인공지능(AI)이 기초적인 일반 목적 기술이라면, AI 컴퓨팅 및 에너지 수요가 지속적으로 증가할 것으로 예상할 수 있다. 태양은 우리 태양계에서 가장 큰 에너지 원천이며, 따라서 미래의 AI 인프라가 이 에너지를 가장 효율적으로 활용할 수 있는 방안을 고려하는 것이 타당하다. 본 연구는 태양광 패널을 장착한 위성 무리와 자유공간 광학을 활용한 위성 간 통신 링크, 그리고 구글의 텐서 처리 단위(TPU) 가속기 칩을 사용하는 공간 내 기계학습을 위한 확장 가능한 컴퓨팅 시스템을 탐구한다. 고대역폭·저지연 위성 간 통신을 가능하게 하기 위해 위성들은 밀접한 거리에서 비행하도록 설계된다. 본 연구에서는 반경 1km의 81위성 클러스터를 활용해 편대 비행의 기본 개념을 제시하고, 대규모 위성 집단을 제어하기 위한 고정밀 기계학습 기반 모델의 활용 방안을 설명한다. 트릴리움(Triumph) TPU는 방사선에 대한 검증을 완료하였으며, 5년 운용 수명에 해당하는 총 이온화 방사선 노출에 견디며 영구적인 고장을 일으키지 않으며, 비트 전환 오류에 대한 특성 분석도 수행되었다. 발사 비용은 전체 시스템 비용에서 핵심적인 요소이며, 학습 곡선 분석에 따르면, 저지구궤도(LEO)로의 발사 비용은 2030년대 중반까지 약 200달러/kg까지 낮아질 것으로 예상된다.