گامی به طرف ساخت موشک با کمک هوش مصنوعی
جاوید شو: به گزارش جاوید شو، یادگیری بوسیله تجربه چه انسانی و چه ماشینی آینده اکتشافات فضایی را شکل می دهد و سالانه شرکتها و سازمان های فضایی صدها موشک را به فضا پرتاب می کنند و با ماموریت های بلندپروازانه به ماه، مریخ و فراتر از آن، این تعداد مقرر است به شدت افزایش پیدا کند. اما این رؤیاها بر یک چالش حیاتی تکیه دارند: پیشرانش که روش هایی هستند که برای راندن موشک ها و فضاپیماها به جلو استفاده می شوند. چالشی که برای غلبه به آن می توان به هوش مصنوعی روی آورد.
به گزارش جاوید شو به نقل از ایسنا، برای این که سفرهای میان سیاره ای سریع تر، ایمن تر و کارآمدتر شوند، دانشمندان به پیشرفت های تازه در فناوری پیشرانش نیاز دارند. هوش مصنوعی یکی از فناوری هایی است که آغاز به فراهم کردن قسمتی از این پیشرفت های ضروری کرده است.
به نقل از اسپیس، گروهی از مهندسان و دانشجویان تحصیلات تکمیلی بررسی می کنند که چه طور هوش مصنوعی بطور کلی و همینطور زیرمجموعه ای از آن به نام یادگیری ماشینی بطور دقیق تر می تواند پیشرانش فضاپیماها را متحول کند. هوش مصنوعی از بهینه سازی موتورهای گرمایی هسته ای گرفته تا مدیریت محصورسازی پیچیده پلاسما در سامانه های همجوشی، درحال بازطراحی پیشرانش و نحوه کار آنست. این فناوری با سرعت زیادی درحال تبدیل شدن به یک شریک ضروری در مسافرت بشر به ستارگان است.
یادگیری ماشینی و یادگیری تقویتی
یادگیری ماشینی شاخه ای از هوش مصنوعی است که الگوهایی را در داده هایی تشخیص می دهد که به صورت مستقیم برای آن آموزش داده نشده اند. این حوزه خیلی گسترده ای است با شاخه های مختلف و کاربردهای فراوان. هر شاخه نوعی از هوشمندی را به گونه ای متفاوت شبیه سازی می کند: بوسیله تشخیص الگوها، پردازش و تولید زبان یا یادگیری بوسیله تجربه.
این زیرمجموعه آخر که بیشتر با نام «یادگیری تقویتی» شناخته می شود، ماشین ها را با ارزیابی عملکردشان آموزش می دهد، به صورتی که به آنها اجازه می دهد با تجربه مداوم بهتر و بهتر شوند.
به یک مثال ساده فکر کنید: یک شطرنج باز. شطرنج باز هر حرکت را محاسبه نمی کند، بلکه الگوهایی را از بازی در هزاران مسابقه تشخیص می دهد.
یادگیری تقویتی مهارت شهودی مشابهی را در ماشین ها و سیستم ها ایجاد می کند، اما با سرعت و مقیاسی که برای انسان نا ممکن است. این تکنیک بوسیله تجربه ها و تکرارهای پی درپی و با مشاهده محیط خود، یاد می گیرد. این مشاهدات به ماشین اجازه می دهد که نتیجه هر اقدام را درست تفسیر کند و بهترین استراتژی ها را برای رسیدن سیستم به هدفش به کار ببرد.
یادگیری تقویتی می تواند به انسان کمک نماید تا سامانه های فوق العاده پیچیده ای را بهتر بفهمد. سامانه هائی که فراتر از حد شهود انسان عمل می کنند. این تکنیک می تواند کارآمدترین مسیر حرکت یک فضاپیما را در مسافرت به هر نقطه از فضا تعیین کند و با این کار، پیشرانشی را که لازم است تا فضاپیما را به مقصد برساند، بهینه کند. همینطور می تواند سامانه های پیشرانشی بهتری طراحی کند؛ از انتخاب بهترین مواد گرفته تا یافتن پیکربندی هایی که حرارت را بین اجزای موتور کارآمدتر منتقل می کنند.
یادگیری تقویتی برای سامانه های پیشرانش
در زمینه پیشرانش فضایی، یادگیری تقویتی بطور کلی به دو گروه تقسیم می شود: آن هایی که در مرحله طراحی کمک می کنند یعنی زمانیکه مهندسان نیازهای ماموریت و قابلیت های سامانه را تعریف می کنند و آن هایی که در زمان عملیات حقیقی و هنگام پرواز فضاپیما نقش دارند. در بین مفاهیم پیشرانشی عجیب و امیدوارکننده، پیشرانش هسته ای قابل توجه است؛ فناوری ای که از همان نیروهایی استفاده می نماید که بمب های اتمی را تامین انرژی می کنند و خورشید را روشن نگه می دارند: شکافت و همجوشی هسته ای. شکافت بوسیله شکستن اتم های سنگینی مانند اورانیوم یا پلوتونیوم انرژی آزاد می کند که اصلی است که در بیشتر رآکتورهای هسته ای زمینی استفاده می شود.
اما در مقابل، همجوشی اتم های سبک تر مانند هیدروژن را به هم ادغام می کند تا انرژی خیلی بیشتری تولید شود، هرچند برای آغازش به شرایط خیلی شدیدتری نیاز است.
شکافت فناوری پخته تری است و حتی در تعدادی نمونه های پیشرانش فضایی آزمایش شده است. همینطور در فضا در قالب تولیدکننده های ترموالکتریک رادیوایزوتوپ مانند آن هایی که کاوشگرهای وویجر را تامین انرژی می کردند، استفاده شده است. اما همجوشی همچنان افقی وسوسه انگیز باقیمانده است.
پیشرانش گرمایی هسته ای می تواند روزی فضاپیماها را با هزینه ای کمتر به مریخ و فراتر از آن ببرد. همینطور می تواند آنها را سریع تر از پیشرانش الکتریکی که از گاز داغ و عنصر حاملگی به نام پلاسما استفاده می نماید، به مقصد برساند.
بر خلاف این سامانه ها، پیشرانش هسته ای به گرمای ساخته شده از واکنش های اتمی تکیه دارد. این گرما به یک پیشرانه که معمولاً هیدروژن است، منتقل می شود که منبسط شده و بوسیله نازل خارج می شود تا رانش تولید نماید و فضاپیما را به جلو ببرد.
پس یادگیری تقویتی چه طور می تواند به مهندسان کمک نماید تا این فناوری های قدرتمند را توسعه دهند و به کار گیرند؟
نقش یادگیری تقویتی در طراحی
طراحی های اولیه پیشرانش گرمایی هسته ای در دهه ۱۹۶۰ مانند برنامه NERVA ناسا از سوخت اورانیوم جامدی استفاده می کردند که بشکل واحدهایی با شکل منشوری قالب گیری شده بودند. از آن زمان، مهندسان پیکربندی های دیگری را بررسی نموده اند. از بسترهایی از سنگ ریزه های سرامیکی گرفته تا حلقه هایی با شیارها و کانال های پیچیده.
چرا تا این اندازه آزمایش وجود داشته است؟
برای اینکه هرچه یک رآکتور بتواند گرما را کارآمدتر از سوخت به هیدروژن منتقل کند، رانش بیشتری تولید می کند. این همان جایی است که یادگیری تقویتی اهمیت پیدا می کند.
بهینه سازی هندسه و جریان حرارت بین سوخت و پیشرانه یک مساله خیلی پیچیده است که متغیرهای بی شماری دارد. از خواص مواد گرفته تا مقدار هیدروژنی که در هر لحظه از رآکتور عبور می کند. یادگیری تقویتی می تواند این تنوع در طراحی را تحلیل کند و پیکربندی هایی را که انتقال حرارت را به بیشترین مقدار می رسانند، شناسایی کند.
یادگیری تقویتی و فناوری همجوشی
یادگیری تقویتی نقش برجسته ی نیز در توسعه فناوری همجوشی هسته ای بازی می کند. آزمایش های بزرگ مقیاس مانند JT-60SA در ژاپن مرزهای انرژی همجوشی را گسترش می دهند، اما اندازه عظیم آنها موجب می شود برای پرواز فضایی عملی نباشند. به این علت محققان به دنبال طراحی های فشرده تری مثل پلی ول ها (Polywells) هستند.
این دستگاههای عجیب شبیه مکعب های توخالی اند، به اندازه چند سانتی متر هستند و پلاسما را در میدان های مغناطیسی محصور می کنند تا شرایط ضروری جهت همجوشی ایجاد شود.
کنترل میدان های مغناطیسی داخل یک پلی ول کار ساده ای نیست. میدان ها باید آن قدر قوی باشند که اتم های هیدروژن را وادار کنند پیوسته در جهات مختلف برخورد کنند تا عاقبت به هم جوش بخورند و این فرآیندی است که نیازمند انرژی خیلی زیادی برای آغاز است، اما وقتی شروع شود می تواند خودپایدار شود. غلبه بر این چالش برای مقیاس پذیر کردن این فناوری برای پیشرانش گرمایی هسته ای لازم است.
یادگیری تقویتی و مدیریت مصرف انرژی
اما نقش یادگیری تقویتی به طراحی ختم نمی گردد. این تکنیک می تواند به مدیریت مصرف سوخت کمک نماید که یک کار حیاتی برای ماموریت هایی است که باید در لحظه سازگار شوند. در صنعت فضایی امروز، علاقه رو به رشدی به فضاپیماهایی وجود دارد که بسته به نیاز ماموریت می توانند نقش های متفاوتی داشته باشند و با تغییر اولویت ها سازگار شوند. در کاربردهای نظامی، باید به سرعت به سناریوهای ژئوپلیتیکیِ درحال تغییر پاسخ دهند. یکی از مثال های فناوری سازگار با تغییرات سریع، ماهواره LM400 از شرکت لاکهید مارتین است که قابلیت های مختلفی مانند اخطار موشکی یا پایش از راه دور دارد. اما این انعطاف پذیری سبب ایجاد عدم قطعیت می شود. یک ماموریت دقیقاً به چه مقدار سوخت نیاز خواهد داشت؟ و چه زمانی به آن نیاز خواهد داشت؟ یادگیری تقویتی می تواند در انجام این محاسبات کمک نماید. همزمان با تلاش دانشمندان برای توسعه مرزهای پیشرانش و هوشمندی، هوش مصنوعی نقش درحال افزایشی در سفرهای فضایی بازی می کند. این فناوری ممکنست به دانشمندان کمک نماید درون و بیرون منظومه شمسی را کاوش کنند و دروازه هایی را برای کشفیات جدید باز کنند.
این پست جاوید شو را پسندیدید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب