Este artigo foi publicado originalmente Conversa. Esta publicação contribuiu com o artigo para Space.com Vozes de especialistas: artigos de opinião e insights.
Todos os anos, empresas e agências espaciais Envie centenas de foguetes para o espaço – e esse número aumentará dramaticamente com missões ambiciosas à Lua, Marte e além. Mas estes sonhos enfrentam um desafio crítico: a propulsão – os métodos utilizados para impulsionar foguetes e naves espaciais.
Aprendizado de máquina e aprendizado por reforço
O aprendizado de máquina é um ramo da IA que reconhece padrões em dados que não são explicitamente treinados. É um vasto campo com filiais própriasCom muitas aplicações. Cada ramo busca a inteligência de maneiras diferentes: reconhecendo padrões, analisando e criando linguagem ou aprendendo com a experiência. Este último subgrupo, em particular, é comumente conhecido Aprendizagem por reforçoAvaliar o desempenho das máquinas ensina-as a executar as suas tarefas, possibilitando a melhoria contínua através da experiência.
Como exemplo simples, imagine um jogador de xadrez. O jogador não calcula cada movimento, mas reconhece mil maneiras de jogar. A aprendizagem por reforço produz conhecimentos intuitivos semelhantes em máquinas e sistemas, mas a uma velocidade e escala computacional impossíveis para os humanos. Ele aprende por meio de experiências e iterações Ao observar seu ambiente. Essas observações permitem que a máquina interprete corretamente cada decisão e implante as melhores estratégias para atingir seu objetivo.
A aprendizagem por reforço pode melhorar a compreensão humana de sistemas profundamente complexos que desafiam os limites da intuição humana. Isso vai te ajudar a decidir muito Uma trajetória eficiente para uma espaçonave vai a qualquer lugar do espaço e o faz desenvolvendo a propulsão necessária para enviar a nave até lá. Também pode ser possível Projete melhores sistemas de propulsãoDesde a escolha de melhores materiais até estruturas que transferem calor de forma mais eficiente entre as peças do motor.
Aprendizagem por reforço para sistemas motivacionais
Na indústria aeroespacial, o aprendizado por reforço é geralmente dividido em duas categorias: auxiliar na fase de projeto – quando os engenheiros definem os requisitos da tarefa e as capacidades do sistema – e apoiar Operação em tempo real Enquanto a espaçonave está voando.
Um dos conceitos de motivação mais atraentes e promissores Propulsão nuclearEle usa as mesmas forças que alimentam as bombas nucleares e é alimentado pelo sol: Fissão nuclear e fusão nuclear.
A fissão funciona separando átomos mais pesados como o urânio ou o plutónio para libertar energia – o princípio utilizado na maioria dos reactores nucleares terrestres. Por outro lado, a fusão, Une átomos mais leves Coisas como o hidrogénio produzem ainda mais energia, embora isto exija condições mais extremas para começar.
A fissão é uma tecnologia muito madura que foi testada em alguns protótipos de propulsão espacial. Até na forma foi usado no espaço Geradores termoelétricos de radioisótoposAssim A Voyager operou as sondas. Mas a fusão é uma fronteira emocionante.
Propulsão térmica nuclear Um dia seria possível transportar espaçonaves para Marte e além por menos do que queimar combustível. Leve uma nave para lá mais rápido que isso Propulsão elétricaEle usa um gás aquecido feito de partículas carregadas chamadas plasma.
Ao contrário destes sistemas, a propulsão nuclear depende do calor gerado pelas reações nucleares. Esse calor é transferido para um propelente, geralmente hidrogênio, que se expande e sai através de um bocal para criar impulso e impulsionar a nave para frente.
Como o aprendizado por reforço pode ajudar os engenheiros a construir e operar essas tecnologias poderosas? Vamos começar com o design.
O papel da aprendizagem por reforço no design
Os primeiros projetos de propulsão térmica nuclear da década de 1960, como os da NASA Projeto NERVAFoi utilizado combustível sólido de urânio formado em blocos em forma de prisma. Desde então, os engenheiros têm explorado estruturas alternativas – desde camadas de seixos cerâmicos Anéis de crateras com canais complexos.
Por que houve tantas provações? Devido à eficiência com que um reator nuclear pode transferir calor do combustível para o hidrogênio, ele cria mais impulso.
A aprendizagem por reforço provou ser essencial nesta área. Otimizar a geometria e o fluxo de calor entre o combustível e o propelente é um problema complexo que envolve inúmeras variáveis – desde propriedades do material até a quantidade de hidrogênio que flui através do reator a qualquer momento. O aprendizado por reforço pode analisar essas variações de design e identificar configurações ideais transferência de calor. Pense nele como um termostato inteligente, mas para um motor de foguete – algo do qual você definitivamente não quer estar muito perto, dadas as temperaturas extremas.
Aprendizagem por reforço e tecnologia de fusão
A aprendizagem por reforço também desempenha um papel importante no desenvolvimento da tecnologia de fusão nuclear. Experimentos em larga escala, como Tokamak JT-60SA O Japão está a ultrapassar os limites da energia de fusão, mas o seu enorme tamanho torna-os impraticáveis para viagens espaciais. É por isso que os pesquisadores estão investigando Projetos pequenos como polywells. Esses dispositivos exóticos parecem cubos ocos com alguns centímetros de diâmetro e confinam o plasma em campos magnéticos para criar as condições necessárias para a fusão.
Controlando campos magnéticos Não é pouca coisa dentro de um Ballywell. Os campos magnéticos devem ser suficientemente fortes para manter os átomos de hidrogénio em movimento até derreterem – o que requer uma enorme quantidade de energia para começar, mas é autossustentável uma vez instalado. A superação deste desafio é necessária para ampliar esta tecnologia para propulsão térmica nuclear.
Aprendizagem por reforço e geração de energia
No entanto, o papel da aprendizagem por reforço não termina com o design. Isto ajudará a gerir o consumo de combustível – uma tarefa crítica para missões que requerem modificações em tempo real. Na indústria espacial atual, há um interesse crescente em naves espaciais que podem desempenhar diferentes funções dependendo dos requisitos da missão e de como se adaptam às mudanças de prioridades ao longo do tempo.
As aplicações militares, por exemplo, precisam de responder rapidamente às mudanças nos cenários geopolíticos. Um exemplo de tecnologia que se adapta a mudanças rápidas Lockheed Martin LM400 Satélite, possui vários recursos, como alerta de mísseis ou sensoriamento remoto.
Mas esta flexibilidade introduz incerteza. Quanto combustível é necessário para uma missão? Quando é necessário? O aprendizado por reforço ajuda nesses cálculos.
Das bicicletas aos foguetes, a aprendizagem através da experiência – humana ou máquina – está a moldar o futuro da exploração espacial. A IA está desempenhando um papel crescente nos voos espaciais à medida que os cientistas ultrapassam os limites da propulsão e da inteligência. Isto poderia ajudar os cientistas a abrir as comportas para novas descobertas, investigando dentro e fora do nosso sistema solar.
