Este artigo foi publicado originalmente em conversa. A publicação contribuiu com este artigo para Space.com Vozes de especialistas: colunas e insights.
Todos os anos, empresas e agências espaciais Lance centenas de foguetes ao espaço – um número que crescerá dramaticamente com missões ambiciosas à Lua, Marte e além. Mas esses sonhos dependem de um desafio fundamental: a propulsão – a forma de impulsionar foguetes e naves espaciais.
Aprendizado de máquina e aprendizado por reforço
O aprendizado de máquina é um ramo da inteligência artificial que pode identificar padrões em dados para os quais não foi explicitamente treinado. Este é um vasto campo Tenha sua própria filialtem muitas aplicações. Cada ramo modela a inteligência de uma maneira diferente: reconhecendo padrões, analisando e gerando linguagem ou aprendendo com a experiência. Em particular, o último subconjunto, muitas vezes chamado aprendizagem por reforçoensina as máquinas a realizar tarefas avaliando seu desempenho, permitindo-lhes melhorar continuamente através da experiência.
Para dar um exemplo simples, imagine um jogador de xadrez. Em vez de contar cada movimento, os jogadores identificam padrões ao jogar mil jogos. A aprendizagem por reforço cria conhecimentos intuitivos semelhantes em máquinas e sistemas, mas a velocidades e escalas computacionais impossíveis para os humanos. Ele aprende por meio da experiência e da iteração observando seu ambiente. Essas observações permitem que a máquina interprete corretamente cada resultado e implante a melhor estratégia para que o sistema atinja seus objetivos.
A aprendizagem por reforço pode melhorar a compreensão humana de sistemas profundamente complexos – sistemas que desafiam os limites da intuição humana. Pode ajudar a determinar o máximo Trajetória efetiva da espaçonave Para ir a qualquer lugar no espaço, ele o faz otimizando a propulsão necessária para enviar a espaçonave até lá. Também pode potencialmente Projete melhores sistemas de propulsãodesde a escolha dos melhores materiais até a criação de configurações que transferem calor entre as peças do motor com mais eficiência.
Avançando na aprendizagem por reforço sistemático
Na propulsão espacial, o aprendizado por reforço geralmente se enquadra em duas categorias: aqueles que auxiliam durante a fase de projeto – quando os engenheiros definem os requisitos da missão e as capacidades do sistema – e aqueles que apoiam operação em tempo real Assim que a espaçonave voar.
Um dos conceitos de propulsão mais exóticos e promissores é propulsão nuclearque aproveita o mesmo poder das bombas atômicas e do combustível solar: fissão nuclear e fusão nuclear.
A fissão funciona dividindo átomos pesados Tal como urânio ou plutónio para libertar energia – este é o princípio utilizado na maioria dos reactores nucleares terrestres. Por outro lado, a fusão Mesclar átomos mais leves O hidrogénio, por exemplo, pode produzir mais energia, embora exija condições mais extremas para arrancar.
A fissão é uma tecnologia mais madura que foi testada em alguns protótipos de propulsão espacial. É até usado no espaço na forma de: gerador termoelétrico de radioisótoposcomo aqueles Ligando o detector Voyager. Mas a convergência continua a ser uma fronteira atraente.
propulsão térmica nuclear Um dia poderemos levar naves espaciais a Marte e além, a um custo menor do que apenas queimar combustível. será melhor do que propulsão elétricaque utiliza gás aquecido feito de partículas carregadas chamadas plasma.
Ao contrário destes sistemas, a propulsão nuclear depende do calor gerado pelas reações atômicas. Esse calor é transferido para o propelente (geralmente hidrogênio), que se expande e é expelido pelo bocal, criando impulso e impulsionando o veículo para frente.
Então, como o aprendizado por reforço pode ajudar os engenheiros a desenvolver 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 Plano NERVAmoldado em blocos prismáticos usando combustível sólido de urânio. Desde então, os engenheiros têm explorado configurações alternativas – desde leitos de seixos cerâmicos até Anéis canelados com canais complexos.
Por que existem tantos experimentos? Porque quanto mais eficientemente o reator transfere calor do combustível para o hidrogênio, mais empuxo ele produz.
A aprendizagem por reforço provou ser crucial 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 em um determinado momento. O aprendizado por reforço pode analisar essas mudanças de design e identificar configurações de maximização transferência de calor. Pense nisso como um termostato inteligente, mas para um motor de foguete – você definitivamente não quer chegar muito perto dele, dadas as temperaturas extremas envolvidas.
Aprendizagem por reforço e tecnologia de fusão
A aprendizagem por reforço também desempenha um papel fundamental 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-o impraticável para voos espaciais. É por isso que os pesquisadores estão explorando Projetos compactos como Polywell. Esses dispositivos exóticos, que parecem cubos ocos com cerca de alguns centímetros de diâmetro, confinam o plasma num campo magnético, criando as condições necessárias para a fusão.
Campo magnético de controle Alcançar esse objetivo na Polywell não é uma tarefa fácil. O campo magnético deve ser suficientemente forte para manter os átomos de hidrogénio oscilando até se fundirem – um processo que requer enormes quantidades de energia para começar, mas que é autossustentável quando começa. Superar este desafio é fundamental para expandir a tecnologia de propulsão térmica nuclear.
Aprendizagem por reforço e geração de energia
No entanto, o poder da aprendizagem por reforço não se limita ao design. Pode ajudar a gerir o consumo de combustível – uma tarefa crítica para missões que devem ajustar-se dinamicamente. 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.
Por exemplo, as aplicações militares devem responder rapidamente às mudanças nas situações geopolíticas. Um exemplo de adaptação à tecnologia em rápida mudança é LM400 da Lockheed Martin Os satélites têm múltiplas funções, como alerta de mísseis ou sensoriamento remoto.
Mas com esta flexibilidade vem a incerteza. Quanto combustível uma missão requer? Quando é necessário? O aprendizado por reforço pode ajudar nesses cálculos.
Das bicicletas aos foguetões, a aprendizagem através da experiência – seja humana ou mecânica – está a moldar o futuro da exploração espacial. A inteligência artificial está desempenhando um papel cada vez maior nas viagens espaciais, à medida que os cientistas continuam a ultrapassar os limites da propulsão e da inteligência. Poderia ajudar os cientistas a explorar o sistema solar e além, abrindo as portas para novas descobertas.
