惑星間航行をより速く、より安全に、より効率的にするために、科学者たちは推進技術のブレークスルーを必要としている。人工知能は、こうした必要不可欠なブレークスルーの一部を提供し始めている技術の一種である。
私たちは、AI全般、特にAIのサブセットである機械学習が宇宙船の推進をどのように変革できるかを研究しているエンジニアと大学院生のチームである。原子力熱推進エンジンの最適化から、核融合システムにおける複雑なプラズマ閉じ込めの管理まで、AIは推進システムの設計と運用を再構築している。AIは、人類が星々への旅路において、急速に不可欠なパートナーとなりつつある。
機械学習と強化学習
機械学習は、明示的に訓練されていないデータのパターンを識別するAIの一分野である。これは広大な分野であり、多くの応用がある。各分野は異なる方法で知能を模倣する。パターンを認識したり、言語を解析・生成したり、経験から学習したりする。この最後のサブセット、一般に強化学習として知られるものは、機械にパフォーマンスを評価させることでタスクを実行させ、経験を通じて継続的に改善できるようにする。
簡単な例として、チェスプレイヤーを想像してほしい。プレイヤーはすべての手を計算するのではなく、千局のプレイから得たパターンを認識する。強化学習は機械やシステムにこれと同様の直感的な専門知識を生み出すが、その計算速度と規模は人間には不可能なレベルである。これは環境を観察することによって、経験と反復を通じて学習する。こうした観察により、機械は各結果を正しく解釈し、システムが目標を達成するための最良の戦略を展開できる。
強化学習は、非常に複雑なシステム、つまり人間の直感の限界に挑戦するようなシステムに対する人間の理解を向上させることができる。これは、宇宙のどこへ向かう宇宙船にとっても最も効率的な軌道を決定するのに役立ち、そこに宇宙船を送るために必要な推進を最適化することでそれを実現する。また、エンジン内の部品間でより効率的に熱を伝達する構成を考案することから、最適な材料を選択することまで、より優れた推進システムを設計する可能性もある。
強化学習では、人間が自分で完了するには複雑すぎるタスクを完了するようにAIモデルを訓練できる。
推進システムのための強化学習
宇宙推進に関して、強化学習は一般的に2つのカテゴリーに分類される。エンジニアがミッションの要求とシステムの能力を定義する設計段階で支援するものと、宇宙船が飛行中のリアルタイム運用をサポートするものである。
最もエキゾチックで有望な推進コンセプトの1つは原子力推進であり、これは原子爆弾を動かし太陽に燃料を供給するのと同じ力、すなわち核分裂と核融合を利用する。
核分裂はウランやプルトニウムなどの重い原子を分裂させてエネルギーを放出することで機能する。これは地上のほとんどの原子炉で使用されている原理である。一方、核融合は水素などの軽い原子を融合させてさらに多くのエネルギーを生成するが、開始するにははるかに極端な条件を必要とする。
核分裂はより成熟した技術であり、いくつかの宇宙推進プロトタイプでテストされている。放射性同位体熱電発電機の形で宇宙でも使用されており、Voyager探査機に動力を供給したものなどがそうである。しかし、核融合は依然として魅力的なフロンティアである。
原子力熱推進は、いつの日か単に燃料を燃やすよりも低コストで宇宙船を火星やその先に運べる可能性がある。これは、プラズマと呼ばれる荷電粒子でできた加熱ガスを使用する電気推進よりも速く宇宙船をそこに到達させるだろう。
これらのシステムとは異なり、原子力推進は原子反応から生成される熱に依存している。その熱は推進剤、通常は水素に伝達され、水素が膨張してノズルから排出されて推力を生み出し、宇宙船を前方に射出する。
では、強化学習はどのようにエンジニアがこれらの強力な技術を開発し運用するのを助けることができるだろうか。まず設計から始めよう。
設計における強化学習の役割
NASAのNERVAプログラムなどの1960年代初期の原子力熱推進設計では、角柱状のブロックに成形された固体ウラン燃料が使用されていた。それ以来、エンジニアたちはセラミック製の小石のベッドから複雑なチャネルを持つ溝付きリングまで、代替構成を探求してきた。
なぜこれほど多くの実験が行われてきたのか。それは、原子炉が燃料から水素への熱伝達をより効率的に行えるほど、より多くの推力を生み出すからである。
この分野こそ、強化学習が不可欠であることが証明された場所である。燃料と推進剤の間の形状と熱流を最適化することは複雑な問題であり、材料特性から任意の瞬間に原子炉を横切る水素の流量まで、無数の変数が関与する。強化学習はこれらの設計バリエーションを分析し、熱伝達を最大化する構成を特定できる。これをスマートサーモスタットに例えることができるが、ロケットエンジン用のものである。関与する極端な温度を考えると、確実にあまり近づきたくないものだ。
強化学習と核融合技術
強化学習は核融合技術の開発においても重要な役割を果たしている。日本のJT-60SAトカマクなどの大規模実験は核融合エネルギーの限界を押し広げているが、その巨大なサイズは宇宙飛行には実用的でない。そのため、研究者たちはポリウェルなどのコンパクトな設計を探求している。これらのエキゾチックなデバイスは、数インチ四方の中空の立方体のように見え、核融合に必要な条件を作り出すために磁場でプラズマを閉じ込める。
ポリウェル内の磁場を制御することは容易なことではない。磁場は、水素原子が融合するまで跳ね回り続けるのに十分な強さでなければならない。このプロセスは開始するのに膨大なエネルギーを必要とするが、いったん始まれば自己持続的になる可能性がある。この課題を克服することは、原子力熱推進のためにこの技術を拡張するために必要である。
強化学習とエネルギー生成
しかし、強化学習の役割は設計で終わらない。燃料消費の管理にも役立つ可能性がある。これは、その場で適応しなければならないミッションにとって重要なタスクである。今日の宇宙産業では、ミッションのニーズに応じてさまざまな役割を果たし、時間の経過とともに優先順位の変化に適応できる宇宙船への関心が高まっている。
例えば、軍事用途は変化する地政学的シナリオに迅速に対応しなければならない。迅速な変化に適応した技術の例としては、ミサイル警報やリモートセンシングなどの多様な能力を持つLockheed MartinのLM400衛星がある。
しかし、この柔軟性は不確実性をもたらす。ミッションにはどれだけの燃料が必要か。そしていつ必要になるのか。強化学習はこれらの計算を支援できる。
自転車からロケットまで、経験を通じた学習は、人間であれ機械であれ、宇宙探査の未来を形作っている。科学者たちが推進と知能の境界を押し広げるにつれて、AIは宇宙旅行においてますます大きな役割を果たしている。それは科学者たちが太陽系内外を探査し、新しい発見への扉を開くのを助ける可能性がある。
