Rumfart accelererer i et hidtil uset tempo – men raketbrændstof og motorer nærmer sig deres grænser.
En stille revolution er ved at tage form fra en uventet retning.
Takket være intelligente algoritmer – særligt AI-teknikker som machine learning og reinforcement learning – opstår der en helt ny generation af fremdriftssystemer. Ikke bare til satellitter i kredsløb om Jorden, men også til fremtidige missioner mod Mars og endnu længere ud i universet.
Derfor skal raketfremdrift opfindes på ny
Ethvert rumrejse handler i bund og grund om ét afgørende spørgsmål: hvor meget energi kan du udtrække af en given mængde brændstof, og hvor pålideligt holder systemet under ekstreme forhold? Klassiske kemiske raketter – med flydende eller fast brændstof – har bragt mennesket til Månen, men de er tunge, kluntede og sluger astronomiske mængder brændstof.
Med hundredvis af opsendelser om året og planer om stationer ved Månen, bemandede Mars-flyvninger og dybe rumfartsmissioner bliver den tilgang både dyr og langsom. Interplanetariske rejser tager i dag måneder til år. For bemandede missioner medfører det alvorlige risici: kosmisk stråling, begrænsede forsyninger og psykisk belastning.
AI flytter raketfremdrift fra langsommeligt laboratoriearbejde til lynhurtig, selvlærende optimering i simuleringer – og snart i rummet selv.
Derfor retter forskere fokus mod mere radikale fremdriftsformer som nukleare motorer og fusionskoncepter. Samtidig vokser design- og styringsudfordringerne eksplosivt. Og præcis dér er AI i sit es.
Machine learning og reinforcement learning i rumfarten
Machine learning finder mønstre i store datamængder og udleder opgaver fra dem. En vigtig gren heraf er reinforcement learning: en algoritme afprøver handlinger, får point for succes og straf for fejl, og forbedrer sig gradvist på den baggrund.
Tænk på en skakspiller, der gennemspiller tusindvis af partier. Han beregner ikke hvert eneste varianter, men genkender mønstre og typiske situationer. Reinforcement learning fungerer på samme måde – blot i enormt omfang og med langt højere regnekraft. Systemet lærer ved at køre simuleringer, vurdere resultaterne og skærpe sin strategi.
- Observere: AI'en modtager data om systemet – temperaturer, tryk, ventilpositioner, baneparametre.
- Handle: algoritmen vælger en handling, for eksempel at åbne en ventil lidt mere eller foretage en kursrettelse.
- Feedback: systemet tildeles en score baseret på resultatet.
- Justere: modellen tilpasser sin strategi for at opnå en højere score fremover.
Inden for rumfartsfremdrift betyder dette, at AI selv søger efter den mest effektive bane, de optimale motorindstillinger og de bedste materiale- og formvalg – ofte på måder, et menneske ikke umiddelbart ville tænke på.
AI som medpilot ved raketdesign
Når det gælder fremdrift, skelner forskere overordnet mellem to faser, hvor reinforcement learning gør en forskel: designprocessen på Jorden og motorstyringen under selve flyvningen.
Design af nukleare raketmotorer
En af de mest spændende retninger er nuklear termisk fremdrift. I stedet for kemisk forbrænding bruger disse motorer varme fra kernereaktioner til at opvarme en gas – typisk brint – og udstøde den med høj hastighed gennem en dyse. Det giver mere fremdrift pr. kilo brændstof end traditionelle raketmotorer.
Allerede i 1960'erne testede NASA motorer med uranium som brændstof i faste blokke gennem Nerva-programmet. Siden er utallige varianter blevet udviklet: keramiske kugler, ringformede strukturer med indviklede kølekanaler og avancerede kompositmaterialer.
Kerneudfordringen forbliver den samme: hvordan overfører man maksimal varme så jævnt som muligt fra brændslet til brinten, uden at materialet bukker under? Centrale faktorer er:
- materialevalg – smeltepunkt, styrke og reaktioner med brint
- geometri af brændselselementerne
- brintens strømning og tryk
- varmefordeling i tid og rum
Fordi disse variable påvirker hinanden gensidigt, er manuel optimering nærmest en umulig opgave. Reinforcement learning kan afprøve millioner af varianter i simuleringer og belønne designs, der overfører meget varme, forbliver stabile og holder sig inden for sikkerhedsmarginerne.
Forestil dig en termostat, der ikke blot regulerer temperaturen, men selv opfinder formen på radiatoren, rørene og materialevalget på ny.
Resultatet er motorgeometrier, et menneske sjældent ville nå frem til, men som i simuleringer præsterer markant mere effektivt. Efterfølgende afprøves de i laboratorier eller på testopstillinger.
Nuklear fusion og kompakte plasmamotorer
Nuklear fusion – sammensmeltning af lette atomer til tungere – frigiver i teorien langt mere energi end spaltning. Store forskningsreaktorer som tokamaks viser, at fusion er mulig, men de er enorme og tunge. Ikke noget, man uden videre monterer under en raket.
Derfor arbejder forskerhold på kompakte koncepter som polywell-systemer: hule strukturer – ofte kubusformede – hvori magnetiske felter holder et glødende plasma på plads. At opnå det rette tryk, den rette temperatur og den rette stabilitet i et så lille volumen er ekstremt vanskeligt.
AI hjælper med at styre magnetfelterne. Ved løbende at indsamle målinger fra plasmaet og basere handlinger herpå kan reinforcement learning lære, hvilke magnetindstillinger der fører til mere stabilt plasma og højere fusionsudbytte. Det sker først i simuleringer og testopstillinger – og siden potentielt i rigtige motorer.
| Type fremdrift | Energikilde | AI's vigtigste rolle |
|---|---|---|
| Kemisk raket | Forbrænding af brændstof/oxidationsmiddel | Optimering af bane og brændstofforbrug |
| Nuklear termisk motor | Kernespaltning, varme til brint | Design af reaktorgeometri og kølestrømning |
| Kompakt fusionsmotor | Kernefusion i plasma | Regulering af magnetfelter og plasmastabilitet |
AI under flyvningen: klogere håndtering af brændstof og energi
AI begrænser sig ikke til tegnebrættet. Under en mission skal et rumskib konstant træffe valg: accelerere eller bremse, justere kursen, tænde eller slukke for instrumenter, vende om eller flyve videre. Hver beslutning koster brændstof og energi.
Moderne satellitter og platforme udfører flere opgaver på én gang: observation, kommunikation og forsvarsrelaterede funktioner. Prioriteterne kan skifte time for time – for eksempel som følge af spændinger i konfliktzoner eller naturkatastrofer, der skal dokumenteres.
Traditionelle flyveplaner låses fast måneder i forvejen. Når virkeligheden afviger, starter puslespillet: hvorfra henter vi brændstof til ekstra manøvrer, hvilke sensorer kan kortvarigt slukkes, hvilken bane er stadig realistisk?
Reinforcement learning kan i realtid vurdere, hvilken handling der gavner missionen mest lige nu – uden at tømme brændstoftankene unødigt.
Algoritmen lærer scenarier igennem simuleringer: uventede kursændringer, defekte komponenter og ændrede missionskrav. Under flyvningen sammenligner den den aktuelle situation med sin erfaring og vælger den handling, der giver størst langsigtet gevinst.
Hvad dette betyder for rejser til Mars og videre ud
En bemandet Mars-mission kræver mere end blot en kraftfuld motor. Rejsen skal gøres kortere, sikrere og logistisk gennemførlig. Nuklear termisk fremdrift kan markant reducere rejsetiden sammenlignet med kemiske raketter. Færre dage i rummet betyder:
- mindre udsættelse for kosmisk stråling for astronauterne
- færre forsyninger nødvendige, altså lavere masse og omkostninger
- hurtigere reaktionstid ved problemer eller medicinsk nødsituation
AI kan lægge en ekstra acceleration oveni. Ved at styre motorer mere intelligent, genberegne den optimale bane undervejs og løbende tilpasse energistyringen udnyttes hvert kilo brændstof bedre.
For ubemandede sonder – eksempelvis til Jupiters ismåner eller ud til solsystemets rand – kan AI forlænge levetiden betydeligt. En sonde, der selv lærer hvornår den skal aktivere instrumenter, hvordan den minimerer kursrettelser og planlægger sin energiproduktion, henter mere videnskab ud af samme mængde brændstof og plutonium i sin generator.
Risici, muligheder og hvad der stadig mangler
AI i kritiske systemer rejser også vigtige spørgsmål. Kan vi stole på en algoritme, der har set millioner af simuleringer, men aldrig præcis denne mission? Hvordan sikrer vi, at en indlært model opfører sig i rummet, som den gør i laboratoriet? Ingeniører bygger derfor sikkerhedslag ind: grænser for AI'ens handlingsrum, nødscenarier der falder tilbage på enkle, afprøvede regler samt omfattende testkampagner.
Samtidig vokser behovet for gennemsigtighed. Klassiske styringsalgoritmer er relativt forudsigelige – neurale netværk er det i mindre grad. Forskere arbejder derfor på teknikker, der gør AI-systemer mere forklarlige, så ingeniører forstår, hvorfor en bestemt beslutning blev truffet.
For læsere, der ikke er fortrolige med kerneteknologi: spaltning betyder, at et tungt atom – eksempelvis uran – deles i to lettere atomer og frigiver energi. Fusion gør det modsatte: lette atomer som brint smelter sammen til tungere og frigiver derved energi. Solen drives af fusion. På Jorden – og i raketmotorer – er fusion vanskelig, fordi man behøver ekstremt høje temperaturer og tryk for at bringe partiklerne tæt nok sammen.
I praksis vil missioner sandsynligvis kombinere flere teknologier. Et kemisk første trin til at forlade Jordens atmosfære, en nuklear termisk eller elektrisk motor til den lange rejse og AI-styret systemsoftware til at binde det hele sammen. De samme principper, der i dag gør elcykler og biler mere energieffektive, bevæger sig langsomt men sikkert ind i raketter, der sætter kursen mod Mars – og derefter endnu længere ud i universet.
