Wenn Künstliche Intelligenz (KI) eine grundlegende, allgemein einsetzbare Technologie darstellt, sollten wir erwarten, dass die Nachfrage nach KI-Rechenleistung – und damit auch nach Energie – weiter steigen wird. Die Sonne ist bei weitem die größte Energiequelle in unserem Sonnensystem, weshalb es lohnt, zu untersuchen, wie zukünftige KI-Infrastrukturen diese Energie am effizientesten nutzen könnten. Diese Arbeit untersucht ein skalierbares Rechensystem für maschinelles Lernen im Weltraum, das aus Flotten von Satelliten besteht, die mit Solarzellen ausgestattet sind, miteinander über Freistrahl-Optik (free-space optics) kommunizieren und Google Tensor Processing Unit (TPU)-Beschleunigungschips integrieren. Um hochbandbreitige, latenzarme Kommunikation zwischen Satelliten zu ermöglichen, werden diese in enger räumlicher Nähe betrieben. Wir demonstrieren das grundlegende Konzept der Formation Flight anhand eines Clusters aus 81 Satelliten mit einem Radius von 1 km und beschreiben einen Ansatz zur Steuerung großer Satellitenkonstellationen mittels hochpräziser, auf maschinellem Lernen basierender Modelle. Die Trillium-TPUs wurden strahlungsresistent getestet und überstehen eine gesamte ionisierende Dosis, die einer 5-jährigen Mission entspricht, ohne dauerhafte Ausfälle. Zudem wurden sie hinsichtlich Bit-Flip-Fehler charakterisiert. Die Startkosten sind ein entscheidender Faktor für die Gesamtkosten der Systemarchitektur; eine Lernkurvenanalyse lässt vermuten, dass die Kosten für den Start in eine niedrige Erdumlaufbahn (LEO) bis Mitte der 2030er Jahre auf etwa 200 US-Dollar pro Kilogramm sinken könnten.