Menneske og maskine smelter sammen i rumfarten, mens nye systemer fundamentalt omformer den måde, vi rejser på.
Det, der i dag stadig ligner raketvidenskab, bliver skridt for skridt til et softwareproblem. Kunstig intelligens rykker ind i raketens cockpit – ikke for at erstatte astronauter, men for at flytte grænserne for hastighed, sikkerhed og forbrug.
Hvordan algoritmer afløser brændstof som vigtigste trumfkort
Antallet af opsendelser omkring jorden stiger hvert år. Mega-konstellationer, månebaser, bemandede missioner til Mars: alt kræver mere fremdrift, men med mindre risiko og lavere omkostninger. Klassiske kemiske raketter presser langsomt det maksimale ud af deres motorer. Det næste spring kommer derfor ikke kun fra nye brændstoffer, men fra smartere beslutninger – og her dukker AI op.
Machine learning analyserer enorme mængder testdata, sensormålinger og simuleringer. Hvor ingeniører tidligere havde brug for måneder til at sammenligne varianter af en motor, kører en algoritme tusindvis af scenarier på få timer. Den søger mønstre i vibrationer, termisk belastning, tryksvingninger og finder kombinationer af indstillinger, som mennesker sjældent tænker på.
AI flytter udfordringen fra “hvor meget fremdrift har vi” til “hvor intelligent udnytter vi hver dråbe energi i motoren”.
En særligt kraftfuld gren er reinforcement learning, hvor et system lærer ved at prøve sig frem, begå fejl og forbedre sig selv. Det får et mål – for eksempel: “nå Mars med så lidt brændstof som muligt og inden for en bestemt tid” – og afprøver derefter tusindvis af strategier i et virtuelt miljø.
Hvad reinforcement learning gør anderledes end klassiske simuleringer
Ved klassisk engineering tager man udgangspunkt i fysiske modeller og kører en række simuleringer med forudvalgte parametre. Ved reinforcement learning fungerer det omvendt: algoritmen må variere næsten alt inden for sikkerhedsgrænser og søger aktivt efter overraskende løsninger.
- Den lærer af belønning og straf, ikke ud fra faste regler.
- Den behandler ikke-lineære fænomener som turbulens eller plasma-instabiliteter uden at modellere hver detalje eksplicit.
- Den tilpasser sin strategi i takt med, at den “erfarer”, hvad der virker og ikke virker.
For rumfartens fremdriftssystemer leverer det to store anvendelser: hjælp til design på jorden og
