تم نشر هذه المقالة أصلا في المحادثة. ساهم المنشور بالمقال في موقع Space.com أصوات الخبراء: افتتاحية ورؤى.
كل عام والشركات ووكالات الفضاء إطلاق مئات الصواريخ إلى الفضاء – ومن المتوقع أن ينمو هذا العدد بشكل كبير مع البعثات الطموحة إلى القمر والمريخ وما وراءهما. لكن هذه الأحلام تتوقف على تحدٍ واحد بالغ الأهمية: الدفع – الأساليب المستخدمة لدفع الصواريخ والمركبات الفضائية إلى الأمام.
التعلم الآلي والتعلم المعزز
التعلم الآلي هو أحد فروع الذكاء الاصطناعي الذي يحدد الأنماط في البيانات التي لم يتم تدريبه عليها بشكل صريح. إنه مجال واسع مع فروعها الخاصة، مع الكثير من التطبيقات. يحاكي كل فرع الذكاء بطرق مختلفة: من خلال التعرف على الأنماط، أو التحليل وتوليد اللغة، أو التعلم من التجربة. هذه المجموعة الفرعية الأخيرة على وجه الخصوص، والمعروفة باسم التعلم المعززيقوم بتعليم الآلات أداء مهامها من خلال تقييم أدائها، مما يمكنها من التحسين المستمر من خلال الخبرة.
كمثال بسيط، تخيل لاعب شطرنج. لا يحسب اللاعب كل حركة، بل يتعرف على الأنماط من لعب ألف مباراة. ويخلق التعلم المعزز خبرات بديهية مماثلة في الآلات والأنظمة، ولكن بسرعة حسابية وعلى نطاق مستحيل بالنسبة للبشر. ويتعلم من خلال التجارب والتكرارات من خلال مراقبة بيئته. تسمح هذه الملاحظات للآلة بتفسير كل نتيجة بشكل صحيح ونشر أفضل الاستراتيجيات للنظام للوصول إلى هدفه.
يمكن للتعلم المعزز أن يحسن فهم الإنسان للأنظمة المعقدة للغاية – تلك التي تتحدى حدود الحدس البشري. يمكن أن يساعد في تحديد أكثر مسار فعال للمركبة الفضائية تتجه إلى أي مكان في الفضاء، وتقوم بذلك عن طريق تحسين الدفع اللازم لإرسال المركبة إلى هناك. ويمكن أيضا أن يحتمل تصميم أنظمة دفع أفضلبدءًا من اختيار أفضل المواد وحتى التوصل إلى تكوينات تنقل الحرارة بين أجزاء المحرك بكفاءة أكبر.
شاهد
تعزيز التعلم لأنظمة الدفع
فيما يتعلق بالدفع الفضائي، ينقسم التعلم المعزز عمومًا إلى فئتين: تلك التي تساعد أثناء مرحلة التصميم – عندما يحدد المهندسون احتياجات المهمة وقدرات النظام – وتلك التي تدعم عملية في الوقت الحقيقي بمجرد تحليق المركبة الفضائية.
من بين مفاهيم الدفع الأكثر غرابة والواعدة الدفع النووي، والتي تسخر نفس القوى التي تشغل القنابل الذرية وتغذي الشمس: الانشطار النووي والاندماج النووي.
يعمل الانشطار عن طريق تقسيم الذرات الثقيلة مثل اليورانيوم أو البلوتونيوم لإطلاق الطاقة – وهو مبدأ يستخدم في معظم المفاعلات النووية الأرضية. الانصهار ، من ناحية أخرى ، يدمج الذرات الأخف وزنا مثل الهيدروجين لإنتاج المزيد من الطاقة، على الرغم من أنها تتطلب ظروفًا أكثر تطرفًا للبدء.
الانشطار هو تقنية أكثر نضجًا تم اختبارها في بعض النماذج الأولية للدفع الفضائي. حتى أنه تم استخدامه في الفضاء على شكل المولدات الحرارية النظائر المشعة، مثل تلك تعمل على تشغيل مجسات فوييجر. لكن الاندماج يظل بمثابة حدود محيرة.
الدفع الحراري النووي يمكن في يوم من الأيام أن تأخذ مركبة فضائية إلى المريخ وما بعده بتكلفة أقل من مجرد حرق الوقود. سوف تحصل على مركبة هناك بشكل أسرع من الدفع الكهربائي، والذي يستخدم غازًا ساخنًا مصنوعًا من جزيئات مشحونة تسمى البلازما.
وخلافا لهذه الأنظمة، يعتمد الدفع النووي على الحرارة المتولدة من التفاعلات الذرية. يتم نقل هذه الحرارة إلى مادة دافعة، عادة ما تكون الهيدروجين، والتي تتوسع وتخرج من خلال فوهة لإنتاج قوة الدفع ودفع المركبة للأمام.
إذًا كيف يمكن للتعلم المعزز أن يساعد المهندسين على تطوير وتشغيل هذه التقنيات القوية؟ لنبدأ بالتصميم.
دور التعلم المعزز في التصميم
تصميمات الدفع الحراري النووي المبكرة من الستينيات، مثل تلك الموجودة في وكالة ناسا برنامج نيرفا، يستخدم وقود اليورانيوم الصلب المصبوب في كتل على شكل منشور. ومنذ ذلك الحين، اكتشف المهندسون تكوينات بديلة – من طبقات من الحصى الخزفية إلى حلقات محززة بقنوات معقدة.
لماذا كان هناك الكثير من التجارب؟ لأنه كلما زادت كفاءة المفاعل في نقل الحرارة من الوقود إلى الهيدروجين، زاد الدفع الذي يولده.
هذا المجال هو المكان الذي أثبت فيه التعلم المعزز أهميته. يعد تحسين الشكل الهندسي وتدفق الحرارة بين الوقود والوقود مشكلة معقدة، وتتضمن متغيرات لا حصر لها – بدءًا من خصائص المواد وحتى كمية الهيدروجين التي تتدفق عبر المفاعل في أي لحظة. يمكن للتعلم المعزز تحليل اختلافات التصميم هذه وتحديد التكوينات التي تحقق الحد الأقصى نقل الحرارة. تخيل أنه منظم حرارة ذكي ولكن بالنسبة لمحرك صاروخي – محرك لا ترغب بالتأكيد في الوقوف بالقرب منه، نظرًا لدرجات الحرارة القصوى التي ينطوي عليها الأمر.
تعزيز التعلم وتكنولوجيا الانصهار
يلعب التعلم المعزز أيضًا دورًا رئيسيًا في تطوير تكنولوجيا الاندماج النووي. تجارب واسعة النطاق مثل JT-60SA توكاماك في اليابان، تتجاوز طاقة الاندماج الحدود القصوى، لكن حجمها الهائل يجعلها غير عملية لرحلات الفضاء. لهذا السبب يستكشف الباحثون التصاميم المدمجة مثل polywells. تبدو هذه الأجهزة الغريبة مثل مكعبات مجوفة، يبلغ عرضها بضع بوصات تقريبًا، وهي تحصر البلازما في المجالات المغناطيسية لتهيئة الظروف اللازمة للاندماج.
السيطرة على المجالات المغناطيسية داخل بوليويل ليس بالأمر الهين. يجب أن تكون المجالات المغناطيسية قوية بما يكفي للحفاظ على ذرات الهيدروجين ترتد حتى تندمج، وهي عملية تتطلب طاقة هائلة للبدء، ولكنها يمكن أن تصبح مستدامة ذاتيًا بمجرد حدوثها. يعد التغلب على هذا التحدي ضروريًا لتوسيع نطاق هذه التكنولوجيا للدفع الحراري النووي.
تعزيز التعلم وتوليد الطاقة
ومع ذلك، فإن دور التعلم المعزز لا ينتهي عند التصميم. يمكن أن يساعد في إدارة استهلاك الوقود – وهي مهمة حاسمة للمهام التي يجب أن تتكيف بسرعة. في صناعة الفضاء اليوم، هناك اهتمام متزايد بالمركبات الفضائية التي يمكن أن تخدم أدوارًا مختلفة اعتمادًا على احتياجات المهمة وكيفية تكيفها مع التغييرات ذات الأولوية عبر الزمن.
فالتطبيقات العسكرية، على سبيل المثال، يجب أن تستجيب بسرعة للسيناريوهات الجيوسياسية المتغيرة. مثال على التكنولوجيا التي تتكيف مع التغيرات السريعة هو لوكهيد مارتن LM400 القمر الصناعي، الذي يتمتع بقدرات متنوعة مثل الإنذار الصاروخي أو الاستشعار عن بعد.
لكن هذه المرونة تثير حالة من عدم اليقين. ما هي كمية الوقود التي ستحتاجها المهمة؟ ومتى سيحتاجها؟ يمكن أن يساعد التعلم المعزز في هذه الحسابات.
ومن الدراجات إلى الصواريخ، فإن التعلم من خلال الخبرة – سواء كانت بشرية أو آلية – يشكل مستقبل استكشاف الفضاء. بينما يدفع العلماء حدود الدفع والذكاء، يلعب الذكاء الاصطناعي دورًا متزايدًا في السفر إلى الفضاء. وقد يساعد العلماء على الاستكشاف داخل وخارج نظامنا الشمسي ويفتح الأبواب أمام اكتشافات جديدة.
التعليقات