Este artículo fue publicado originalmente en The Conversation. La publicación contribuyó con el artículo a Expert Voices: Op-Ed & Insights de Space.com.
Cada año, empresas y agencias espaciales lanzan cientos de cohetes al espacio, y ese número aumentará drásticamente 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.
te puede gustar
Aprendizaje automático y aprendizaje por refuerzo.
El aprendizaje automático es una rama de la IA que identifica patrones en datos en los que no ha sido entrenada explícitamente. Es un campo vasto con ramas propias, con muchas aplicaciones. Cada rama emula la inteligencia de diferentes maneras: reconociendo patrones, analizando y generando lenguaje o aprendiendo de la experiencia. Este último subconjunto en particular, comúnmente conocido como aprendizaje por refuerzo, enseña a las máquinas a realizar sus tareas calificando su desempeño, lo que les permite mejorar continuamente a través de la experiencia.
Como ejemplo sencillo, imaginemos a un jugador de ajedrez. El jugador no calcula cada movimiento, sino que reconoce patrones al jugar miles de partidos. El aprendizaje por refuerzo crea una experiencia intuitiva similar en máquinas y sistemas, pero a una velocidad y escala computacional imposibles para los humanos. Aprende a través de experiencias e iteraciones observando su entorno. Estas observaciones permiten a la máquina interpretar correctamente cada resultado y desplegar las mejores estrategias para que el sistema alcance 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 dirige a cualquier lugar del espacio, y lo hace optimizando la propulsión necesaria para enviar la nave allí. También puede potencialmente diseñar mejores sistemas de propulsión, desde seleccionar los mejores materiales hasta crear configuraciones que transfieran calor entre las partes del motor de manera más eficiente.
Mirar
Aprendizaje por refuerzo para sistemas de propulsión.
En lo que respecta a la propulsión espacial, el aprendizaje por refuerzo generalmente se divide en dos categorías: aquellos que ayudan durante 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 una vez que la nave espacial está en vuelo.
Entre los conceptos de propulsión más exóticos y prometedores se encuentra la propulsión nuclear, que aprovecha las mismas fuerzas que impulsan las bombas atómicas y alimentan el sol: la fisión nuclear y la fusión nuclear.
La fisión funciona dividiendo átomos pesados como el uranio o el plutonio para liberar energía, un 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 requiere condiciones mucho más extremas para iniciarse.
te puede gustar
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 el de simplemente quemar combustible. Llevaría una nave allí 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 a partir de reacciones atómicas. Ese calor se transfiere a un propulsor, típicamente hidrógeno, que se expande y sale a través de una boquilla para producir empuje y disparar la nave hacia adelante.
Entonces, ¿cómo puede el aprendizaje por refuerzo ayudar a los ingenieros a desarrollar y operar estas poderosas tecnologías? Comencemos con el diseño.
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 moldeado en bloques con forma de prisma. Desde entonces, los ingenieros han explorado configuraciones alternativas, desde lechos de guijarros cerámicos hasta anillos ranurados con canales intrincados.
¿Por qué ha habido tanta experimentación? Porque cuanto más eficientemente un reactor pueda transferir calor del combustible al hidrógeno, más empuje generará.
En este ámbito es donde el aprendizaje por refuerzo ha demostrado ser esencial. Optimizar la geometría y el flujo de calor entre el combustible y el propulsor es un problema complejo que involucra innumerables 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. Imagínelo 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. 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 eso los investigadores están explorando diseños compactos como los polipozos. Estos dispositivos exóticos parecen cubos huecos, de unos pocos centímetros de ancho, y confinan plasma en campos magnéticos para crear las condiciones necesarias para la fusión.
Controlar los campos magnéticos dentro de un polipozo no es tarea fácil. Los campos magnéticos deben ser lo suficientemente fuertes como para mantener a los átomos de hidrógeno rebotando hasta que se fusionen, un proceso que exige una inmensa 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 deben adaptarse sobre la marcha. En la industria espacial actual, existe un interés creciente en naves espaciales que puedan desempeñar diferentes funciones según las necesidades de la misión y cómo se adaptan a los cambios de prioridad a lo largo del tiempo.
Las aplicaciones militares, por ejemplo, deben responder rápidamente a escenarios geopolíticos cambiantes. Un ejemplo de tecnología adaptada a cambios rápidos es el satélite LM400 de Lockheed Martin, que tiene capacidades variadas como alerta de misiles o detección remota.
Pero esta flexibilidad introduce incertidumbre. ¿Cuánto combustible requerirá una misión? ¿Y cuándo lo necesitará? 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 amplían los límites de la propulsión y la inteligencia, la IA desempeña un papel cada vez más importante en los viajes espaciales. Puede ayudar a los científicos a explorar dentro y más allá de nuestro sistema solar y abrir las puertas a nuevos descubrimientos.