Kapløbet mod Mars accelererer – men den egentlige revolution foregår ikke i rakethangarerne. Den finder sted i AI-algoritmer.
Hundredvis af opsendelser om året, ambitiøse måne- og Mars-missioner, planer om at rejse længere ud i rummet end nogensinde før – og alligevel støder det hele på det samme hårde problem: fremdrift. Hvordan får man rumfartøjer til at flyve hurtigere, længere og billigere uden at sætte besætninger og milliardbudgetter på spil? Det bliver stadig tydeligere, at uden kunstig intelligens kan det spring simpelthen mislykkes.
Fremdrift er det svageste led i de kosmiske ambitioner
Nutidens raketter bygger i høj grad stadig på teknologi fra Apollo-æraen. Kemisk forbrænding er gennemprøvet, men har klare begrænsninger: det kræver enorme mængder brændstof, genererer kolossale omkostninger og leverer ikke høj nok hastighed til virkelig lange rejser – for eksempel ud over Mars' bane.
Rumfartsagenturer og private virksomheder arbejder derfor på mere avancerede koncepter: elektrisk fremdrift, plasmadrev og frem for alt nuklear fremdrift – baseret på både fission og potentielt fusion. Problemet? Disse systemer er ekstremt komplicerede, og antallet af mulige motor- og reaktorkonfigurationer løber op i hundredtusindvis. Det er her, AI træder ind.
Kunstig intelligens begynder at fungere som meddesigner og medpilot: fra fastlæggelse af reaktorgeometri til beslutningen om præcis, hvornår de sidste kilo brændstof skal forbruges.
Sådan fungerer maskinlæring i rummet
Maskinlæring er det område inden for AI, hvor et system selvstændigt drager konklusioner fra data. I stedet for manuelt at programmere hver enkelt adfærd giver ingeniørerne algoritmen inputdata, et mål og spillets regler. Resten finjusterer systemet selv ved at afprøve tusindvis af varianter i et virtuelt miljø.
En af de mest lovende tilgange kaldes forstærkningstræning. Forenklet sagt fungerer det lidt som en skaktræner for begyndere. I stedet for at lære alle mulige partier udenad spiller eleven tusindvis af kampe, modtager feedback efter hver enkelt, og intuitionens styrke vokser med erfaringen. Algoritmen gør præcis det samme – blot med en hastighed og skala, der er fuldstændig uden for menneskelig rækkevidde.
I forbindelse med rummissioner er "spillebrættet" hele flymniljøet: planeternes tyngdekraft, motorparametre, mulige ruter samt brændstof- og tidsbegrænsninger. AI observerer simuleringer, lærer hvilke beslutninger der fører til målet – og forbedrer løbende strategien.
Hvad kan AI konkret optimere
- Flyvebane – valg af den rute, der minimerer brændstofforbruget inden for missionens tidsramme;
- Motorkomponenternes geometri – kanalform, materialplacering og strømningsparametre;
- Fremdriftens driftsplan – hvornår der skal accelereres kraftigt, hvornår forsigtigt, og hvornår der flyves uden fremdrift;
- Masseplaceringen på fartøjet – med henblik på bedre stabilitet og manøvreeffektivitet;
- Brændstofforbrug ved flerstrengs-missioner, der ændrer sig undervejs.
AI i nuklear fremdrifts tjeneste
Af alle nye koncepter vækker nuklear fremdrift mest begejstring. Den udnytter de samme processer, der driver kraftreaktorer og stjerner: fission af tunge atomkerner samt fusion af lettere kerner.
Fission betyder opsplitning af tunge atomer som uran, hvilket frigiver store mængder energi. Vi kender denne teknologi fra jordbaserede reaktorer og fra de radioisotop-varmekilder, der driver sonder som Voyager og Mars-roveren Curiosity.
Fusion er sammensætningen af lette atomkerner – eksempelvis brintisotoper – til tungere kerner. Det frigiver endnu mere energi, men kræver ekstreme temperaturer og tryk. Det er stadig et forskningsområde, men fra et rumfartsperspektiv fristes man af visionen om et drev, der ville gøre det muligt at rejse rundt i solsystemet som i ét stort nabolag.
Hvordan en nuklear raketmotor kunne fungere
I nuklear termisk fremdrift er reaktoren systemets hjerte. Her foregår de nukleare reaktioner, der opvarmer en drivgas – oftest brint. Den opvarmede gas udvider sig voldsomt og udstødes gennem dysen, hvilket skaber fremdrift. Jo bedre varmeoverførslen fra det nukleare brændstof til brinten er, desto højere er effektiviteten.
I 1960'erne testede det amerikanske NERVA-program sådanne motorer med uranbrændstof i blokform. Siden da har konstruktører udtænkt snesevis af mere komplekse geometrier – fra keramiske kugle-"senge" til elementer med finmaskede kanalnetværk. Enhver ændring kan forbedre eller forringe varme- og gasstrømmen.
At designe en raketreaktor er et puslespil med tusindvis af bevægelige dele. AI lærer, hvilken konfiguration giver den højeste gastemperatur uden at kompromittere materialernes sikkerhed.
Forstærkningstræning som motor-"designer"
Traditionelt måtte ingeniørerne udvælge et par lovende varianter og teste dem i simulatorer eller på kostbare prototyper. Forstærkningstræning giver mulighed for at simulere millioner af versioner "på tør bane", inden et eneste fysisk element er fremstillet.
Algoritmen råder over en virtuel reaktormodel og kan blandt andet ændre følgende:
| Parameter | Variationsområde | Optimeringsmål |
|---|---|---|
| Brintstrømningskanalernes form | Hundredvis af geometrier | Maksimal gennemstrømning med ensartet opvarmning |
| Type af nukleart brændstofmateriale | Forskellige legeringer og keramik | Høj driftstemperatur uden skader |
| Gasstrømningshastighed | Ændringer over tid | Balance mellem fremdrift og brændstofforbrug |
For hver kombination modtager systemet en "belønning" – eksempelvis for den højeste termiske effektivitet inden for sikkerhedsgrænserne. Efter tusindvis af iterationer begynder det at pege på konfigurationer, som et menneske måske slet ikke ville have overvejet, fordi de er for komplekse til at udtænke intuitivt.
AI, fusion og plasmakontrol
Endnu vanskeligere er det potentielle fusionsbaserede drev. Nuværende eksperimenter – som de enorme forsknings-tokamakker – egner sig ikke til opsendelse i rummet; de er for store og for tunge. Forskerne arbejder derfor på kompakte løsninger, der kan rummes i et fartøjsmodul.
Én idé er såkaldte polywells: små, hule konstruktioner med et netværk af magnetiske spoler. Inden i dem "fanges" en ekstremt varm, ioniseret gas – plasma. De magnetiske felter skal styres præcist, så plasmaet ikke slipper ud, og temperaturen er høj nok til fusion.
Det er en opgave som skabt til forstærkningstræning. Algoritmen overvåger plasmaets adfærd i realtid og lærer, hvordan magnetfeltets parametre skal justeres. I stedet for stive, én gang fastsatte indstillinger opstår en intelligent styring, der reagerer på de mindste udsving og opretholder systemets stabilitet længere, end et menneske ville være i stand til.
AI som "energiforvalter" om bord
Nuklear fremdrift er ikke blot en motor – det er også en elektrisk energikilde om bord. Reaktoren kan forsyne livsstøttesystemer, kommunikation, videnskabelige instrumenter og elektrisk fremdrift. Derfor skal der konstant træffes beslutninger om, hvor energien skal ledes på et givet tidspunkt.
Her er der ligeledes plads til forstærkningstræning. Systemet lærer at afbalancere effektbehovet mellem fartøjets forskellige moduler, så der ikke opstår mangel i kritiske øjeblikke – for eksempel under kurskorrektioner eller landing på en fremmed himmellegeme.
I fremtidige missioner kan AI styre ikke blot motorens fremdrift, men hele fartøjets "energibudget" og reagere på uventede situationer hurtigere end besætningen.
Brændstofbesparelse i missioner med skiftende planer
Moderne satellitter og sonder har sjældnere end tidligere ét enkelt opgave for hele missionen. Det samme objekt kan starte med observationer, siden skifte bane og om nødvendigt fungere som kommunikationsrelæ eller militær platform.
Den fleksibilitet har en pris: det er svært på forhånd at forudsige, hvornår og hvor meget brændstof der skal bruges. AI kan analysere den aktuelle situation, baneforholdene og missionens prioriteter og forudsige, hvordan motoranvendelsen skal fordeles over måneder eller år. Strategien justeres, når nye opgaver opstår eller fejl opstår.
Praktiske fordele og risici ved AI i rumfremdrift
Brugen af kunstig intelligens i design og drift af rumfremdrift bringer meget konkrete fordele med sig – men også et par forbehold.
- Højere brændstofeffektivitet – lavere startvægt eller længere missionstid;
- Kortere flyvetid – særligt ved nukleare motorer, som AI kan bidrage til at forfine;
- Færre risikable fysiske tests – flere fejl begås og rettes på simuleringsstadiet;
- Automatiske reaktioner på anomalier – mindre afhængighed af den forsinkede kommunikation med Jorden.
Risikoen er til gengæld en for stor tillid til den "sorte boks", som er svær at forklare enkelt. Derfor satser ingeniørteams på såkaldte hybridsystemer: AI foreslår løsninger, men de endelige beslutninger tilhører mennesker, og hvert afgørende skridt undergår verifikation.
Det er også værd at præcisere et par begreber. Plasma er ikke "magisk energi", men en aggregattilstand, hvor gassen er så ophedet, at atomerne falder fra hinanden i kerner og elektroner. En forskningsreaktor er ikke umiddelbart et kraftværk – det er ofte et eksperimentelt apparat, der netop tjener til at afprøve nye fremdrifts- eller energikoncepter. Og forstærkningstræning er ganske enkelt en avanceret form for prøv og fejl – blot udført af en computer med urmagerens præcision.
Hvis vi i de kommende årtier faktisk ser nukleart drevne raketter på vej mod Mars, vil æren ikke alene tilhøre metallurger og kernefysikere. En lige så stor del tilkommer AI-eksperterne, hvis algoritmer allerede i dag tester hundredvis af potentielle motorer – inden nogen overhovedet har tændt den første gnist i dem.
