Künstliche Intelligenz revolutioniert Raketenantriebe in der Raumfahrt

Private Raumfahrtunternehmen und staatliche Agenturen bereiten erheblich mehr Starts, längere Einsätze und Missionen zu weit entfernten Zielen vor. Dadurch geraten herkömmliche Raketenantriebe zunehmend an ihre Grenzen. Neue, anspruchsvolle Antriebskonzepte sind so komplex, dass sie von Menschen kaum noch allein optimiert werden können – an diesem Punkt kommt künstliche Intelligenz ins Spiel.

Warum die Zukunft der Raumfahrt vom Antrieb abhängt

Bei jeder Mission zum Mond, Mars oder in den Asteroidengürtel stellt sich ein bekanntes Problem immer dringlicher: Treibstoff bringt viel Gewicht mit, der verfügbare Raum ist begrenzt und Zeit ist wertvoll. Chemische Raketen befördern uns zwar verlässlich in den Orbit, doch auf langen Strecken sind sie langsam, treibstoffintensiv und kostspielig.

• Reisen zwischen den Planeten nehmen Monate oder Jahre in Anspruch
• Jedes Kilogramm Treibstoff fehlt bei Nutzlast oder Wohnraum
• Fehler bei der Verbrauchsberechnung können eine gesamte Mission gefährden

Für schnellere, sicherere und effizientere Reisen durchs All sind daher grundlegend neue Ansätze gefragt: nukleare Antriebe, Fusionstriebwerke und hochgradig optimierte elektrische Systeme. Gerade hier wird die Verbindung von Raumfahrttechnik und künstlicher Intelligenz besonders interessant.

AI wird vom Analysewerkzeug zum aktiven Co-Designer von Raketenmotoren – und soll künftig sogar während des Flugs die Triebwerke steuern.

Was sich hinter „Reinforcement Learning“ verbirgt

Ein besonders leistungsfähiger Bereich der künstlichen Intelligenz ist „Reinforcement Learning“, auf Deutsch ungefähr Lernen durch Belohnung. Das Grundprinzip ist einfach, seine Wirkung jedoch weitreichend.

Anstatt starre Regeln vorzugeben, erprobt das System unzählige Strategien, bewertet deren Resultate und verbessert sich in kurzen, schnellen Zyklen. Ähnlich wie ein Schachprofi mit jeder Partie ein besseres Gespür entwickelt, arbeitet sich die AI an ein komplexes Problem heran – nur millionenfach schneller als ein Mensch.

Für Antriebssysteme im Weltraum ist diese Methode besonders geeignet, weil zahlreiche Einflüsse gleichzeitig berücksichtigt werden müssen:

• Materialeigenschaften im Reaktor oder Triebwerk
• Temperaturen und Druckbedingungen
• Strömungen von Wasserstoff, Plasma oder Ionengasen
• die Wechselwirkung von Antrieb und Flugbahn

Menschen können diese Gleichungen lediglich näherungsweise berechnen. Reinforcement Learning hingegen kann vollständige Entwurfsvarianten digital testen – auch unter extremen Bedingungen, die im Labor zu gefährlich oder zu teuer wären.

AI als Unterstützung beim Raketen-Design

In der Raumfahrtforschung wird AI derzeit vor allem in zwei Bereichen eingesetzt: bei der Entwicklung neuer Antriebe und später beim Betrieb der Triebwerke während des Flugs.

Designunterstützung für nukleare Thermalantriebe

Als besonders vielversprechender Kandidat für Marsmissionen gilt der nukleare Thermalantrieb. Dabei erhitzt ein Reaktor, meist mit Uran als Brennstoff, Wasserstoff auf extrem hohe Temperaturen. Der Wasserstoff strömt anschließend durch eine Düse und erzeugt dadurch Schub.

Bereits in den 1960er-Jahren erprobte die NASA mit Programmen wie NERVA erste derartige Triebwerke. Damals setzten Ingenieure noch auf massive Brennstoffblöcke. Heute entwickeln Teams deutlich komplexere Bauformen, darunter poröse Keramikkugeln, fein verzweigte Kanalsysteme und ringförmige Brennelemente.

Das Ziel ist unverändert: So viel Wärme wie möglich soll vom Brennstoff auf den Wasserstoff übertragen werden, ohne den Reaktor zu überlasten. Genau dabei spielt Reinforcement Learning seine Stärke aus. Es berücksichtigt gleichzeitig:

• Form und Anordnung der Brennelemente
• die Strömungsgeschwindigkeit des Wasserstoffs
• Temperaturverteilungen im Reaktorkern
• die Belastungsgrenzen der eingesetzten Materialien

Für die AI gleicht der Reaktor einem Hochleistungsthermostat: Sie regelt virtuell, wie nah man an die physikalischen Grenzen herangehen kann, ohne sie zu durchbrechen.

Diese Optimierungen entscheiden darüber, ob ein nuklearer Marsantrieb heutigen Raketen nur geringfügig überlegen ist oder ob er die Reisezeit merklich verkürzt und damit sowohl Strahlenbelastung als auch Kosten reduziert.

AI in der Fusionsforschung

Noch zukunftsorientierter sind Fusionstriebwerke. Sie sollen die Energiequelle der Sterne in ein kompaktes System übertragen. Statt schwere Atomkerne zu spalten, verschmelzen leichte Kerne wie Wasserstoffisotope miteinander und setzen dabei enorme Energiemengen frei.

Große Versuchsanlagen wie Tokamaks sind riesig und technisch äußerst komplex. Für den Einbau in Raumfahrzeuge arbeiten Forschende deshalb an Miniaturkonzepten wie sogenannten „Polywells“. Diese Geräte sind kaum größer als eine Faust und nutzen Magnetfelder, um Plasma einzuschließen – also ein extrem heißes Gas aus geladenen Teilchen.

Die Schwierigkeit: Bereits geringe Veränderungen des Magnetfelds können das Plasma destabilisieren. Reinforcement Learning ermöglicht es einer AI, tausende Varianten der Feldsteuerung zu erproben, die Reaktion des Plasmas auf Ruhe oder Turbulenz zu beobachten und die Regelung schrittweise weiter zu verbessern.

Erst wenn auf diese Weise stabile und zugleich effiziente Betriebszustände gefunden werden, kann ein Fusionsantrieb für Raumfahrzeuge in greifbare Nähe rücken.

AI als Bordmechaniker im Flug

Auch nach dem Bau eines Triebwerks bleibt seine Steuerung im All eine gewaltige Aufgabe. Das gilt insbesondere dann, wenn ein Satellit oder Raumschiff während seines Einsatzes mehrere Funktionen erfüllen muss: Aufklärung, Kommunikation, Bahnänderungen und Rendezvous-Manöver.

Jede dieser Aufgaben benötigt Energie und Treibstoff zu unterschiedlichen Zeitpunkten und in unterschiedlichem Umfang. Die Missionsplanung muss deshalb unter anderem klären:

• Wann lohnt sich ein Bahnwechsel und wann nicht?
• Wie viel Treibstoff darf früh eingesetzt werden, ohne dass er später fehlt?
• Wie sollte auf unerwartete Ereignisse reagiert werden, etwa auf Gefahren durch Weltraumschrott oder politische Spannungen?

Eine AI mit Erfahrung im Reinforcement Learning kann anhand historischer Missionsdaten und simulierter Szenarien lernen, solche Entscheidungen an Bord vorzubereiten oder sogar eigenständig zu treffen. Im Sekundentakt berechnet sie, welche Folgen jede Option für Resttreibstoff, Missionsdauer und Risiko hat.

Aus Sicht der Missionsplanung wird Treibstoff zu einer dynamischen Währung, die die AI in Echtzeit verwaltet.

Welche Chancen und Risiken dieser Trend bietet

Die potenziellen Vorteile sind zunächst eindeutig:

• schnellere Entwicklung neuer Antriebskonzepte
• effizientere Nutzung von Treibstoff und Energie
• widerstandsfähigere Missionen durch automatische Anpassungen an Störungen
• Optionen für mutigere Flugprofile mit engeren Zeitfenstern

Zugleich ergeben sich neue Fragen. Wer übernimmt die Verantwortung, wenn eine von AI gesteuerte Bahnkorrektur misslingt? Wie nachvollziehbar müssen die Entscheidungswege sein? Und wie lassen sich Raumfahrzeuge vor Manipulationen ihrer Algorithmen schützen?

Viele Raumfahrtagenturen verfolgen deshalb hybride Modelle: Die AI erhält eindeutig abgegrenzte Entscheidungsspielräume, während Menschen die Leitplanken definieren und bei Bedarf eingreifen können. In der Entwicklungsphase dient Reinforcement Learning häufig als Werkzeug; im Betrieb fungiert es eher als Berater, der Vorschläge liefert, welche ein Kontrollteam freigibt.

Was sich hinter den Fachbegriffen verbirgt

Wer sich nicht täglich mit Raumfahrttechnik beschäftigt, kann bei einigen Begriffen leicht den Überblick verlieren. Zwei Konzepte sind besonders zentral:

• Plasma: Ein Aggregatzustand, bei dem ein Gas so stark erhitzt oder elektrisch beeinflusst wird, dass seine Atome in frei bewegliche Ionen und Elektronen zerfallen. Bei vielen elektrischen Antrieben und Fusionsantrieben ist Plasma das eigentliche „Arbeitsmedium“.
• Schub und spezifischer Impuls: Schub bezeichnet die Kraft, die ein Triebwerk erzeugt. Der spezifische Impuls gibt an, wie viel Schub je verbrauchter Treibstoffmenge entsteht – er ist also eine Art Maß für die Effizienz. AI-optimierte Antriebe zielen insbesondere auf einen hohen spezifischen Impuls.

Ein einfacher Vergleich macht dies anschaulicher: Chemische Raketen ähneln einem Sportwagen mit enormem Kraftstoffverbrauch – beim Sprint leistungsstark, auf langen Strecken jedoch wenig geeignet. Nukleare oder elektrische Antriebe gleichen eher sparsamen Langstreckenläufern. AI kann dazu beitragen, diese Langstreckenläufer so zu optimieren, dass sie aus jedem Tropfen Treibstoff noch mehr Reichweite gewinnen.

Mit jeder weiteren Mission und jedem zusätzlichen Datensatz wächst der Erfahrungsschatz dieser lernenden Systeme. Wenn in den kommenden Jahrzehnten die ersten bemannten Marsflüge beginnen oder Atomraketen Sonden in die äußeren Bereiche des Sonnensystems befördern, wird AI im Hintergrund sehr wahrscheinlich mitgerechnet haben – beim Bau der Triebwerke, bei der Routenplanung und bei zahlreichen Entscheidungen unterwegs.