Siga o Olhar Do dedo no Google Discover
Tudo sobre Lucidez Sintético
A corrida atual por missões espaciais mais rápidas e eficientes tem um gargalo: a propulsão. E a perceptibilidade sintético (IA) pode resolvê-lo. Isso porque a tecnologia – principalmente o aprendizagem de máquina (machine learning) – já começou a romper limites técnicos que antes travavam avanços nesta superfície para foguetes e naves interplanetárias.
É o que escreveram os pesquisadores Marcos Fernadez Tous, Preeti Nair, Sai Susmitha Guddanti e Sreejith Vidhyadharan Nair – todos da Universidade de Dakota do Setentrião, nos Estados Unidos – num cláusula publicado no The Conversation recentemente.
Segundo o texto, a IA já otimiza motores, traça trajetórias mais eficientes e ajuda a projetar sistemas complexos que envolvem calor extremo, materiais exóticos e reações atômicas.
Os pesquisadores defendem que, com essa parceria entre engenharia e algoritmos, tecnologias hoje experimentais (uma vez que motores nucleares e até fusão compacta) podem se tornar viáveis no porvir próximo.
Pesquisadores mostram uma vez que IA já transforma design de motores e impulsiona tecnologias nucleares
No prelúdios do cláusula, os autores detalham uma vez que o machine learning – principalmente o aprendizagem por reforço (reinforcement learning) – tem sido aplicado para resolver problemas de engenharia que superam a percepção humana.
Porquê? Segundo os pesquisadores:
- Machine learning: identifica padrões e antecipa comportamentos não programados de maneira explícita;
- Reinforcement learning: funciona uma vez que um jogador de xadrez altamente treinado, evoluindo por meio da experiência acumulada.
Nos sistemas espaciais, isso significa permitir que algoritmos encontrem soluções que humanos não conseguiriam intuitivamente. Entram cá desde trajetórias mais econômicas até ajustes térmicos mais eficientes.
Segundo o grupo, essa capacidade é mormente útil no desenvolvimento de motores nucleares. E isso vale tanto para os de fissão quanto para os de fusão.
A fissão já foi testada em protótipos e alimenta geradores de sondas uma vez que as Voyager. A fusão ainda está distante, mas oferece densidade energética muito maior.
Os autores ressaltam que, em qualquer desses motores, a eficiência depende de uma variável importantíssima: uma vez que transferir calor do núcleo para o hidrogênio que será expelido. Quanto melhor a transferência, maior o empuxo.
É nesse ponto que o reinforcement learning se torna decisivo. Os autores afirmam que ele consegue simular milhares de geometrias e fluxos diferentes. Assim, encontra configurações mais eficazes do que aquelas testadas em programas históricos, uma vez que o NERVA, da dezena de 1960.
Anéis com canais, blocos prismáticos, leitos de cerâmica. Tudo pode ser otimizado por algoritmos que aprendem a maximizar transferência de calor sem comprometer a integridade do reator.
IA também pode operar motores em voo e estugar tecnologias de fusão compacta, segundo cláusula
Depois de explorar o papel da IA na temporada de projeto, os autores mostram uma vez que o aprendizagem por reforço também pode controlar sistemas em tempo real. Isso porque a tecnologia:
- Ajusta parâmetros enquanto a nave está em operação;
- Gerencia combustível;
- Responde a cenários imprevistos;
- Ajuda a tornar experimentos com potencial (uma vez que tokamaks compactos e polywells) mais viáveis.
“Tokamak” é o nome de um tipo de reator experimental usado para tentar produzir fusão nuclear. Modelos tradicionais, uma vez que o JT-60SA no Japão, são enormes e impossíveis de usar em voo. Por isso, pesquisadores estudam alternativas menores, uma vez que os polywells: estruturas em forma de cubo que confinam plasma com campos magnéticos.
Controlar esses campos é difícil. Isso porque eles precisam ser fortes o suficiente para manter o plasma energizado até a fusão. Onde a IA entra nessa história? Muito, a IA pode ajustar essas variáveis com precisão, o que diminuiria o gasto energético inicial, segundo o cláusula.
Os autores apontam ainda o interesse crescente em espaçonaves capazes de mudar de função rapidamente. Isso é um tanto generalidade em aplicações militares e satélites flexíveis, uma vez que o LM400.
Essa versatilidade exige gestão inteligente de combustível (por fim, prioridades podem mudar durante a missão). O reinforcement learning, segundo eles, pode calcular o uso ideal de propelente em tempo real. Assim, conseguiria lastrar desempenho e autonomia.
Leia mais:
Na peroração, os pesquisadores afirmam que a IA (mormente o aprendizagem por reforço) deve se tornar uma parceira principal da engenharia espacial.
Aprender com a experiência, seja em projetos ou em voo, permite que máquinas operem sistemas imprevisíveis com mais eficiência e segurança.
Para os autores, essa sinergia pode destravar a próxima geração de motores, expandir a exploração do Sistema Solar e transfixar caminho para descobertas para além dele.