaciais.

5. Significado e Conclusão

Esta revisão sistemática estabelece um marco fundamental para a comunidade de Observação da Terra e Engenharia de Hardware.

• Validação: Confirma que os FPGAs são a plataforma de escolha para IA na borda em missões espaciais e UAVs, superando CPUs e GPUs em eficiência energética e adaptabilidade.
• Guia Prático: Fornece uma taxonomia clara e métricas comparativas para pesquisadores que desejam implementar ML em FPGAs.
• Futuro: Aponta que o próximo salto não será apenas em hardware, mas na integração de técnicas avançadas de compressão de modelos, arquiteturas modernas (Transformers) e métodos de confiança (UQ) para criar sistemas autônomos verdadeiramente robustos e confiáveis para o espaço.

O trabalho enfatiza que, para avançar, a comunidade deve focar em reprodutibilidade, compartilhamento de código/dados e na exploração de novas arquiteturas de hardware e software co-otimizadas.