人工智能正在改變航天器推進系統，並可能催生核動力火箭
每年，公司和航天機構都會向太空發射數百枚火箭，隨著雄心勃勃的月球、火星及其他地區的任務，這一數字還將急劇增長。但這些夢想取決於一個關鍵挑戰：推進力——推動火箭和航天器前進的方法。為了使星際旅行更快、更安全、更高效，科學家需要在推進技術上取得突破。人工智能是一種已經開始提供一些必要突破的技術。我們是一個由工程師和研究生組成的團隊，正在研究一般人工智能，特別是稱為機器學習的人工智能子集如何改變航天器推進力。從優化核熱發動機到管理聚變系統中復雜的等離子體約束，人工智能正在重塑推進設計和操作。它正迅速成為人類星際之旅中不可或缺的伙伴。機器學習和強化學習 機器學習是人工智能的一個分支，它可以識別尚未明確訓練的數據模式。這是一個廣闊的領域，有自己的分支，有很多應用程序。每個分支都以不同的方式模擬智能：識別模式、解析和生成語言，或者從經驗中學習。特別是最後一個子集，通常稱為強化學習，它通過評估機器的性能來教導機器執行任務，使它們能夠通過經驗不斷改進。舉一個簡單的例子，想像一個國際象棋棋手。玩家不會計算每一步棋，而是通過玩一千場比賽來識別模式。強化學習在機器和系統中創造了類似的直觀專業知識，但其計算速度和規模對於人類來說是不可能的。它通過觀察環境來通過經驗和迭代來學習。這些觀察結果使機器能夠正確解釋每個結果，並為系統部署最佳策略以實現其目標。強化學習可以提高人類對深度複雜系統的理解——那些挑戰人類直覺極限的系統。它可以幫助確定航天器前往太空任何地方的最有效軌跡，它是通過優化將航天器發送到那裡所需的推進力來實現的。它還可以設計更好的推進系統，從選擇最好的材料到提出更有效地在發動機部件之間傳遞熱量的配置。在強化學習中，您可以訓練人工智能模型來完成人類無法完成的過於復雜的任務。推進系統的強化學習在太空推進方面，強化學習通常分為兩類：一類在設計階段提供幫助（工程師定義任務需求和系統功能），另一類在航天器飛行後支持實時操作。最奇特和最有前途的推進概念之一是核推進，它利用與原子彈提供動力和為太陽提供燃料相同的力量：核裂變和核聚變。裂變通過分裂鈾或钚等重原子來釋放能量——這是大多數地面核反應堆所採用的原理。另一方面，聚變融合了較輕的原子（例如氫）以產生更多的能量，儘管它需要更極端的條件來啟動。裂變是一種更成熟的技術，已經在一些太空推進原型中進行了測試。它甚至以放射性同位素熱電發電機的形式用於太空，就像為航行者號探測器提供動力的發電機一樣。但融合仍然是一個誘人的前沿領域。有一天，核熱推進可以將航天器以比簡單燃燒燃料更低的成本帶到火星甚至更遠的地方。它將使飛船比電力推進更快，電力推進使用由稱為等離子體的帶電粒子製成的加熱氣體。與這些系統不同，核推進依賴於原子反應產生的熱量。這些熱量被傳遞到推進劑（通常是氫氣），推進劑膨脹並通過噴嘴排出，產生推力並使飛行器向前噴射。那麼強化學習如何幫助工程師開發和操作這些強大的技術呢？讓我們從設計開始。強化學習在設計中的作用 20 世紀 60 年代的早期核熱推進設計（例如 NASA NERVA 計劃中的設計）使用模製成棱柱形塊的固體鈾燃料。從那時起，工程師們探索了替代配置——從陶瓷卵石床到具有復雜通道的凹槽環。為什麼有這麼多的實驗？因為反應堆將熱量從燃料傳遞到氫氣的效率越高，它產生的推力就越大。事實證明，強化學習在這一領域至關重要。優化燃料和推進劑之間的幾何形狀和熱流是一個複雜的問題，涉及無數變量——從材料特性到在任何給定時刻流經反應堆的氫氣量。強化學習可以分析這些設計變化並確定最大化傳熱的配置。將其想像為一個智能恆溫器，但用於火箭發動機 – 考慮到所涉及的極端溫度，您絕對不想離它太近。強化學習和核聚變技術強化學習在核聚變技術的發展中也發揮著關鍵作用。日本的 JT-60SA 託卡馬克等大型實驗正在突破聚變能的界限，但其巨大的尺寸使其不適用於太空飛行。這就是為什麼研究人員正在探索諸如聚井之類的緊湊設計。這些奇特的裝置看起來像空心立方體，直徑大約幾英寸，它們將等離子體限制在磁場中，為聚變創造必要的條件。控制聚阱內的磁場絕非易事。磁場必須足夠強，才能使氫原子保持彈跳直至融合——這一過程需要巨大的能量才能啟動，但一旦開始就可以自我維持。克服這一挑戰對於擴展核熱推進技術至關重要。強化學習和能量生成然而，強化學習的作用並不僅限於設計。它可以幫助管理燃料消耗——對於必須動態調整的任務來說，這是一項關鍵任務。在當今的航天工業中，人們對能夠根據任務需求以及隨著時間的推移如何適應優先級變化而發揮不同作用的航天器越來越感興趣。例如，軍事應用必須快速響應不斷變化的地緣政治局勢。適應快速變化的技術的一個例子是洛克希德·馬丁公司的 LM400 衛星，它具有導彈預警或遙感等多種功能。但這種靈活性帶來了不確定性。一次任務需要多少燃料？什麼時候需要它？強化學習可以幫助完成這些計算。從自行車到火箭，通過經驗學習（無論是人類還是機器）正在塑造太空探索的未來。隨著科學家不斷突破推進力和智能的界限，人工智能在太空旅行中發揮著越來越大的作用。它可以幫助科學家探索太陽系內外，並為新發現打開大門。馬科斯·費爾南德斯·圖斯 (Marcos Fernandez Tous) 是北達科他大學空間研究助理教授。 Preeti Nair 是北達科他大學航空航天科學專業的碩士生。 Sai Susmitha Guddanti 是一名博士。北達科他大學航空航天科學專業的學生。 Sreejith Vidhyaharan Nair 是北達科他大學航空研究助理教授。本文是根據知識共享許可從 The Conversation 重新發布的。閱讀原文。 《Fast Company 改變世界創意獎》的最終截止日期是太平洋時間 12 月 12 日星期五晚上 11:59。今天申請。
已发布: 2025-11-28 09:00:00
