AI技术可预测航天器的霍尔推进器能力很高

Hall推进器是使用等离子体的高效推进装置，用于各种困难太空任务，例如SpaceX的星座卫星，Starlink和NASA的小行星探针，Psyche，是核心空间技术之一。

KAIST的研究人员将通过将其加载到今年11月的NURI推出期间将其加载到Cubesat K-Hero上，以验证使用人工智能技术开发的Cubesats的表现。

核与量子工程系的Wonho Choe教授开发了人工智能技术可以预测霍尔效应的推力性能离子推进器（即霍尔推进器），这是卫星或空间探针，具有很高的精度。这项研究是出版在日记中先进的智能系统。

霍尔推进器具有较高的燃油效率，因此使用较少的推进剂（燃料）可以极大地加速卫星或航天器，并且相对于所消耗的功率，它们可以产生较大的推力。基于这些优势，它被广泛用于各种任务，例如在太空环境中保持卫星群集的形成飞行，而推进剂保护很重要，轨道脱水措施以减少太空碎片，并为诸如彗星或火星探索之类的深空探索提供推进。

最近，作为空间行业在报纸时代，太空任务变得越来越多样化，对霍尔推进器的需求也在增加。为了快速开发针对每个独特任务优化的高效霍尔推进器，一种准确预测推进器从设计阶段进行性能的技术至关重要。

但是，现有方法具有局限性，例如无法精确处理在Hall推进器中发生的复杂等离子体现象或仅限于特定条件，从而导致低性能预测准确性。

研究团队基于人工智能开发了一种高度准确的推进器性能预测技术，该技术大幅度减少了设计，制造和测试Hall推进器所需的时间和成本。

Choe's Team教授团队于2003年创立了第一个国内电力推进器开发研究研究，并一直领先相关的研究和开发，它基于18,000个使用自我开发的电力推进器计算机分析工具和的人工学家网络整体结构，以18,000 Hall推进器学习数据为基础将其应用于预测推力性能。

开发的计算机分析工具是为了保护高质量的学习数据模型等离子体物理和推力性能。研究团队首次在韩国首次开发了10个霍尔推力者，而研究团队首次开发了10个霍尔推力，但计算机分析工具的准确性被证实为高，平均误差少于10％。

人工神经网络集成模型是一种数字双胞胎模型，可以在短时间内（在几秒钟内预测推进器的性能），取决于Hall推进器的设计变量，其精度很高。

特别是，它可以详细分析性能指标的变化，例如根据设计变量（例如燃油流量）和磁场很难通过先前已知的缩放定律进行分析。

研究小组表明，这次的AI神经网络模型显示，内部开发的700W和1kW班级霍尔推进器的平均误差低于5％，而5kW级别的高级误差少于9％美国空军研究实验室开发的动力厅推进器。这项研究证明，开发的AI预测技术可以广泛应用于各种功率大小的霍尔推进器。

Choe教授说：“研究团队开发的基于AI的性能预测技术具有很高的精度，并且已经被用来分析Hall推进器的推力性能，Hall推进器是卫星和航天器的引擎，用于发展高效，低效率，低效率，低效率 - 霍尔推进器。该AI技术不仅可以应用于霍尔推进器，还可以应用于在半导体，表面处理和涂层等各个行业中使用的离子光束源的研究和开发。”

此外，Choe教授还解释说：“与Cosmo Bee Co.，Ltd.合作开发了Cube卫星的大厅推进器，电力推进专家和研究团队的实验室初创公司将安装在3U上（30x10x10 cm）Cube卫星K-Hero在计划于今年11月举行的Nuri发射第4次发布，以验证其在太空中的性能。”

这项研究的结果，其中博士学位KAIST核与量子工程系（太空探索工程跨学科专业）的学生Jaehong公园作为第一作者参加了这位作者的认可，因其创新而被选为杂志的前封面纸。

更多信息：Jaehong Park等人，使用机器学习预测霍尔效应离子源的性能，先进的智能系统（2024）。doi：10.1002/aisy.202400555