科技日報記者 張佳欣

在真空的宇宙中，沒有空氣可借力，航天器的一切機動都依賴自身攜帶的推進系統。推進效率不僅決定飛得多快、能飛多遠，也直接關系到任務成本，甚至航天員的生命安全。然而，支撐了人類航天半個多世紀的化學燃料推進，正在逼近物理極限。

在這一背景下，人工智能（AI）開始進入航天推進這個傳統上高度硬核的領域。據澳大利亞《對話》雜志報道，AI，尤其是機器學習，正在幫助科學家重新思考核熱推進、等離子體推進等前沿方案，為人類探索深空提供更加強大的新引擎。

在數字空間不斷試錯

AI已在航天推進技術的設計和實時操作中發揮著越來越重要作用。它模擬人類“從經驗中改進”的過程：不給標準答案，而是通過無數次嘗試，讓機器在“試錯”中掌握最優解。

這種模式賦予了機器一種類似“直覺”的專業能力。就像頂級棋手下棋并不靠死記硬背，而是憑借萬場對局積累的感悟。AI在推進系統中借鑒了類似智慧。它在虛擬世界里進行數億次模擬測試，像是在數字空間里練習“飛”了千萬次，從而在亂如麻的參數中精準捕捉到那個通往成功的“最優解”。

一個典型的應用場景是熱流傳遞優化。上世紀60年代，NASA曾發起雄心勃勃的“火箭飛行器用核引擎”（NERVA）計劃。該計劃采用固體鈾燃料并模制成棱柱形結構，通過不斷嘗試物理配置進行優化，試圖提高熱傳遞的效率。現在，強化學習可在這一過程中發揮重要作用，它不再依賴緩慢的人工實驗循環，而是通過數字孿生技術，在電腦里克隆一個一模一樣的發動機，智能優化反應堆核心與推進劑之間的熱流路徑。這種優化能確保熱量以極高的效率從核燃料轉移到氫氣推進劑中，讓航天器在向目的地進發時更加高效節能。

把“核電站”裝進火箭筒

核推進技術，尤其是核熱推進，是一種極具前景的航天器高效推進技術。它利用核反應釋放的巨大熱能，將氫氣等推進劑加熱到極端狀態再噴射出去，讓飛船以極低的燃料消耗跑極長的路程。但挑戰在于：如何在一個幾米寬的發動機里，駕馭“微型核電站”般的狂暴能量？

如今，AI的加入使這一過程的優化更加智能化和精細化，強化學習可幫助研究人員設計更高效的核熱推進系統，通過實時數據反饋調整設計參數。

回溯歷史，早期的核熱推進系統使用了固體鈾燃料和相對簡單的熱傳遞方式，受限于當時的計算能力，設計方案往往傾向于保守。而現代設計則嘗試使用更復雜的幾何形狀和新型材料，以最大化熱傳遞效率。研究人員正在嘗試像“陶瓷球床”或布滿“微細通道”的復雜結構，這些結構就像是精密的人體毛細血管，能把散熱效率壓榨到極限。

這些復雜的幾何配置如果靠人工計算，將極其耗時。在這一設計變革中，強化學習發揮了核心作用。它們能夠同時分析材料的熱導率、中子吸收截面以及推進劑在超高溫下的流體動力學表現。AI通過不斷模擬和評估，幫助優化材料選擇和幾何配置，使推進系統的熱交換效率大大提高。這種精細化設計不僅提升了發動機的比沖，還減輕了推進系統的整體重量，為深空探測任務留出了更多的載荷空間。

馴服核聚變的“太陽之力”

除了核熱推進，核聚變在航天推進中也是一項潛力巨大的前沿技術。盡管核聚變技術尚未完全成熟，但AI的應用正在加速這一技術突破，使其從龐大的地面裝置向緊湊的航天推進器演進。

目前，日本的JT-60SA托卡馬克實驗裝置和其他聚變反應堆實驗正在全球范圍內推動這一技術的發展。在這些巨大的圓環形裝置里，如何保持高能等離子體的穩定是最大挑戰。

等離子體溫度極高，且極易發生湍流，一旦接觸到容器壁，反應就會瞬間熄滅。通過利用AI的強化學習技術，研究人員能以微秒級速度更好地控制聚變反應堆中的磁場，精準捕捉等離子體的細微波動并實時調整補償。這種算法控制能有效保持高能等離子體的穩定，幫助實現自持的聚變反應。

不僅是大規模裝置，AI還在助力更小、更適合裝上飛船的“緊湊型聚變”設備，如多面勢阱裝置。通過AI優化磁場線圈的布局，這種“人造太陽”有望變得足夠小巧，成為未來核動力飛船最堅實的底座。

讓飛船在星際間“精打細算”

飛出大氣層后，AI的作用從“設計師”轉變為“大管家”。隨著航天任務越來越復雜，如何在漫長的旅途中精準管理每一克燃料，是決定任務成敗的關鍵。

現在的航天器不再是“一飛到底”，比如一顆衛星可能在執行探測任務的中途，突然接到指令要去執行攔截或預警任務。這種靈活性意味著燃料需求是不可預測的。AI通過不斷學習飛行數據，能像老練的司機一樣，在復雜的引力場中實時計算出最省燃料的路線。它能實時監控系統的健康狀態，甚至在零件出現微小震動時就預判出潛在風險，提前調整參數避災。

隨著AI技術的進步，航天推進將迎來持續創新，在提升深空探測安全性與效率的同時，助力人類開啟星際旅行的新篇章。