Hvordan AI forandrer raketmotorer: fra smartere brændstof til nukleare Marsrejser

Rumfart står over for et gammelt problem

Mens rumagenturer drømmer om missioner til Mars, kæmper ingeniører stadig med en klassisk udfordring: hvordan får man raketter til at være både kraftfulde og effektive nok? Svaret begynder i stigende grad at involvere kunstig intelligens.

Nye fremdriftsteknologier kræver enorme mængder beregninger, testdata og simuleringer. Det er præcis her, at maskinlæring og en underform kaldet reinforcement learning begynder at ændre den måde, vi designer og styrer raketmotorer på.

Derfor skal raketfremdrift genopfindes

Hvert år sendes hundredvis af raketter afsted mod kredsløb, månelandinger og videnskabelige sonder. Med planlagte bemandede Marsrejser og ambitiøse kommercielle rumprojekter vil det antal stige markant. Klassiske kemiske raketmotorer støder da på flere begrænsninger:

• de forbruger enorme mængder brændstof
• de er relativt langsomme til fjerne destinationer
• de genererer meget varme og mekanisk belastning
• de efterlader ringe mulighed for kursændringer undervejs

Forskere ser derfor med stigende alvor på nuklear fremdrift og avancerede elektriske motorer baseret på plasma. Disse teknologier er kraftfulde, men ekstremt komplekse — og det er her, AI spiller en afgørende rolle.

AI bevæger sig støt fra at være et praktisk hjælpeværktøj til at blive en reel medpilot på fremtidens rumskibe.

Hvad maskinlæring og reinforcement learning faktisk gør

Maskinlæring er en gren af AI, hvor systemer lærer at genkende mønstre i store datamængder — uden at en programmør på forhånd har fastlagt hvert eneste adfærdsregl. Reinforcement learning er en særlig variant: her lærer en algoritme gennem forsøg, fejl og gradvis forbedring.

Tænk på en skakspiller, der bliver bedre ved at spille tusindvis af partier. Spilleren gennemregner ikke hvert eneste mulige træk, men genkender mønstre og typiske situationer. Reinforcement learning fungerer på samme måde, men med en regnekraft og hastighed, der er umulig for mennesker at matche.

En sådan algoritme får et mål — for eksempel: "nå Mars med mindst muligt brændstof inden for en bestemt tidsramme" — og opdager via simuleringer, hvilke beslutninger bringer den tættere på det mål. Gode valg belønnes, dårlige straffes. Skridt for skridt opstår en strategi, der ofte er for kompleks til, at mennesker selv ville have udtænkt den.

AI som designassistent til raketmotorer

Inden for raketfremdrift spiller reinforcement learning en rolle på to fronter: ved design af nye motorer og ved styring af raketter under flyvning.

Nukleare motorer: varme som turbo

Et af de mest lovende koncepter er nuklear termisk fremdrift. Her bruges en kernreaktor som varmekilde. Kernereaktionen opvarmer et drivstof — typisk brint — som strømmer ud gennem en dyse og skaber fremdrift.

Jo bedre varmen fra spaltningsstoffet eller fusionsbrændstoffet overføres til brinten, desto kraftigere og mere effektiv bliver motoren. Allerede i 1960'erne testede NASA motorer under NERVA-programmet med uran i faste blokke. Siden da er talrige varianter blevet udtænkt, herunder keramiske kugler og komplekse ringe med fint forgrenede kanaler.

Udfordringen er det astronomiske antal variabler. Tænk bare på:

• materialetyper og deres varmeledningsevne
• reaktorkernens form og opbygning
• brintstrømmens hastighed og tryk
• grænseværdier for sikkerhed og levetid

Et ingeniørhold kan kun afprøve et begrænset antal kombinationer. Et reinforcement learning-system kan i simuleringer gennemregne millioner af varianter og foreslå overraskende designs, som menneskelige ingeniører aldrig selv ville have udtænkt.

Man kan forestille sig det som en intelligent termostat til en raketmotor — men en der samtidig hjælper med at designe selve motoren.

Fra teori til affyringsrampe

I praksis kobler forskere deres AI-modeller til numeriske simuleringer af strømning og varmeoverførsel. Algoritmen justerer løbende form, kanalstørrelse og gennemstrømning, observerer effekten og lærer, hvilken kombination giver mest fremdrift inden for sikre grænser.

Resultatet er ikke et færdigt produkt, men en række lovende konfigurationer, som ingeniører derefter kan teste fysisk. Udviklingstiden for en ny generation af motorer kan derved forkortes med adskillige år.

AI og fusion: at holde plasma under kontrol

Nuklear fusion har i årtier været betragtet som den hellige gral inden for ren og kraftfuld energi. Store eksperimenter som tokamaks forsøger at fastholde stabilt fusionsplasma her på Jorden. Til rumfart er sådanne anlæg alt for store, og forskere søger derfor efter kompakte varianter.

Et eksempel er den såkaldte polywell: en relativt lille, hul enhed, hvor magnetfelter indesluiter en sky af ladede partikler. Inden for dette volumen skal betingelserne opstå, hvor brintkerner smelter sammen.

At styre disse magnetfelter er ekstremt vanskeligt. En lille ændring kan enten stabilisere plasmaet eller lade det flygte. Reinforcement learning viser sig at være meget velegnet til at finde dynamiske regler: algoritmen reagerer på målinger hvert brøkdel af et sekund og justerer felterne for at holde plasmaet stabilt så længe som muligt.

Hvis sådanne kompakte fusionssystemer nogensinde fungerer pålideligt, kan de tjene som ekstremt kraftfuld fremdrift for interplanetariske fartøjer. AI bliver da ikke blot motorens "pilot" — det bliver selve årsagen til, at motoren overhovedet er brugbar.

Smartere brændstofhåndtering under missionen

AI's rolle stopper ikke ved tegnestuen. Under en mission skal et rumskib konstant træffe valg: accelerere hårdere eller spare brændstof, flyve uden om noget eller tage en risiko, indsætte en satellit tidligere eller vente på et bedre tidspunkt.

Særligt missioner med flere opgaver — for eksempel en militær eller kommerciel platform der håndterer observation, kommunikation og raketdetektion — har skiftende prioriteter. Et eksempel er LM400-satellitplatformen fra Lockheed Martin, der afhængigt af opgaven kan flyve meget forskellige profiler.

Ingen ved på forhånd præcis, hvor meget brændstof en sådan fleksibel mission har brug for på ethvert givent tidspunkt. Reinforcement learning kan i realtid lære at træffe optimale valg baseret på aktuelle data:

• hvor meget brændstof der er tilbage
• hvilke mål der pludselig bliver presserende
• himmellegemernes og tyngdekraftsfelternes aktuelle tilstand
• hvilke delsystemer der kræver ekstra energi

Brændstof håndteres dermed ikke længere som en fast post i flyveplanerne, men styres dynamisk. Fartøjet kan eksempelvis beslutte at bruge en gravitationsassist frem for at accelerere, men stadig nå frem til tiden.

Hvad det betyder for rejser til Mars og videre

Kombinér nukleare termiske motorer med AI-drevet designoptimering og intelligent brændstofhåndtering, og et nyt scenarie tegner sig: en bemandet Marsrejse der er uger hurtigere end med kemiske motorer og alligevel forbruger mindre brændstof.

En hurtigere rejse reducerer astronauternes strålingsdosis, mindsker den mentale belastning og begrænser mængden af mad, vand og reservedele om bord. Det sænker både omkostninger og risiko.

Risici, etik og praktiske udfordringer

Nuklear teknologi i rummet er fortsat et følsomt emne. En mislykket opsendelse med kernemateriale om bord kan føre til massive politiske og samfundsmæssige reaktioner. Landene skal indgå klare aftaler om sikkerhed, ansvar og gennemsigtighed.

Brugen af AI i kritiske systemer kræver desuden særlige sikkerhedsforanstaltninger. Ingeniører vil forstå præcis, hvilke valg en algoritme træffer. Det betyder, at forklarbar AI — systemer der kan begrunde deres egne beslutninger — får en afgørende rolle ved certificering og flyvegodkendelse.

Hertil kommer tekniske forhindringer: sensorer skal være ekstremt pålidelige, software skal modstå stråling, og kontakten med Jorden er ikke altid tilgængelig. Et AI-system om bord skal derfor fungere autonomt og robust, selv når det støder på uventede situationer.

Centrale begreber kort forklaret

Fission versus fusion
Ved fission spaltes tunge atomer som uran, hvilket frigiver energi men også radioaktivt affald. Ved fusion smelter lette atomer som brint sammen. Det kan frigive langt mere energi med potentielt mindre langvarigt affald, men kræver ekstremt høje temperaturer og tryk.

Plasma
Plasma er en gasform, hvor atomerne er splittet op i positivt ladede kerner og frie elektroner. Det reagerer kraftigt på magnetfelter og danner grundlaget for mange avancerede raketmotorer og fusionseksperimenter.

Reinforcement learning i hverdagen
Den samme logik findes allerede i selvkørende biler, anbefalingssystemer og intelligente trafiklys. Systemet afprøver handlinger, får en "belønning" eller straf og tilpasser sin adfærd. I rummet omdannes den belønning til parametre som lavere brændstofforbrug, kortere rejsetid eller højere sikkerhed.

Den, der i dag studerer luft- og rumfartsteknik, fysik eller AI, træder ind i et fagområde, hvor disse discipliner bogstaveligt talt mødes i ét motorblok. Testopstillinger til plasma, simuleringer af Marsbaner og AI-laboratorier smelter mere og mere sammen. Raketvidenskab begynder skridt for skridt at ligne et softwareproblem — hvor den hårde fysik fortsat dikterer rammebetingelserne.