Människa och maskin smälter samman i rymdfarten, medan nya system i grunden omformar hur vi reser.

Det som idag fortfarande ser ut som raketvetenskap förvandlas steg för steg till ett mjukvaruproblem. Artificiell intelligens flyttar in i raketens cockpit – inte för att ersätta astronauter, utan för att flytta gränserna för hastighet, säkerhet och förbrukning.

Hur algoritmer ersätter bränsle som viktigaste trumfkort

Antalet uppskjutningar runt jorden ökar varje år. Megakonstellationer, månbaser, bemannade uppdrag till Mars: allt kräver mer framdrivning, fast med mindre risk och lägre kostnader. Klassiska kemiska raketer pressar sakta ut det maximala från sina motorer. Nästa språng kommer därför inte bara från nya bränslen, utan från smartare beslut – och här dyker AI upp.

Maskininlärning analyserar enorma mängder testdata, sensormätningar och simuleringar. Där ingenjörer tidigare behövde månader för att jämföra varianter av en motor kör en algoritm tusentals scenarier på några timmar. Den söker mönster i vibrationer, termisk belastning, trycksvängningar och hittar kombinationer av inställningar som människor sällan tänker på.

AI flyttar utmaningen från ”hur mycket framdrivning har vi” till ”hur intelligent utnyttjar vi varje droppe energi i motoren”.

En särskilt kraftfull gren är reinforcement learning, där ett system lär sig genom att prova sig fram, begå misstag och förbättra sig självt. Det får ett mål – till exempel: ”nå Mars med så lite bränsle som möjligt och inom en viss tid” – och testar därefter tusentals strategier i en virtuell miljö.

Vad reinforcement learning gör annorlunda än klassiska simuleringar

Vid klassisk engineering utgår man från fysiska modeller och kör en rad simuleringar med förvalda parametrar. Vid reinforcement learning fungerar det tvärtom: algoritmen får variera nästan allt inom säkerhetsgränser och söker aktivt efter överraskande lösningar.

Den lär sig av belöning och bestraffning, inte utifrån fasta regler.
Den hanterar icke-linjära fenomen som turbulens eller plasmainstabiliteter utan att modellera varje detalj explicit.
Den anpassar sin strategi i takt med att den ”erfar” vad som fungerar och inte fungerar.

För rymdfardens framdrivningssystem levererar det två stora tillämpningar: hjälp till design på marken och