En stille revolution er på vej i rumfarten
Rummissioner accelererer i et hidtil uset tempo – men raketbrændstof og motorer nærmer sig deres grænser. Svaret kommer fra en uventet kant.
Takket være smarte algoritmer – særligt AI-teknikker som machine learning og reinforcement learning – opstår der en helt ny generation af fremdriftssystemer. Ikke blot til satellitter i kredsløb om Jorden, men også til fremtidige missioner mod Mars og endnu længere ud i kosmos.
Hvorfor raketfremdrift trænger til en genopfindelse
Enhver rumrejse handler i bund og grund om ét grundlæggende spørgsmål: hvor meget energi kan du udtrække fra en given mængde brændstof, og hvor pålideligt forbliver systemet under ekstreme forhold? Klassiske kemiske raketter – med flydende eller fast brændstof – bragte mennesket til månen, men de er tunge, kluntede og sluger enorme mængder brændstof.
Med hundredvis af opsendelser om året og planer om stationer omkring månen, bemandede Mars-flyvninger og dybdehavsmissioner bliver denne tilgang både dyr og langsom. Interplanetariske rejser tager måneder til år. For bemandede missioner medfører det store risici: kosmisk stråling, begrænsede forsyninger og psykologisk belastning.
AI forskyder raketfremdrift fra langsomt laboratoriearbejde til lynhurtig, selvlærende optimering i simuleringer – og snart i rummet selv.
Derfor retter forskere blikket mod mere radikale fremdriftsformer som nukleare motorer og fusionskoncepter. Samtidig vokser design- og styringsproblemerne eksplosivt. 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, modtager point for succes og straf for fejl, og bliver gradvist bedre på den måde.
Forestil dig en skakspiller, der gennemspiller tusindvis af partier. Han beregner ikke alle varianter – han genkender mønstre og typiske situationer. Reinforcement learning gør det samme, blot i en langt større skala med langt mere regnekraft. Systemet lærer ved at køre simuleringer, vurdere resultater og forfine sin strategi.
- Observation: AI modtager data om systemet – temperaturer, tryk, ventilpositioner og banedata.
- Handling: Algoritmen vælger en handling, f.eks. at åbne en ventil lidt mere eller justere kursen.
- Feedback: Systemet tildeles en score baseret på resultatet.
- Justering: Modellen tilpasser sin strategi for at opnå en højere score fremover.
Inden for rumfartsfremdrift betyder det, 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 i raketdesign
Når det gælder fremdrift, skelner forskere groft sagt 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 per kilo brændstof end traditionelle raketter.
Allerede i 1960'erne testede NASA motorer med uraniumbrændstof i faste blokke under Nerva-programmet. Siden er utallige varianter blevet udtænkt: keramiske kugler, ringformede strukturer med komplekse kølekanaler og avancerede kompositmaterialer.
Kernespørgsmålet forbliver: hvordan overfører du maksimal varme så jævnt som muligt fra brændslet til brinten, uden at materialet giver efter? Her spiller følgende faktorer ind:
- Materialevalg – smeltepunkt, styrke og reaktioner med brint
- Geometri af brændstofselementerne
- Strømning og tryk af brinten
- Varmefordeling i tid og rum
Fordi disse variabler påvirker hinanden gensidigt, er manuel optimering næsten håbløst. Reinforcement learning kan afprøve millioner af varianter i simuleringer og belønne designs, der overfører meget varme, forbliver stabile og holder sig inden for sikkerhedsmargenerne.
Forestil dig en termostat, der ikke bare regulerer temperaturen, men selv genopfinder formen på radiatoren, rørene og materialevalget.
Resultatet er motorgeometrier, et menneske sjældent ville nå frem til, men som i simuleringer præsterer markant mere effektivt. Disse designs testes efterfølgende i laboratorier og på prøveopstillinger.
Nuklear fusion og kompakte plasmamotorer
Nuklear fusion – sammensætningen 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 bare hænger under en raket.
Derfor arbejder forskerhold på kompakte koncepter som polywell-systemer: hule strukturer, ofte kubusformede, hvori magnetfelter holder et glødende plasma på plads. At opnå det rette tryk, den rette temperatur og tilstrækkelig stabilitet i et så lille volumen er ekstremt vanskeligt.
AI hjælper med at styre magnetfelterne. Ved løbende at modtage målinger fra plasmaet og handle derefter kan reinforcement learning lære, hvilke magnetindstillinger fører til mere stabilt plasma og højere fusionsudbytte. Det sker først i simuleringer og testopstillinger – og siden muligvis i rigtige motorer.
| Type fremdrift | Energikilde | AI's vigtigste rolle |
|---|---|---|
| Kemisk raket | Forbrænding af brændstof/oxidator | Optimering af bane og brændstofforbrug |
| Nuklear termisk motor | Kernespaltning, varme til brint | Design af reaktorgeometri og kølestrømning |
| Kompakt fusionsmotor | Kernefusion i plasma | Styring af magnetfelter og plasmastabilitet |
AI under flyvningen: klogere brændstof- og energistyring
AI begrænser sig ikke til tegnebrættet. Under en mission skal et rumfartøj konstant træffe beslutninger: accelerere eller bremse, justere kursen, slukke eller tænde for instrumenter, vende om eller fortsætte. Hver eneste beslutning koster brændstof og energi.
Moderne satellitter og platforme udfører adskillige opgaver: observation, kommunikation og forsvarsanvendelser. Prioriteterne kan ændre sig fra time til time – for eksempel ved spændinger i konfliktområder eller naturkatastrofer, der skal dokumenteres.
Traditionelle flyveplaner fastlægges måneder i forvejen. Når virkeligheden afviger, begynder rodet: hvor finder vi brændstof til ekstra manøvrer, hvilke sensorer kan slukkes kortvarigt, hvilken bane er stadig opnåelig?
Reinforcement learning kan i realtid vurdere, hvilken handling der bedst tjener missionen – uden at brænde igennem brændstofbeholdningen.
Algoritmen lærer scenarier i simuleringer: uventede kursændringer, defekte komponenter, ændrede missionskrav. Under flyvningen sammenligner den den aktuelle situation med sin erfaring og vælger den handling, der giver størst langsigtet fordel.
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 reducere rejsetiden betydeligt sammenlignet med kemiske raketter. Mindre tid i rummet betyder:
- Mindre eksponering for kosmisk stråling for astronauterne
- Færre forsyninger nødvendige, hvilket sænker 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 til kanten af solsystemet – kan AI forlænge levetiden. En sonde, der selv lærer hvornår den skal aktivere instrumenter, hvordan den minimerer kursrettelser og planlægger sin energiproduktion, henter mere videnskab ud af den samme mængde brændstof og plutonium i generatoren.
Risici, muligheder og det, der endnu mangler
AI i kritiske systemer rejser også spørgsmål. Kan vi stole på en algoritme, der har set millioner af simuleringer, men aldrig præcis denne mission? Hvordan sikrer vi os, at en indlært model opfører sig i rummet som i laboratoriet? Ingeniører bygger derfor sikkerhedslag ind: grænser for hvad AI må foretage sig, nødscenarier der falder tilbage på enkle og 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 forklarbare, så ingeniørerne forstår, hvorfor en bestemt beslutning blev truffet.
For læsere, der er mindre fortrolige med kerneteknologi: spaltning betyder, at et tungt atom – for eksempel uran – splittes i to lettere atomer og frigiver energi. Fusion er det modsatte: lette atomer som brint smelter sammen til tungere og frigiver også energi. Solen drives af fusion. Både på Jorden og i raketmotorer er fusion vanskelig, fordi det kræver ekstremt høje temperaturer og tryk for at bringe partiklerne tæt nok sammen.
I praksis vil missioner sandsynligvis kombinere flere teknologier. En kemisk første etape til at løfte fra Jordens overflade, 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 siden videre ud i universet.
