Kapløbet mod Mars accelererer – men den egentlige revolution foregår i algoritmerne
Hundredvis af opsendelser om året, ambitiøse missioner til Månen og Mars, planer om at rejse længere ud i rummet end nogensinde før – alt dette støder mod én hård virkelighed: fremdrift. Hvordan får man raketter og rumfartøjer til at flyve hurtigere, længere og billigere uden at sætte besætninger og milliardbudgetter på spil? Det er i stigende grad tydeligt, at dette spring uden kunstig intelligens ganske enkelt ikke vil lykkes.
Fremdrift er det svageste led i rumfartens ambitioner
Nutidens raketter er i høj grad stadig bygget på teknologi fra Apollo-æraen. Kemisk forbrænding er gennemprøvet, men den har sine begrænsninger: den kræver enorme mængder brændstof, genererer kolossale omkostninger og leverer ikke høje nok hastigheder til virkelig lange rejser – for eksempel ud over Mars' bane.
Rumfartsagenturer og private selskaber 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 komplekse, og antallet af mulige motor- og reaktorkonfigurationer løber op i hundredtusinder. Det er præcis her, AI træder ind.
Kunstig intelligens begynder at fungere som meddesigner og medpilot: fra opsætning af reaktorgeometri til beslutningen om, hvornår de sidste få kilo brændstof præcist skal forbrændes.
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 enhver adfærd giver ingeniørerne algoritmen inputdata, et mål og spilleregler. Resten forfiner systemet på egen hånd ved at afprøve tusindvis af varianter i et virtuelt miljø.
En af de mest lovende tilgange kaldes forstærkningslæring. I sin enkelhed fungerer det lidt som en træner for en amatørskakspiller. I stedet for at lære alle mulige partier udenad spiller spilleren tusindvis af kampe, modtager feedback efter hver enkelt, og intuitionen vokser med øvelsen. Algoritmen gør præcis det samme – blot med en hastighed og en skala, der er fuldstændig uden for menneskelig rækkevidde.
I forbindelse med rummissioner er "brættet" hele flyve miljøet: planeternes tyngdekraft, motorparametre, mulige ruter samt brændstof- og tidsbegrænsninger. AI overvåger simuleringer, lærer hvilke beslutninger der fører til målet – og forbedrer løbende strategien.
Hvad kan AI konkret optimere
- Flyvetrajektorie – valg af den rute, der minimerer brændstofforbruget inden for missionens tidsramme;
- Motorkomponenternes geometri – kanalernes form, materialernes placering, strømningsparametre;
- Fremdriftens driftsplan – hvornår der skal accelereres kraftigt, hvornår blidt, og hvornår der flyves uden fremdrift;
- Masseplaceringen om bord – for at forbedre stabilitet og manøvreeffektivitet;
- Brændstofforbrug i multiopgave-missioner, der ændrer sig undervejs.
AI i nuklear fremdrifts tjeneste
Blandt de nye koncepter vækker nuklear fremdrift mest begejstring. Den udnytter de samme processer, der driver energireaktorer og stjerner: spaltning af tunge atomkerner samt fusion af lettere kerner.
Fission indebærer spaltning af tunge atomer som uran, hvilket frigiver store mængder energi. Denne teknologi kender vi godt fra jordbaserede reaktorer og fra de radioistotopiske varmekilder, der driver sondeerne Voyager og roveren Curiosity på Mars.
Fusion er sammensmeltning af lette kerner – for eksempel hydrogenisotoper – til tungere. Det frigiver endnu mere energi, men kræver ekstreme temperatur- og trykforhold. I dag er det stadig et forskningsområde, men i et rumperspektiv frister visionen om et drev, der ville gøre det muligt at rejse rundt i solsystemet som i ét samlet "kvarter".
Sådan ville en nuklear raketmotor fungere
I nuklear termisk fremdrift er reaktoren hjertepunktet. Der foregår kernereaktioner, som opvarmer en drivmasse – typisk hydrogen. Den opvarmede gas ekspanderer voldsomt og forlader dysen og skaber derved fremdrift. Jo bedre varmeoverførslen fra det nukleare brændstof til hydrogen er, desto højere er effektiviteten.
I 1960'erne testede det amerikanske Nerva-program sådanne motorer med uranbrændstof i blokform. Siden da har konstruktørerne udtænkt snesevis af mere komplekse geometrier – fra "senge" af keramiske kugler til elementer med netværk af fine kanaler. Enhver ændring kan forbedre eller forringe varme- og gasstrømningen.
At designe en raketreaktor er et puslespil med tusindvis af bevægelige dele. AI lærer, hvilken konfiguration giver den højeste gastemperatur og samtidig opretholder materialesikkerheden.
Forstærkningslæring som motor-"designer"
Traditionelt var ingeniørerne nødt til at udvælge nogle få lovende varianter og afprøve dem i simulatorer eller på dyre prototyper. Forstærkningslæring gør det muligt at simulere millioner af versioner "tørt", inden der overhovedet er fremstillet ét fysisk element.
Algoritmen råder over en virtuel reaktormodel og kan ændre eksempelvis følgende:
| Parameter | Variationsomfang | Optimeringsmål |
|---|---|---|
| Hydrogenstrømskanalmers form | Hundredvis af geometrier | Maksimal gennemstrømning med ensartet opvarmning |
| Nukleart brændstofs materiale | Forskellige legeringer og keramik | Høj driftstemperatur uden materialeskader |
| Gasstrømmens hastighed | Ændringer over tid | Balance mellem fremdrift og brændstofforbrug |
For hver kombination modtager systemet en "belønning" – for eksempel for den højeste termiske effektivitet inden for sikkerhedsgrænser. Efter tusindvis af iterationer begynder det at pege på konfigurationer, som et menneske måske slet ikke ville overveje, fordi de er for komplekse til at udtænke fra bunden.
AI, fusion og plasmakontrol
Et endnu vanskeligere problem er den potentielle fusionsbaserede fremdrift. Nutidens eksperimenter – som de enorme forsknings-tokamakker – egner sig ikke til opsendelse i rummet; de er for store og for tunge. Forskere arbejder derfor på kompakte løsninger, der kan rummes i et rumfartøjsmodul.
Én idé er såkaldte polywell-konstruktioner: små, hule enheder med et netværk af magnetiske spoler. Inde i dem "fanges" en ekstremt varm, ioniseret gas – plasma. Magnetfelterne skal styres præcist, så plasmaen ikke slipper ud, og temperaturerne er tilstrækkelige til fusion.
Dette er en ideel opgave for forstærkningslæring. Algoritmen overvåger plasmaens adfærd i realtid og lærer, hvordan magnetfeltets parametre skal justeres. I stedet for stive, en gang fastsatte indstillinger skabes 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 kun en motor – det er også en kilde til elektrisk energi om bord. Reaktoren kan forsyne livsstøttesystemer, kommunikation, videnskabelige instrumenter og elektrisk fremdrift. Der skal derfor løbende træffes beslutninger om, hvor energien skal dirigeres hen på et givet tidspunkt.
Her er der ligeledes plads til forstærkningslæring. Systemet lærer at afbalancere effektbehovet mellem rumfartøjets forskellige moduler, så der ikke opstår mangel i kritiske øjeblikke – for eksempel under kurskorrigering eller landing på en fremmed klode.
I fremtidige missioner kan AI styre ikke blot motorens fremdrift, men hele rumfartøjets "energibudget" og reagere på uventede situationer hurtigere end besætningen.
Brændstofbesparelse i missioner, der konstant ændrer plan
Moderne satellitter og sonder har sjældnere én enkelt opgave for hele missionens varighed. Det samme objekt kan indledningsvis foretage observationer, derefter skifte bane og om nødvendigt fungere som kommunikationsrelæ eller militær platform.
En sådan fleksibilitet har sin pris: det er svært på forhånd at forudsige, hvornår og hvor meget brændstof der skal bruges. AI kan analysere den aktuelle situation, banesituationen og missionens prioriteter og beregne, hvordan motorernes brug fordeles over måneder eller år. Strategien tilpasses, når nye opgaver eller fejl opstår.
Praktiske fordele og risici ved AI i rumfremdrift
Brugen af kunstig intelligens i design og drift af rumfremdrift medfører meget konkrete fordele – men også nogle forbehold.
- Højere brændstofeffektivitet – lavere startvægt eller længere missionsdriftstid;
- Kortere flyvetid – især med nuklearmotorer, som AI hjælper med at forfine;
- Færre risikable fysiske tests – flere fejl begås på simuleringsstadiet;
- Automatiske reaktioner på anomalier – mindre afhængighed af forsinket kommunikation med Jorden.
Risikoen er til gengæld en overdreven tillid til en "sort boks", der er svær at forklare enkelt. Derfor satser ingeniørteams på såkaldte hybridsystemer: AI foreslår løsninger, men de endelige beslutninger tilhører mennesker, og hvert afgørende skridt underkastes verifikation.
Det er også værd at præcisere nogle begreber. Plasma er ikke "magisk energi" – det er en tilstand af stof, hvor gassen er så ophedet, at atomerne spaltes til kerner og elektroner. En forskningsreaktor er ikke nødvendigvis et kraftværk – det er ofte et eksperimentelt apparat, der bruges til at teste nye fremdrifts- eller energiproduktionskoncepter. Og forstærkningslæring er ganske enkelt en avanceret form for forsøg og fejl, blot udført af en computer med urmagerens præcision.
Hvis vi i de kommende årtier faktisk ser raketter med nuklear fremdrift på vej mod Mars, vil det ikke udelukkende skyldes metallurger og atomfysikere. En mindst lige så stor del af æren vil tilhøre AI-eksperterne, hvis algoritmer allerede i dag tester hundredvis af potentielle motorer – lang tid inden nogen tænder den første gnist i dem.
