Hoe AI de voortstuwing van ruimtevaartuigen kan transformeren

Elk jaar bedrijven en ruimtevaartorganisaties honderden raketten de ruimte in sturen– en dat aantal zal naar verwachting dramatisch groeien met ambitieuze missies naar de maan, Mars en verder. Maar deze dromen zijn afhankelijk van een cruciale uitdaging: voortgang-de methoden die worden gebruikt om raketten en ruimtevaartuigen voort te stuwen.

Om interplanetair reizen sneller, veiliger en efficiënter te maken, hebben wetenschappers doorbraken in de voortstuwingstechnologie nodig. Kunstmatige intelligentie is een soort technologie die voor een aantal van deze noodzakelijke doorbraken begint te zorgen.

Wij zijn een team van ingenieurs en studenten wie bestudeert 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 aan te pakken plasma-opsluiting in fusiesystemenAI verandert het ontwerp en de bediening van de voortstuwing. Het is hard op weg een onmisbare partner te worden 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 subgroep, algemeen bekend als versterkend lerenleert machines hun taken uit te voeren door hun prestaties te evalueren, 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 partijen. Reinforcement learning creëert vergelijkbare intuïtieve expertise in machines en systemen, maar op een rekensnelheid en schaal die voor mensen onmogelijk is. Het leert door ervaring en iteratie door de omgeving te observeren. Dankzij deze observaties kan de machine elk resultaat correct interpreteren en de beste strategieën implementeren waarmee het systeem zijn doel kan bereiken.

Versterkend leren kan het menselijk begrip van zeer complexe systemen verbeteren – systemen die de grenzen van de menselijke intuïtie uitdagen. Het kan helpen om het meeste te beslissen effectieve baan van 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. Dat kan potentieel ook betere voortstuwingssystemen ontwerpenvan het kiezen van de beste materialen tot het bedenken van configuraties die warmte efficiënter tussen delen van 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 uit te voeren.

Versterking leren voor voortstuwingssystemen

Op het gebied van de voortstuwing van de ruimte valt het versterkende leren over het algemeen in twee categorieën uiteen: degenen die helpen in de ontwerpfase (wanneer ingenieurs missiebehoeften en systeemmogelijkheden definiëren) en degenen die ondersteuning bieden werking in realtime wanneer het ruimtevaartuig in vlucht is.

Een van de meest exotische en veelbelovende voortstuwingsconcepten is nucleaire voortstuwing, waarbij gebruik wordt gemaakt 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 fuseert lichtere atomen 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 die daar 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 voortstuwingwaarbij gebruik wordt gemaakt 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. Deze warmte wordt overgebracht naar een drijfgas, meestal waterstof, dat uitzet en via een mondstuk naar buiten komt om stuwkracht te produceren en het vaartuig voort te stuwen.

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 ontwerp

Vroege nucleaire thermische voortstuwingsontwerpen uit de jaren zestig, zoals die van NASA NERVA-programmaverbruikte 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? Want hoe efficiënter een reactor warmte van de brandstof naar de waterstof kan overbrengen, hoe meer druk hij genereert.

Op dit gebied is versterkend leren van cruciaal belang gebleken. Het optimaliseren van de geometrie en de warmtestroom tussen brandstof en drijfgas 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. Zie het als een slimme thermostaat, maar dan voor een raketmotor: eentje waar je absoluut niet te dichtbij wilt komen, gezien de extreme temperaturen die ermee gepaard gaan.

Versterkende leer- en fusietechnologie

Versterkingsleren speelt ook een sleutelrol bij de ontwikkeling van kernfusietechnologie. Grootschalige experimenten zoals JT-60SA tokamak in Japan verleggen de grenzen van fusie-energie, maar hun enorme omvang maakt ze onpraktisch voor ruimtevluchten. Daarom gaan de onderzoekers op ontdekking 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 noodzakelijke omstandigheden voor fusie te creëren.

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 om deze technologie op te schalen naar nucleaire thermische voortstuwing.

Versterking leren en energieproductie

Maar de rol van versterkend leren eindigt 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 steeds meer belangstelling voor ruimtevaartuigen die verschillende rollen kunnen vervullen, afhankelijk van de missiebehoeften en de manier waarop ze zich in de loop van de tijd aanpassen aan veranderende prioriteiten.

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 verschillende mogelijkheden heeft, zoals raketwaarschuwing of teledetectie.

Maar deze flexibiliteit brengt onzekerheid met zich mee. 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 – of het nu om mensen of machines gaat – geeft vorm aan de toekomst van ruimteverkenning. Terwijl wetenschappers de grenzen van voortstuwing en intelligentie verleggen, speelt kunstmatige intelligentie 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 bij Universiteit van Noord-Dakota.

Preeti Nair is masterstudent lucht- en ruimtevaartwetenschappen aan de Universiteit van Amsterdam Universiteit van Noord-Dakota.

Sai Susmitha Guddanti is een Ph.D. student lucht- en ruimtevaartwetenschappen aan Universiteit van Noord-Dakota.

Sreejith Vidhyadharan Nair is onderzoeksassistent-professor in de luchtvaart bij Universiteit van Noord-Dakota.

Dit artikel is opnieuw gepubliceerd van Het gesprek onder een Creative Commons-licentie. Lezen origineel artikel.