Cada año, empresas y agencias espaciales lanzan cientos de cohetes al espacio, y ese número crecerá dramáticamente con ambiciosas misiones a la Luna, Marte y más allá. Pero estos sueños dependen de un desafío crítico: la propulsión: los métodos utilizados para impulsar cohetes y naves espaciales hacia adelante.
Para que los viajes interplanetarios sean más rápidos, seguros y eficientes, los científicos necesitan avances en la tecnología de propulsión. La inteligencia artificial es un tipo de tecnología que ha comenzado a proporcionar algunos de estos avances necesarios.
Somos un equipo de ingenieros y estudiantes de posgrado que estudiamos cómo la IA en general, y específicamente un subconjunto de la inteligencia artificial llamado aprendizaje automático, puede transformar la propulsión de las naves espaciales. Desde la optimización de los motores térmicos nucleares hasta la gestión del complejo confinamiento de plasma en sistemas de fusión, la IA está remodelando el diseño y las operaciones de propulsión. Se está convirtiendo rápidamente en un socio indispensable en el viaje de la humanidad hacia las estrellas.
Aprendizaje automático y aprendizaje asistido
El aprendizaje automático es una rama de la inteligencia artificial que identifica patrones en datos para los que no ha sido entrenada explícitamente. Es un campo vasto con sus ramas, con muchas aplicaciones. Cada rama imita la inteligencia de diferentes maneras: reconocimiento de patrones, análisis y generación del lenguaje o aprendizaje a partir de la experiencia. En concreto, este último subconjunto, comúnmente conocido como aprendizaje por refuerzo, enseña a las máquinas a realizar tareas evaluando su desempeño, permitiéndoles mejorar continuamente a través de la experiencia.
Como ejemplo sencillo, imaginemos a un jugador de ajedrez. El jugador no calcula cada movimiento, pero reconoce los patrones de jugar mil partidos. El aprendizaje por refuerzo crea una experiencia intuitiva similar en máquinas y sistemas, pero a una velocidad y escala imposibles para los humanos. Aprende a través de la experiencia y la repetición observando su entorno. Estas observaciones permiten que la máquina interprete correctamente cada resultado y aplique las mejores estrategias para que el sistema logre su objetivo.
El aprendizaje por refuerzo puede mejorar la comprensión humana de sistemas profundamente complejos, aquellos que desafían los límites de la intuición humana. Puede ayudar a determinar la trayectoria más eficiente para una nave espacial que se mueve a cualquier lugar del espacio, y lo hace optimizando la propulsión necesaria para enviar la nave espacial allí. También puede diseñar mejores sistemas de propulsión, desde elegir los mejores materiales hasta diseñar configuraciones que transfieran calor de manera más eficiente entre las piezas de un motor.
En el aprendizaje por refuerzo, se puede entrenar un modelo de IA para que realice tareas que son demasiado complejas para que los humanos las completen por sí solos. Aprendizaje por refuerzo para sistemas de propulsión
En términos de propulsión espacial, el aprendizaje por refuerzo generalmente se divide en dos categorías: aquellos que ayudan en la fase de diseño (cuando los ingenieros definen las necesidades de la misión y las capacidades del sistema) y aquellos que respaldan la operación en tiempo real cuando la nave espacial está en vuelo.
Entre los conceptos de propulsión más exóticos y prometedores se encuentra la propulsión nuclear, que utiliza las mismas fuerzas que impulsan las bombas atómicas y alimentan al Sol: la fisión nuclear y la fusión nuclear.
La fisión funciona dividiendo átomos pesados como el uranio o el plutonio para liberar energía, el principio utilizado en la mayoría de los reactores nucleares terrestres. La fusión, por otro lado, fusiona átomos más ligeros, como el hidrógeno, para producir aún más energía, aunque se necesitan condiciones mucho más extremas para desencadenarla.
La fisión separa los átomos, mientras que la fusión los combina. Sarah Harman / Departamento de Energía de EE. UU.
La fisión es una tecnología más madura que se ha probado en algunos prototipos de propulsión espacial. Incluso se ha utilizado en el espacio en forma de generadores termoeléctricos de radioisótopos, como los que alimentaban las sondas Voyager. Pero la fusión sigue siendo una frontera tentadora.
La propulsión térmica nuclear algún día podría llevar naves espaciales a Marte y más allá a un costo menor que simplemente quemar combustible. Allí, la nave llegaría más rápido que la propulsión eléctrica, que utiliza un gas calentado hecho de partículas cargadas llamado plasma.
A diferencia de estos sistemas, la propulsión nuclear se basa en el calor generado por reacciones atómicas. Ese calor se transfiere al propulsor, generalmente hidrógeno, que se expande y sale a través de una boquilla para producir empuje e impulsar la aeronave hacia adelante.
Entonces, ¿cómo puede el aprendizaje por refuerzo ayudar a los ingenieros a desarrollar y gestionar estas poderosas tecnologías? Empecemos por el diseño.
La fuente de calor nuclear del rover Curiosity de Marte, parte del generador termoeléctrico de radioisótopos, está encerrada en una carcasa de grafito. El combustible brilla al rojo vivo debido a la desintegración radiactiva del plutonio-238. Laboratorio Nacional de Idaho, CC BI El papel del aprendizaje por refuerzo en el diseño
Los primeros diseños de propulsión térmica nuclear de la década de 1960, como los del programa NERVA de la NASA, utilizaban combustible de uranio sólido formado en bloques con forma de prisma. Desde entonces, los ingenieros han explorado configuraciones alternativas, desde capas de guijarros cerámicos hasta anillos ranurados con canales intrincados.
El primer cohete nuclear térmico se construyó en 1967 y se puede ver al fondo. En primer plano está la carcasa protectora que sostendría el reactor. NASA/Wikipedia
¿Por qué hubo tanta experimentación? Porque cuanto más eficientemente pueda el reactor transferir calor del combustible al hidrógeno, más empuje creará.
El aprendizaje por refuerzo ha demostrado ser esencial en esta área. Optimizar la geometría y el flujo de calor entre el combustible y el propulsor es un problema complejo que involucra una gran variedad de variables, desde las propiedades del material hasta la cantidad de hidrógeno que fluye a través del reactor en un momento dado. El aprendizaje por refuerzo puede analizar estas variaciones de diseño e identificar configuraciones que maximicen la transferencia de calor. Piense en ello como un termostato inteligente, pero para un motor de cohete, uno al que definitivamente no querrá acercarse demasiado, dadas las temperaturas extremas que implica.
Aprendizaje por refuerzo y tecnología de fusión.
El aprendizaje por refuerzo también desempeña un papel clave en el desarrollo de la tecnología de fusión nuclear. Los experimentos a gran escala, como el tokamak JT-60SA en Japón, están superando los límites de la energía de fusión, pero su enorme tamaño los hace poco prácticos para los vuelos espaciales. Por este motivo, los investigadores están investigando diseños compactos como los polipozos. Estos exóticos dispositivos parecen cubos huecos, de unos pocos centímetros de diámetro, y confinan el plasma en campos magnéticos para crear las condiciones necesarias para la fusión.
Controlar los campos magnéticos dentro de un polybun no es tarea fácil. Los campos magnéticos deben ser lo suficientemente fuertes como para mantener los átomos de hidrógeno rebotando hasta que se fusionen, un proceso que requiere una enorme energía para comenzar pero que puede volverse autosostenible una vez en marcha. Superar este desafío es necesario para escalar esta tecnología de propulsión térmica nuclear.
Aprendizaje por refuerzo y generación de energía.
Sin embargo, el papel del aprendizaje por refuerzo no termina con el diseño. Puede ayudar a gestionar el consumo de combustible, una tarea crítica para las misiones que debe ajustarse sobre la marcha. En la industria espacial actual, existe un interés creciente en las naves espaciales que pueden desempeñar diferentes funciones según las necesidades de la misión y cómo se adaptan a las prioridades cambiantes con el tiempo.
Las aplicaciones militares, por ejemplo, deben responder rápidamente a escenarios geopolíticos cambiantes. Un ejemplo de tecnología adaptada a los rápidos cambios es el satélite LM400 de Lockheed Martin, que cuenta con diversas capacidades como alerta de misiles o teledetección.
Pero esta flexibilidad introduce incertidumbre. ¿Cuánto combustible requerirá la misión? ¿Y cuándo será necesario? El aprendizaje por refuerzo puede ayudar con estos cálculos.
Desde bicicletas hasta cohetes, el aprendizaje a través de la experiencia (ya sea humana o mecánica) está dando forma al futuro de la exploración espacial. A medida que los científicos superan los límites de la propulsión y la inteligencia, la inteligencia artificial desempeña un papel cada vez más importante en los viajes espaciales. Puede ayudar a los científicos a explorar dentro y fuera de nuestro sistema solar y abrir las compuertas a nuevos descubrimientos.
.webp)
0 Comentarios