گامی به سوی ساخت موشک با کمک هوش مصنوعی
یادگیری از طریق تجربه چه انسانی و چه ماشینی آینده اکتشافات فضایی را شکل میدهد و سالانه شرکتها و سازمانهای فضایی صدها موشک را به فضا پرتاب میکنند و با ماموریتهای بلندپروازانه به ماه، مریخ و فراتر از آن، این تعداد قرار است بهشدت افزایش پیدا کند. اما این رؤیاها بر یک چالش حیاتی تکیه دارند: پیشرانش که روشهایی هستند که برای راندن موشکها و فضاپیماها به جلو استفاده میشوند. چالشی که برای غلبه به آن میتوان به هوش مصنوعی روی آورد.
برای اینکه سفرهای میانسیارهای سریعتر، ایمنتر و کارآمدتر شوند، دانشمندان به پیشرفتهای تازه در فناوری پیشرانش نیاز دارند. هوش مصنوعی یکی از فناوریهایی است که شروع به فراهم کردن بخشی از این پیشرفتهای ضروری کرده است.
به نقل از اسپیس، گروهی از مهندسان و دانشجویان تحصیلات تکمیلی بررسی میکنند که چگونه هوش مصنوعی بهطور کلی و همچنین زیرمجموعهای از آن به نام یادگیری ماشینی بهطور خاص میتواند پیشرانش فضاپیماها را متحول کند. هوش مصنوعی از بهینهسازی موتورهای گرمایی هستهای گرفته تا مدیریت محصورسازی پیچیده پلاسما در سامانههای همجوشی، در حال بازطراحی پیشرانش و نحوه کار آن است. این فناوری با سرعت زیادی در حال تبدیل شدن به یک شریک ضروری در سفر بشر به ستارگان است.
یادگیری ماشینی و یادگیری تقویتی
یادگیری ماشینی شاخهای از هوش مصنوعی است که الگوهایی را در دادههایی تشخیص میدهد که بهطور مستقیم برای آن آموزش داده نشدهاند. این حوزه بسیار گستردهای است با شاخههای مختلف و کاربردهای فراوان. هر شاخه نوعی از هوشمندی را به شکلی متفاوت شبیهسازی میکند: از طریق تشخیص الگوها، پردازش و تولید زبان یا یادگیری از طریق تجربه.
این زیرمجموعه آخر که بیشتر با نام «یادگیری تقویتی» شناخته میشود، ماشینها را با ارزیابی عملکردشان آموزش میدهد، بهطوریکه به آنها اجازه میدهد با تجربه مداوم بهتر و بهتر شوند.
به یک مثال ساده فکر کنید: یک شطرنجباز. شطرنجباز هر حرکت را محاسبه نمیکند، بلکه الگوهایی را از بازی در هزاران مسابقه تشخیص میدهد.
یادگیری تقویتی مهارت شهودی مشابهی را در ماشینها و سیستمها ایجاد میکند، اما با سرعت و مقیاسی که برای انسان غیرممکن است. این روش از طریق تجربهها و تکرارهای پیدرپی و با مشاهده محیط خود، یاد میگیرد. این مشاهدات به ماشین اجازه میدهد که نتیجه هر اقدام را درست تفسیر کند و بهترین استراتژیها را برای رسیدن سیستم به هدفش به کار ببرد.
یادگیری تقویتی میتواند به انسان کمک کند تا سامانههای فوقالعاده پیچیدهای را بهتر بفهمد. سامانههایی که فراتر از حد شهود انسان عمل میکنند. این روش میتواند کارآمدترین مسیر حرکت یک فضاپیما را در سفر به هر نقطه از فضا تعیین کند و با این کار، پیشرانشی را که لازم است تا فضاپیما را به مقصد برساند، بهینه کند. همچنین میتواند سامانههای پیشرانشی بهتری طراحی کند؛ از انتخاب بهترین مواد گرفته تا یافتن پیکربندیهایی که حرارت را بین اجزای موتور کارآمدتر منتقل میکنند.
یادگیری تقویتی برای سامانههای پیشرانش
در زمینه پیشرانش فضایی، یادگیری تقویتی بهطور کلی به دو گروه تقسیم میشود: آنهایی که در مرحله طراحی کمک میکنند یعنی زمانی که مهندسان نیازهای مأموریت و قابلیتهای سامانه را تعریف میکنند و آنهایی که در زمان عملیات واقعی و هنگام پرواز فضاپیما نقش دارند. در میان مفاهیم پیشرانشی عجیب و امیدوارکننده، پیشرانش هستهای قابل توجه است؛ فناوریای که از همان نیروهایی استفاده میکند که بمبهای اتمی را تأمین انرژی میکنند و خورشید را روشن نگه میدارند: شکافت و همجوشی هستهای. شکافت از طریق شکستن اتمهای سنگینی مانند اورانیوم یا پلوتونیوم انرژی آزاد میکند که اصلی است که در بیشتر رآکتورهای هستهای زمینی استفاده میشود.
اما در مقابل، همجوشی اتمهای سبکتر مانند هیدروژن را به هم ادغام میکند تا انرژی بسیار بیشتری تولید شود، هرچند برای آغازش به شرایط بسیار شدیدتری نیاز است.
شکافت فناوری پختهتری است و حتی در برخی نمونههای پیشرانش فضایی آزمایش شده است. همچنین در فضا در قالب تولیدکنندههای ترموالکتریک رادیوایزوتوپ مانند آنهایی که کاوشگرهای وویجر را تأمین انرژی میکردند، استفاده شده است. اما همجوشی همچنان افقی وسوسهانگیز باقی مانده است.
پیشرانش گرمایی هستهای میتواند روزی فضاپیماها را با هزینهای کمتر به مریخ و فراتر از آن ببرد. همچنین میتواند آنها را سریعتر از پیشرانش الکتریکی که از گاز داغ و عنصر بارداری به نام پلاسما استفاده میکند، به مقصد برساند.
برخلاف این سامانهها، پیشرانش هستهای به گرمای تولید شده از واکنشهای اتمی تکیه دارد. این گرما به یک پیشرانه که معمولا هیدروژن است، منتقل میشود که منبسط شده و از طریق نازل خارج میشود تا رانش تولید کند و فضاپیما را به جلو ببرد.
منبع ایسنا
دیدگاهتان را بنویسید