Somos uma equipe de engenheiros e estudantes de pós-graduação que estudam como a IA em geral, e um subconjunto deIA chamado de aprendizado de máquina em particular, pode transformar a propulsão de espaçonaves. Da otimização de motores térmicos nucleares ao gerenciamento do complexo confinamento de plasma em sistemas de fusão, a IA está redefinindo o projeto e a operação da propulsão. Rapidamente se torna um parceiro essencial na conquista das estrelas.
Aprendizado de máquina e aprendizado por reforço
O aprendizado de máquina é um ramo da IA que identifica padrões em dados para os quais não foi explicitamente treinado. É um campo enorme, com filiais próprias e muitas aplicações. Cada ramo de aprendizagem imita ointeligência de diferentes maneiras: reconhecendo padrões, analisando e gerando linguagem ou aprendendo com a experiência. Este último subconjunto, em particular, comumente referido como aprendizagem por reforço, ensina as máquinas a realizar suas tarefas avaliando seu desempenho, permitindo-lhes melhorar continuamente através da experiência.
Tomemos o exemplo de um jogador de xadrez. Este último não calcula todos os movimentos, mas reconhece padrões ao jogar milhares de jogos. A aprendizagem por reforço cria conhecimentos intuitivos semelhantes em máquinas e sistemas, mas a uma velocidade e escala computacional impossíveis para os humanos. Ele aprende por meio da experiência e da iteração, observando seu ambiente. Essas observações permitem que a máquina interprete corretamente cada resultado e implante as melhores estratégias para que o sistema atinja seu objetivo.
A aprendizagem por reforço pode melhorar a compreensão humana de sistemas altamente complexos – aqueles que testam os limites da intuição humana. Pode ajudar a determinar a trajetória mais eficiente para uma nave espacial que se dirige para qualquer lugar do espaço, otimizando a propulsão necessária para chegar lá. Também pode ajudar a projetar melhores sistemas de propulsão, desde a seleção dos materiais mais eficientes até o desenvolvimento de configurações que otimizem a transferência de calor entre os componentes do motor.
A aprendizagem por reforço é particularmente útil quando queremos treinar IAs para aprender habilidades que não dominamos totalmente. Ao contrário de algumas técnicas discutidas até agora, a aprendizagem por reforço geralmente se concentra em como uma IA executa uma tarefa DEPOIS de completá-la. E quando uma IA conclui esta tarefa, determinar quando e como recompensá-la (chamada atribuição de créditos) é um dos aspectos mais complexos da aprendizagem por reforço. © Crash Course AI é produzido em associação com PBS Digital Studios
Aprendizagem por reforço para sistemas de propulsão
Em matéria propulsão espacial, o aprendizado por reforço geralmente se enquadra em duas categorias: técnicas que apoiam o projeto – quando os engenheiros definem as necessidades da missão e as capacidades do sistema – e aquelas que apoiam a operação em tempo real quando a espaçonave está em vôo.
Entre os conceitos de propulsão mais promissores e originais está a propulsão nuclear, que utiliza as mesmas forças que alimentam as bombas atômicas e Sol : fissão e fusão nuclear.
A fissão envolve a divisão de átomos pesados comourânio ou o plutônio para liberarenergia – um princípio utilizado na maioria dos reatores nucleares terrestres. A fusão, por outro lado, funde átomos mais leves como o hidrogénio para produzir ainda mais energia, mas requer condições muito mais extremas para ser desencadeada.
Uma apresentação da propulsão térmica nuclear. Para obter uma tradução francesa bastante precisa, clique no retângulo branco no canto inferior direito. As legendas em inglês devem aparecer. Em seguida, clique na porca à direita do retângulo, depois em “Legendas” e por fim em “Traduzir automaticamente”. Escolha “Francês”. © CoconutScienceLab, NASA
Lá fissão é uma tecnologia mais madura que foi testada em alguns protótipos de propulsão espacial. Foi até utilizado no espaço na forma de geradores termoelétricos de radioisótopos, como os que alimentaram as sondas Voyager. Mas a fusão continua a ser uma fronteira fascinante.
A propulsão térmica nuclear poderá um dia permitir que naves espaciais cheguem a Marte e além, a um custo menor do que o simples combustão de combustível. Permitiria alcançar este objectivo mais rapidamente do que a propulsão eléctrica, que utiliza um gás aquecido composto por partículas carregadas chamadas plasma.
Ao contrário destes sistemas, a propulsão nuclear depende do calor gerado pelas reações atômicas. Este calor é transferido para um propulsorgeralmente dehidrogênioque relaxa e é expelido por um bocal para produzir impulso e impulsionar a máquina.
Então, como o aprendizado por reforço pode ajudar os engenheiros a desenvolver e explorar essas tecnologias poderosas? Vamos começar com o design.
A fonte de calor nuclear do rover Curiosity em Marte, parte de um gerador termoelétrico de radioisótopos, está envolta em um envelope de grafite. O combustível torna-se incandescente devido ao decaimento radioativo do plutônio-238. © Laboratório Nacional de Idaho
O papel da aprendizagem por reforço no design
Os primeiros protótipos de propulsão térmica nuclear da década de 1960, como os do programa Nerva (Motor Nuclear para Aplicação em Veículos Foguetes) do NASAusado combustível urânio sólido moldados em blocos prismáticos. Desde então, os engenheiros exploraram diferentes configurações, leitos de contas de cerâmica com anéis ranhurados com canais complexos.
Por que tantos experimentos? Porque quanto mais eficientemente um reator transfere calor do combustível para o hidrogênio, maior será seu empuxo.
É aqui que o aprendizado por reforço se mostra essencial. Otimizar a geometria e o fluxo de calor entre o combustível e o propelente é um problema complexo, que envolve inúmeras variáveis: desde as propriedades do material até a quantidade de hidrogênio que circula no reator a qualquer momento. A aprendizagem por reforço ajuda a analisar essas variações de projeto e identificar configurações que maximizam a transferência de calor. Imagine um termostato inteligente, mas para um motor foguete : é melhor não chegar muito perto, dadas as temperaturas extremas.
Apresentação do programa Nerva no final da década de 1960. Para obter uma tradução francesa bastante fiel, clique no retângulo branco no canto inferior direito. As legendas em inglês devem aparecer. Em seguida, clique na porca à direita do retângulo, depois em “Legendas” e por fim em “Traduzir automaticamente”. Escolha “Francês”. © Domínio público
Aprendizagem por reforço e tecnologia de fusão
A aprendizagem por reforço também desempenha um papel fundamental no desenvolvimento da tecnologia de fusão nuclear. Experimentos em grande escala, como o tokamak JT-60SA no Japão, estão ampliando os limites da energia de fusão, mas seu tamanho imponente os torna incompatíveis com voos espaciais. É por isso que os pesquisadores estão explorando projetos compactos, como os polywells. Esses dispositivos originais parecem cubos ocos com alguns centímetros de diâmetro e confinam o plasma em campos magnéticos a fim de criar as condições necessárias para a fusão.
Controlar campos magnéticos dentro de um polywell é um verdadeiro desafio. Esses campos devem ser fortes o suficiente para manter a átomos hidrogênio em movimento até que se aglutinem – um processo que requer uma energia considerável para ser iniciado, mas que pode tornar-se autossustentável uma vez iniciado. Enfrentar este desafio é essencial para adaptar esta tecnologia à propulsão nuclear térmica.
Ilustração de um habitat de trânsito marciano e um sistema de propulsão nuclear que um dia poderá permitir que astronautas viajem para Marte. © NASA
Aprendizagem por reforço e produção de energia
No entanto, o papel da aprendizagem por reforço não se limita ao design. Pode ajudar a gerir o consumo de combustível – uma tarefa crucial para missões que devem se adaptar em tempo real. Na indústria espacial atual, há um interesse crescente em naves espaciais capazes de desempenhar diferentes funções, dependendo das necessidades da missão e da sua capacidade de adaptação às novas prioridades.
As aplicações militares, por exemplo, devem reagir rapidamente às mudanças nos contextos geopolíticos. O satélite LM400 da Lockheed Martin, equipado com diversas capacidades, como alerta antimísseis e sensoriamento remoto, ilustra perfeitamente a adaptação das tecnologias aos rápidos desenvolvimentos.
No entanto, esta flexibilidade cria um elemento de incerteza. Quanto combustível uma missão exigirá? E quando? O aprendizado por reforço pode facilitar esses cálculos.
Das bicicletas aos foguetões, a aprendizagem experiencial – seja humana ou artificial – está a moldar o futuro da exploração espacial. À medida que os cientistas ultrapassam os limites da propulsão e da inteligência artificial (IA), esta última desempenha um papel cada vez maior nas viagens espaciais. Poderia permitir que os cientistas explorassem o nosso Sistema solar e além, abrindo caminho para novas descobertas.