به گزارش سیتنا، مهندسان می‌گویند هوش مصنوعی می‌تواند کارآمدترین مسیرهای پروازی، بهترین پیکربندی رآکتورهای گرمایی هسته‌ای و کنترل دقیق پلاسما در سامانه‌های همجوشی را تعیین کند. این فناوری همچنین به فضاپیماهای چندمنظوره کمک می‌کند تا مصرف انرژی خود را در سناریوهای متغیر مأموریت مدیریت کنند؛ نقشی که آن را به یکی از ستون‌های اصلی آینده سفرهای میان‌سیاره‌ای تبدیل کرده است.

برای اینکه سفرهای میان‌سیاره‌ای سریع‌تر، ایمن‌تر و کارآمدتر شوند، دانشمندان به پیشرفت‌های تازه در فناوری پیشرانش نیاز دارند. هوش مصنوعی یکی از فناوری‌هایی است که شروع به فراهم کردن بخشی از این پیشرفت‌های ضروری کرده است.

به نقل از اسپیس، گروهی از مهندسان و دانشجویان تحصیلات تکمیلی بررسی می‌کنند که چگونه هوش مصنوعی به‌طور کلی و همچنین زیرمجموعه‌ای از آن به نام یادگیری ماشینی به‌طور خاص می‌تواند پیشرانش فضاپیماها را متحول کند. هوش مصنوعی از بهینه‌سازی موتورهای گرمایی هسته‌ای گرفته تا مدیریت محصورسازی پیچیده‌ پلاسما در سامانه‌های همجوشی، در حال بازطراحی پیشرانش و نحوه‌ کار آن است. این فناوری با سرعت زیادی در حال تبدیل شدن به یک شریک ضروری در سفر بشر به ستارگان است.

یادگیری ماشینی و یادگیری تقویتی

یادگیری ماشینی شاخه‌ای از هوش مصنوعی است که الگوهایی را در داده‌هایی تشخیص می‌دهد که به‌طور مستقیم برای آن آموزش داده نشده‌اند. این حوزه‌ بسیار گسترده‌ای است با شاخه‌های مختلف و کاربردهای فراوان. هر شاخه نوعی از هوشمندی را به شکلی متفاوت شبیه‌سازی می‌کند: از طریق تشخیص الگوها، پردازش و تولید زبان یا یادگیری از طریق تجربه.

این زیرمجموعه‌ آخر که بیشتر با نام «یادگیری تقویتی» شناخته می‌شود، ماشین‌ها را با ارزیابی عملکردشان آموزش می‌دهد، به‌طوری‌که به آن‌ها اجازه می‌دهد با تجربه‌ مداوم بهتر و بهتر شوند.

به یک مثال ساده فکر کنید: یک شطرنج‌باز. شطرنج‌باز هر حرکت را محاسبه نمی‌کند، بلکه الگوهایی را از بازی در هزاران مسابقه تشخیص می‌دهد.

یادگیری تقویتی مهارت شهودی مشابهی را در ماشین‌ها و سیستم‌ها ایجاد می‌کند، اما با سرعت و مقیاسی که برای انسان غیرممکن است. این روش از طریق تجربه‌ها و تکرارهای پی‌درپی و با مشاهده‌ محیط خود، یاد می‌گیرد. این مشاهدات به ماشین اجازه می‌دهد که نتیجه‌ هر اقدام را درست تفسیر کند و بهترین استراتژی‌ها را برای رسیدن سیستم به هدفش به کار ببرد.

یادگیری تقویتی می‌تواند به انسان کمک کند تا سامانه‌های فوق‌العاده پیچیده‌ای را بهتر بفهمد. سامانه‌هایی که فراتر از حد شهود انسان عمل می‌کنند. این روش می‌تواند کارآمدترین مسیر حرکت یک فضاپیما را در سفر به هر نقطه از فضا تعیین کند و با این کار، پیشرانشی را که لازم است تا فضاپیما را به مقصد برساند، بهینه کند. همچنین می‌تواند سامانه‌های پیشرانشی بهتری طراحی کند؛ از انتخاب بهترین مواد گرفته تا یافتن پیکربندی‌هایی که حرارت را بین اجزای موتور کارآمدتر منتقل می‌کنند.

یادگیری تقویتی برای سامانه‌های پیشرانش

در زمینه‌ پیشرانش فضایی، یادگیری تقویتی به‌طور کلی به دو گروه تقسیم می‌شود: آن‌هایی که در مرحله‌ طراحی کمک می‌کنند یعنی زمانی که مهندسان نیازهای مأموریت و قابلیت‌های سامانه را تعریف می‌کنند و آن‌هایی که در زمان عملیات واقعی و هنگام پرواز فضاپیما نقش دارند. در میان مفاهیم پیشرانشی عجیب و امیدوارکننده، پیشرانش هسته‌ای قابل توجه است؛ فناوری‌ای که از همان نیروهایی استفاده می‌کند که بمب‌های اتمی را تأمین انرژی می‌کنند و خورشید را روشن نگه می‌دارند: شکافت و همجوشی هسته‌ای. شکافت از طریق شکستن اتم‌های سنگینی مانند اورانیوم یا پلوتونیوم انرژی آزاد می‌کند که اصلی است که در بیشتر رآکتورهای هسته‌ای زمینی استفاده می‌شود.

اما در مقابل، همجوشی اتم‌های سبک‌تر مانند هیدروژن را به هم ادغام می‌کند تا انرژی بسیار بیشتری تولید شود، هرچند برای آغازش به شرایط بسیار شدیدتری نیاز است.
شکافت فناوری پخته‌تری است و حتی در برخی نمونه‌های پیشرانش فضایی آزمایش شده است. همچنین در فضا در قالب تولیدکننده‌های ترموالکتریک رادیوایزوتوپ مانند آن‌هایی که کاوشگرهای وویجر را تأمین انرژی می‌کردند، استفاده شده است. اما همجوشی همچنان افقی وسوسه‌انگیز باقی مانده است.

پیشرانش گرمایی هسته‌ای می‌تواند روزی فضاپیماها را با هزینه‌ای کمتر به مریخ و فراتر از آن ببرد. همچنین می‌تواند آن‌ها را سریع‌تر از پیشرانش الکتریکی که از گاز داغ و عنصر بارداری به نام پلاسما استفاده می‌کند، به مقصد برساند.

برخلاف این سامانه‌ها، پیشرانش هسته‌ای به گرمای تولید شده از واکنش‌های اتمی تکیه دارد. این گرما به یک پیشرانه که معمولا هیدروژن است، منتقل می‌شود که منبسط شده و از طریق نازل خارج می‌شود تا رانش تولید کند و فضاپیما را به جلو ببرد.
نقش یادگیری تقویتی در طراحی

طراحی‌های اولیه‌ پیشرانش گرمایی هسته‌ای در دهه‌ ۱۹۶۰ مانند برنامه‌ NERVA ناسا از سوخت اورانیوم جامدی استفاده می‌کردند که به شکل واحدهایی با شکل منشوری قالب‌گیری شده بودند. از آن زمان، مهندسان پیکربندی‌های دیگری را بررسی کرده‌اند. از بسترهایی از سنگ‌ریزه‌های سرامیکی گرفته تا حلقه‌هایی با شیارها و کانال‌های پیچیده.

چرا تا این اندازه آزمایش وجود داشته است؟

زیرا هرچه یک رآکتور بتواند گرما را کارآمدتر از سوخت به هیدروژن منتقل کند، رانش بیشتری تولید می‌کند. این همان جایی است که یادگیری تقویتی اهمیت پیدا می‌کند.

بهینه‌سازی هندسه و جریان حرارت بین سوخت و پیشرانه یک مسئله‌ بسیار پیچیده است که متغیرهای بی‌شماری دارد. از خواص مواد گرفته تا مقدار هیدروژنی که در هر لحظه از رآکتور عبور می‌کند. یادگیری تقویتی می‌تواند این تنوع در طراحی را تحلیل کند و پیکربندی‌هایی را که انتقال حرارت را به بیشترین مقدار می‌رسانند، شناسایی کند.

یادگیری تقویتی و فناوری همجوشی

یادگیری تقویتی نقش مهمی نیز در توسعه‌ فناوری همجوشی هسته‌ای بازی می‌کند. آزمایش‌های بزرگ‌مقیاس مانند JT-60SA  در ژاپن مرزهای انرژی همجوشی را گسترش می‌دهند، اما اندازه‌ عظیم آن‌ها باعث می‌شود برای پرواز فضایی عملی نباشند. به همین دلیل پژوهشگران به دنبال طراحی‌های فشرده‌تری مثل پلی‌ول‌ها (Polywells) هستند.
این دستگاه‌های عجیب شبیه مکعب‌های توخالی‌اند، به‌اندازه‌ چند سانتی‌متر هستند و پلاسما را در میدان‌های مغناطیسی محصور می‌کنند تا شرایط لازم برای همجوشی ایجاد شود.

کنترل میدان‌های مغناطیسی داخل یک پلی‌ول کار ساده‌ای نیست. میدان‌ها باید آن‌قدر قوی باشند که اتم‌های هیدروژن را وادار کنند پیوسته در جهات مختلف برخورد کنند تا سرانجام به هم جوش بخورند و این فرآیندی است که نیازمند انرژی بسیار زیادی برای شروع است، اما وقتی آغاز شود می‌تواند خودپایدار شود. غلبه بر این چالش برای مقیاس‌پذیر کردن این فناوری برای پیشرانش گرمایی هسته‌ای ضروری است.

یادگیری تقویتی و مدیریت مصرف انرژی

اما نقش یادگیری تقویتی به طراحی ختم نمی‌شود. این روش می‌تواند به مدیریت مصرف سوخت کمک کند که یک کار حیاتی برای مأموریت‌هایی است که باید در لحظه سازگار شوند. در صنعت فضایی امروز، علاقه‌ رو به رشدی به فضاپیماهایی وجود دارد که بسته به نیاز مأموریت می‌توانند نقش‌های متفاوتی داشته باشند و با تغییر اولویت‌ها سازگار شوند. در کاربردهای نظامی، باید به‌سرعت به سناریوهای ژئوپلیتیکیِ در حال تغییر پاسخ دهند. یکی از مثال‌های فناوری سازگار با تغییرات سریع، ماهواره‌ LM400 از شرکت لاکهید مارتین است که قابلیت‌های مختلفی مانند هشدار موشکی یا پایش از راه دور دارد. اما این انعطاف‌پذیری موجب ایجاد عدم‌قطعیت می‌شود. یک ماموریت دقیقا به چه مقدار سوخت نیاز خواهد داشت؟ و چه زمانی به آن نیاز خواهد داشت؟ یادگیری تقویتی می‌تواند در انجام این محاسبات کمک کند. همزمان با تلاش دانشمندان برای گسترش مرزهای پیشرانش و هوشمندی، هوش مصنوعی نقش فزاینده‌ای در سفرهای فضایی بازی می‌کند. این فناوری ممکن است به دانشمندان کمک کند درون و بیرون منظومه‌ شمسی را کاوش کنند و دروازه‌هایی را برای کشفیات جدید باز کنند.

انتهای پیام