Elk jaar bedrijven en ruimtevaartorganisaties lanceer honderden raketten de ruimte in– en dat aantal zal dramatisch groeien met ambitieuze missies naar de maan, Mars en verder. Maar deze dromen zijn afhankelijk van één cruciale uitdaging: voortstuwing—de methoden die worden gebruikt om raketten en ruimtevaartuigen vooruit te duwen.
Om interplanetair reizen sneller, veiliger en efficiënter te maken, hebben wetenschappers doorbraken in de voortstuwingstechnologie nodig. Kunstmatige intelligentie is één type technologie dat enkele van deze noodzakelijke doorbraken begint te opleveren.
Wij zijn een team van ingenieurs en studenten die studeren hoe AI in het algemeen, en een subset van AI genoemd machinaal leren kunnen met name de voortstuwing van ruimtevaartuigen transformeren. Van optimaliseren nucleaire thermische motoren complex te beheren plasma-opsluiting in fusiesystemenAI hervormt het ontwerp en de werking van de voortstuwing. Het wordt snel een onmisbare partner in de reis van de mensheid naar de sterren.
Machine learning en versterkend leren
Machine learning is een tak van AI die patronen in gegevens identificeert waarop niet expliciet is getraind. Het is een uitgestrekt veld met eigen vestigingenmet veel toepassingen. Elke tak emuleert intelligentie op verschillende manieren: door patronen te herkennen, taal te ontleden en te genereren, of door te leren van ervaringen. Vooral deze laatste subset, algemeen bekend als versterkend lerenleert machines hun taken uit te voeren door hun prestaties te beoordelen, waardoor ze door ervaring voortdurend kunnen verbeteren.
Stel je als eenvoudig voorbeeld een schaker voor. De speler berekent niet elke zet, maar herkent patronen uit het spelen van duizend wedstrijden. Versterkend leren creëert vergelijkbare intuïtieve expertise in machines en systemen, maar op een rekensnelheid en schaal die voor mensen onmogelijk is. Het leert door ervaringen en iteraties door zijn omgeving te observeren. Dankzij deze observaties kan de machine elke uitkomst correct interpreteren en de beste strategieën inzetten om het systeem zijn doel te laten bereiken.
Versterkend leren kan het menselijk begrip van zeer complexe systemen verbeteren – systemen die de grenzen van de menselijke intuïtie uitdagen. Het kan helpen het meeste te bepalen efficiënt traject voor een ruimtevaartuig waar dan ook in de ruimte, en dit gebeurt door de voortstuwing te optimaliseren die nodig is om het vaartuig daarheen te sturen. Het kan potentieel ook betere voortstuwingssystemen ontwerpenvan het selecteren van de beste materialen tot het bedenken van configuraties die warmte efficiënter tussen onderdelen in de motor overbrengen.
Bij versterkend leren kun je een AI-model trainen om taken uit te voeren die te complex zijn voor mensen om zelf te voltooien.
Versterking leren voor voortstuwingssystemen
Met betrekking tot de voortstuwing van de ruimte valt het versterkende leren over het algemeen in twee categorieën uiteen: degenen die helpen tijdens de ontwerpfase (wanneer ingenieurs missiebehoeften en systeemmogelijkheden definiëren) en degenen die ondersteuning bieden realtime bediening zodra het ruimtevaartuig vliegt.
Een van de meest exotische en veelbelovende voortstuwingsconcepten is nucleaire voortstuwing, die gebruik maakt van dezelfde krachten die atoombommen aandrijven en de zon van brandstof voorzien: kernsplijting en kernfusie.
Splijting werkt door het splitsen van zware atomen zoals uranium of plutonium om energie vrij te maken – een principe dat in de meeste kernreactoren op aarde wordt gebruikt. Fusie daarentegen voegt lichtere atomen samen zoals waterstof om nog meer energie te produceren, hoewel er veel extremere omstandigheden voor nodig zijn.
Fission is een meer volwassen technologie die is getest in sommige prototypes van ruimtevoortstuwingssystemen. Het is zelfs in de ruimte gebruikt in de vorm van radio-isotoop thermo-elektrische generatorenzoals degenen die dreef de Voyager-sondes aan. Maar fusie blijft een verleidelijk grensgebied.
Nucleaire thermische voortstuwing zou op een dag ruimtevaartuigen naar Mars en verder kunnen brengen tegen lagere kosten dan alleen het verbranden van brandstof. Het zou daar sneller een vaartuig krijgen dan elektrische voortstuwingdat gebruik maakt van een verwarmd gas gemaakt van geladen deeltjes, genaamd plasma.
In tegenstelling tot deze systemen is nucleaire voortstuwing afhankelijk van de warmte die wordt gegenereerd door atoomreacties. Die warmte wordt overgebracht naar een drijfgas, meestal waterstof, dat uitzet en via een mondstuk naar buiten komt om stuwkracht te produceren en het vaartuig naar voren te schieten.
Dus hoe kan versterkend leren ingenieurs helpen deze krachtige technologieën te ontwikkelen en te gebruiken? Laten we beginnen met het ontwerp.
De rol van versterkend leren in het ontwerp
Vroege nucleaire thermische voortstuwingsontwerpen uit de jaren zestig, zoals die van NASA NERVA-programmagebruikte vaste uraniumbrandstof gegoten in prismavormige blokken. Sindsdien hebben ingenieurs alternatieve configuraties onderzocht, van bedden van keramische kiezelstenen tot gegroefde ringen met ingewikkelde kanalen.
Waarom is er zoveel geëxperimenteerd? Omdat hoe efficiënter een reactor warmte van de brandstof naar de waterstof kan overbrengen, hoe meer stuwkracht hij genereert.
Op dit gebied is versterkend leren essentieel gebleken. Het optimaliseren van de geometrie en de warmtestroom tussen brandstof en stuwstof is een complex probleem, waarbij talloze variabelen betrokken zijn: van de materiaaleigenschappen tot de hoeveelheid waterstof die op een bepaald moment door de reactor stroomt. Reinforcement learning kan deze ontwerpvariaties analyseren en configuraties identificeren die maximaliseren warmteoverdracht. Stel je het voor als een slimme thermostaat, maar dan voor een raketmotor, eentje waar je absoluut niet te dichtbij wilt staan, gezien de extreme temperaturen die ermee gepaard gaan.
Versterkende leer- en fusietechnologie
Versterkend leren speelt ook een sleutelrol bij de ontwikkeling van kernfusietechnologie. Grootschalige experimenten zoals de JT-60SA tokamak in Japan verleggen de grenzen van fusie-energie, maar hun enorme omvang maakt ze onpraktisch voor ruimtevluchten. Dat is de reden waarom onderzoekers onderzoek doen compacte ontwerpen zoals polywells. Deze exotische apparaten zien eruit als holle kubussen, ongeveer een paar centimeter breed, en ze sluiten plasma op in magnetische velden om de omstandigheden te creëren die nodig zijn voor fusie.
Controle van magnetische velden binnen een polywell is geen sinecure. De magnetische velden moeten sterk genoeg zijn om waterstofatomen rond te laten stuiteren totdat ze samensmelten – een proces dat enorme energie vergt om op gang te komen, maar dat zichzelf in stand kan houden als het eenmaal onderweg is. Het overwinnen van deze uitdaging is noodzakelijk voor het opschalen van deze technologie voor nucleaire thermische voortstuwing.
Versterking van leren en energieopwekking
De rol van versterkend leren eindigt echter niet bij het ontwerp. Het kan helpen het brandstofverbruik onder controle te houden, een cruciale taak voor missies die zich tijdens de vlucht moeten aanpassen. In de hedendaagse ruimtevaartindustrie is er een groeiende belangstelling voor ruimtevaartuigen die verschillende rollen kunnen vervullen, afhankelijk van de behoeften van de missie en hoe ze zich in de loop van de tijd aanpassen aan belangrijke veranderingen.
Militaire toepassingen moeten bijvoorbeeld snel reageren op veranderende geopolitieke scenario’s. Een voorbeeld van een technologie die is aangepast aan snelle veranderingen is Lockheed Martins LM400 satelliet, die uiteenlopende mogelijkheden heeft, zoals raketwaarschuwing of teledetectie.
Maar deze flexibiliteit introduceert onzekerheid. Hoeveel brandstof heeft een missie nodig? En wanneer zal het nodig zijn? Versterkend leren kan helpen bij deze berekeningen.
Van fietsen tot raketten: leren door ervaring (van mensen of machines) geeft vorm aan de toekomst van ruimteverkenning. Terwijl wetenschappers de grenzen van voortstuwing en intelligentie verleggen, speelt AI een steeds grotere rol in de ruimtevaart. Het kan wetenschappers helpen binnen en buiten ons zonnestelsel te verkennen en de poorten te openen voor nieuwe ontdekkingen.
Marcos Fernández allemaal is assistent-professor ruimtestudies aan de Universiteit van Noord-Dakota.
Preeti Nair is masterstudent lucht- en ruimtevaartwetenschappen aan de Universiteit van Noord-Dakota.
Sai Susmitha Guddanti is een Ph.D. student lucht- en ruimtevaartwetenschappen aan de Universiteit van Noord-Dakota.
Sreejith Vidhyadharan Nair is onderzoeksassistent-professor luchtvaart aan de Universiteit van New York Universiteit van Noord-Dakota.
Dit artikel is opnieuw gepubliceerd van Het gesprek onder een Creative Commons-licentie. Lees de origineel artikel.
