Hoe AI de voortstuwing van ruimtevaartuigen zou kunnen veranderen

Elk jaar bedrijven en ruimtevaartorganisaties lanceerde honderden raketten de ruimte in– en dat aantal zal dramatisch toenemen met ambitieuze missies naar de maan, Mars en verder. Maar deze dromen zijn afhankelijk van één belangrijke uitdaging: drijvende kracht—de methode die wordt 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 één type technologie dat voor een aantal van die noodzakelijke doorbraken begint te zorgen.

Wij zijn een team ingenieurs en studenten wie leert hoe AI in het algemeen, en een deel van AI wordt genoemd machinaal leren in het bijzonder kan het de voortstuwing van een ruimtevaartuig veranderen. Van optimalisatie nucleaire thermische motor om het complex te beheren Plasma-opsluiting in fusiesystemenAI hervormt het ontwerp en de werking van de voortstuwing. Hij werd al 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. Dit is een breed terrein met een eigen vestigingmet veel toepassingen. Elke tak imiteert intelligentie op verschillende manieren: door patronen te herkennen, taal te ontcijferen en te genereren, of door te leren van ervaringen. Vooral deze laatste subset staat algemeen bekend als versterkend lerenleert een machine een taak uit te voeren door de prestaties ervan te beoordelen, waardoor de machine voortdurend kan verbeteren door ervaring.

Stel je als eenvoudig voorbeeld een schaker voor. Spelers berekenen niet elke zet, maar herkennen eerder patronen uit het spelen van duizend spellen. Reinforcement learning creëert vergelijkbare intuïtieve expertise in machines en systemen, maar op een rekensnelheid en schaal die voor mensen onmogelijk is. Hij leert door ervaring en herhaling door de omgeving te observeren. Dankzij deze observaties kan de machine elk resultaat correct interpreteren en de beste strategie implementeren waarmee het systeem zijn doelen kan bereiken.

Versterkend leren kan het menselijk begrip van zeer complexe systemen verbeteren – systemen die de grenzen van de menselijke intuïtie uitdagen. Dit kan helpen het meest te bepalen efficiënt traject voor ruimtevaartuigen naar elke plek in de ruimte, en dit gebeurt door de voortstuwing te optimaliseren die nodig is om het vaartuig daarheen te sturen. Dit heeft ook potentie een beter voortstuwingssysteem ontwerpenvan het selecteren van de beste materialen tot het produceren van een configuratie die warmte efficiënter tussen machineonderdelen overdraagt.

Bij versterkend leren kun je een AI-model trainen om taken op te lossen 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: leren dat helpt tijdens de ontwerpfase (wanneer ingenieurs de missievereisten en systeemmogelijkheden bepalen) en leren dat ondersteunt realtime bediening nadat het ruimteschip vliegt.

Een van de meest exotische en veelbelovende voortstuwingsconcepten is nucleaire voortstuwing, die dezelfde kracht gebruikt als atoombommen en zonnebrandstof: 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 lichtere atomen combineren zoals waterstof om meer energie te produceren, hoewel dit veel extremere omstandigheden vereist om op gang te komen.

Fission is een meer volwassen technologie die is getest op verschillende prototypes van ruimtevoortstuwingssystemen. Het is zelfs in een of andere vorm in de ruimte gebruikt radio-isotoop thermo-elektrische generatorzo het voeden van de Voyager-sonde. Maar fusie blijft een verleidelijke uitdaging.

Nucleaire thermische voortstuwing zou op een dag ruimtevaartuigen naar Mars en verder kunnen brengen tegen lagere kosten dan alleen het verbranden van brandstof. Dat zal het vaartuig daar sneller brengen dan elektrische aandrijvingwaarbij gebruik wordt gemaakt van een heet gas gemaakt van geladen deeltjes, plasma genaamd.

In tegenstelling tot deze systemen is kernenergie afhankelijk van de warmte die wordt geproduceerd door atoomreacties. De warmte wordt overgebracht naar het drijfgas, meestal waterstof, dat uitzet en door het mondstuk naar buiten komt om stuwkracht te genereren en het vliegtuig naar voren te schieten.

Dus hoe kan versterkend leren ingenieurs helpen deze geavanceerde technologie te ontwikkelen en te gebruiken? Laten we beginnen met het ontwerp.

De rol van versterkend leren in ontwerp

Vroege ontwerpen voor nucleaire thermische voortstuwing uit de jaren zestig, zoals uitgevoerd door NASA NERVA-programmamaakt gebruik van vaste uraniumbrandstof gevormd in prismavormige blokken. Sindsdien hebben ingenieurs alternatieve configuraties onderzocht, van keramische grindbedden tot grindbedden gegroefde ringen met ingewikkelde kanalen.

Waarom zijn er zoveel experimenten? Want hoe efficiënter een reactor warmte van brandstof naar waterstof overdraagt, hoe groter de stuwkracht die hij produceert.

Het is op dit gebied dat versterkend leren belangrijk blijkt. Het optimaliseren van de geometrie en de warmtestroom tussen brandstof en drijfgas is een complex probleem, waarbij veel variabelen betrokken zijn: van materiaaleigenschappen tot de hoeveelheid waterstof die op een bepaald moment door de reactor stroomt. Reinforcement learning kan deze ontwerpvariaties analyseren en maximaliserende configuraties identificeren warmteoverdracht. Zie dit 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

Versterkingsleren speelt ook een belangrijke rol bij de ontwikkeling van kernfusietechnologie. Grootschalige experimenten zoals JT-60SA tokamak in Japan verlegt de grenzen van fusie-energie, maar de enorme omvang ervan maakt het onpraktisch voor ruimtevluchten. Dat is de reden waarom onderzoekers onderzoek doen compact ontwerp zoals polywell. Dit exotische apparaat ziet eruit als een holle kubus, is ongeveer een paar centimeter breed en sluit plasma op in een magnetisch veld om de omstandigheden te creëren die nodig zijn voor kernfusie.

Regelt het magnetische veld in een polywell is geen sinecure. Het magnetische veld moet sterk genoeg zijn om de waterstofatomen te laten stuiteren totdat de atomen samensmelten – een proces dat enorme energie vergt om op gang te komen, maar dat zichzelf in stand kan houden zodra het op gang komt. Het overwinnen van deze uitdagingen is noodzakelijk om de nucleaire thermische voortstuwingstechnologie te verbeteren.

Versterking van leren en energieopwekking

De rol van versterkend leren eindigt echter niet bij het ontwerp. Dit kan helpen het brandstofverbruik onder controle te houden; een cruciale taak voor missies die zich snel moeten aanpassen. In de hedendaagse ruimtevaartindustrie is er steeds meer belangstelling voor ruimtevaartuigen die verschillende rollen kunnen vervullen, afhankelijk van de missievereisten 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 technologie die is aangepast aan snelle veranderingen is Lockheed Martins LM400 satellieten, die diverse mogelijkheden hebben, zoals raketwaarschuwing of teledetectie.

Maar deze flexibiliteit schept onzekerheid. Hoeveel brandstof heeft een missie nodig? En wanneer heeft hij het nodig? Versterkend leren kan helpen bij deze berekeningen.

Van fietsen tot raketten: leren door ervaring – zowel door mensen als door machines – zal de toekomst van de ruimteverkenning vormgeven. Terwijl wetenschappers de grenzen van voortstuwing en intelligentie verleggen, speelt AI een steeds grotere rol in de ruimtevaart. Dit kan wetenschappers helpen binnen en buiten ons zonnestelsel te verkennen en de deur 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. studenten lucht- en ruimtevaartwetenschappen aan Universiteit van Noord-Dakota.

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

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