Comment l’IA révolutionne la technologie des fusées, ouvrant la voie vers Mars et la propulsion nucléaire.

Les entreprises privées du spatial comme les agences publiques prévoient nettement davantage de lancements, des missions plus longues et des destinations plus lointaines. Or, face à cette montée en puissance, les propulsions de fusées classiques atteignent leurs limites. Les nouveaux concepts, de plus en plus sophistiqués, deviennent si lourds à concevoir que l’optimisation ne peut plus reposer uniquement sur l’humain : l’intelligence artificielle (IA) vient alors prêter main-forte.

Pourquoi l’avenir du spatial dépend de la propulsion

À chaque mission vers la Lune, Mars ou la ceinture d’astéroïdes, une difficulté bien connue se rappelle aux ingénieurs : le carburant pèse lourd, le volume est compté, et le temps coûte cher. Les fusées chimiques restent très fiables pour atteindre l’orbite, mais sur les voyages au long cours, elles se révèlent trop lentes, trop gourmandes et trop coûteuses.

• Les trajets interplanétaires s’étendent de plusieurs mois à plusieurs années
• Chaque kilogramme de carburant empiète sur la charge utile ou l’espace de vie
• Une erreur d’estimation de consommation peut faire dérailler toute une mission

Pour gagner en vitesse, en sécurité et en efficacité, il faut donc des ruptures technologiques : propulsions nucléaires, moteurs à fusion, systèmes électriques fortement optimisés. C’est précisément à cet endroit que la rencontre entre ingénierie spatiale et IA devient déterminante.

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

Ce que recouvre l’« apprentissage par renforcement » (Reinforcement Learning)

Parmi les domaines les plus puissants de l’IA, on trouve le « Reinforcement Learning », en français apprentissage par renforcement - autrement dit, apprendre via un système de récompenses. Le principe paraît simple, mais ses effets peuvent être considérables.

Plutôt que d’encoder des règles fixes, le modèle explore d’innombrables stratégies, mesure les résultats, puis itère rapidement pour s’améliorer. À l’image d’un grand joueur d’échecs qui affine ses intuitions partie après partie, l’IA progresse en naviguant dans un problème complexe - à une vitesse toutefois des millions de fois supérieure à celle d’un humain.

Cette approche colle particulièrement bien aux systèmes de propulsion spatiale, car une multitude de variables s’y entremêlent :

• Propriétés des matériaux dans un réacteur ou un moteur
• Températures et niveaux de pression
• Écoulements d’hydrogène, de plasma ou de gaz ionisés
• Interaction entre la propulsion et la trajectoire de vol

Là où les humains ne peuvent souvent résoudre ces équations qu’en approximation, l’apprentissage par renforcement peut, lui, évaluer numériquement des variantes complètes de conception - y compris des cas extrêmes, trop risqués ou trop onéreux à reproduire en laboratoire.

L’IA au service des moteurs spatiaux : de la conception au pilotage

Concrètement, la recherche spatiale mobilise aujourd’hui l’IA surtout à deux moments : d’abord lors de la mise au point de nouveaux systèmes de propulsion, puis lors de l’exploitation du moteur en vol.

Aide à la conception des moteurs nucléaires thermiques (nukleare Thermalantriebe)

Parmi les options les plus prometteuses pour des missions vers Mars figure le moteur nucléaire thermique. Son idée : utiliser la chaleur d’un réacteur - généralement alimenté à l’uranium - pour porter l’hydrogène à des températures très élevées. L’hydrogène est ensuite expulsé via une tuyère, ce qui produit la poussée.

Dès les années 1960, la NASA a expérimenté ce type de moteurs avec des programmes comme NERVA. À l’époque, les ingénieurs s’appuyaient sur de gros blocs de combustible. Aujourd’hui, des équipes développent des architectures bien plus complexes : billes de céramique poreuses, canaux dessinés comme des labyrinthes fins, éléments combustibles en anneau.

L’objectif, lui, ne change pas : transférer un maximum de chaleur du combustible vers l’hydrogène sans dépasser les limites du réacteur. C’est là que l’apprentissage par renforcement fait valoir sa capacité à optimiser plusieurs paramètres à la fois :

• Géométrie et agencement des éléments combustibles
• Vitesse d’écoulement de l’hydrogène
• Répartition des températures au cœur du réacteur
• Seuils de résistance des matériaux employés

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

Ces arbitrages peuvent faire la différence entre un moteur nucléaire martien à peine meilleur que les fusées actuelles et une propulsion capable de réduire sensiblement la durée du voyage - ce qui, en retour, diminue l’exposition aux radiations et les coûts.

L’IA au cœur de la recherche sur la fusion (Fusionsforschung)

Plus ambitieuse encore, la voie des moteurs à fusion vise à intégrer dans un système compact l’énergie qui alimente les étoiles. Au lieu de fissionner des noyaux lourds, on fusionne des noyaux légers, comme des isotopes de l’hydrogène, libérant des quantités d’énergie colossales.

Les grands dispositifs expérimentaux, tels que les tokamaks, sont immenses et d’une complexité extrême. Pour une utilisation embarquée, les chercheurs explorent des concepts miniaturisés, par exemple les « Polywells ». Ces appareils, à peine plus gros qu’un poing, s’appuient sur des champs magnétiques pour confiner un plasma, c’est‑à‑dire un gaz très chaud composé de particules chargées.

La difficulté est majeure : de faibles variations du champ magnétique suffisent à déstabiliser le plasma. Avec l’apprentissage par renforcement, une IA peut tester des milliers de stratégies de pilotage des champs, observer si le plasma reste calme ou devient turbulent, puis affiner progressivement la régulation.

Ce n’est qu’en identifiant des régimes de fonctionnement à la fois stables et performants que la propulsion par fusion pourra réellement se rapprocher d’un usage dans des véhicules spatiaux.

L’IA comme mécanicien de bord pendant le vol

Une fois le moteur construit, le contrôler dans l’espace reste une tâche titanesque - en particulier lorsqu’un satellite ou un vaisseau doit remplir plusieurs missions au cours de sa vie opérationnelle : observation, communications, changements d’orbite, manœuvres de rendez‑vous.

Chaque fonction consomme énergie et carburant à des moments différents et à des rythmes variables. La planification de mission se heurte alors à des choix tels que :

• À quel moment un changement d’orbite vaut-il le coût, et quand est-ce inutile ?
• Quelle part de carburant peut-on dépenser tôt sans risquer d’en manquer plus tard ?
• Comment réagir à des événements imprévus, par exemple des menaces liées aux débris spatiaux ou à des tensions politiques ?

En s’entraînant sur des données historiques de missions et sur des scénarios simulés, une IA basée sur l’apprentissage par renforcement peut préparer ce type de décisions à bord - voire les prendre elle-même. Elle recalcule en permanence, à la seconde, l’impact de chaque option sur le carburant restant, la durée de mission et le niveau de risque.

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

Opportunités et risques associés à cette évolution

Les bénéfices apparaissent d’abord assez clairement :

• accélération du développement de nouveaux concepts de propulsion
• meilleure utilisation du carburant et de l’énergie
• missions plus robustes grâce à l’adaptation automatique aux perturbations
• possibilité de profils de vol plus audacieux avec des fenêtres temporelles plus serrées

En parallèle, de nouvelles interrogations émergent. Qui est responsable si une correction de trajectoire pilotée par une IA échoue ? Quel niveau de transparence exiger sur les chaînes de décision ? Et comment protéger les véhicules spatiaux contre une manipulation de leurs algorithmes ?

C’est pourquoi de nombreuses agences privilégient des approches hybrides : l’IA opère dans un cadre décisionnel strictement borné, tandis que des équipes humaines fixent des garde‑fous et peuvent reprendre la main si nécessaire. En phase de développement, l’apprentissage par renforcement sert souvent d’outil d’ingénierie ; en exploitation, il devient plus fréquemment un conseiller qui propose des options validées ensuite par une équipe de contrôle.

Décryptage de quelques termes techniques

Sans pratiquer la propulsion spatiale au quotidien, il est facile de buter sur certains mots. Deux notions reviennent souvent :

• Plasma : état de la matière dans lequel un gaz est tellement chauffé ou influencé électriquement que ses atomes se séparent en ions et électrons libres. Dans de nombreuses propulsions électriques et dans la fusion, le plasma constitue le véritable « fluide de travail ».
• Poussée et impulsion spécifique : la poussée est la force fournie par un moteur. L’impulsion spécifique indique la quantité de poussée obtenue pour une quantité donnée de carburant consommée - c’est donc une mesure d’efficacité. Les propulsions optimisées par IA cherchent surtout à maximiser l’impulsion spécifique.

Pour rendre cela plus concret, on peut utiliser une analogie simple : les fusées chimiques ressemblent à une voiture de sport à la consommation gigantesque - impressionnante au démarrage, médiocre sur longue distance. Les propulsions nucléaires ou électriques s’apparentent plutôt à des coureurs d’endurance économes. L’IA aide précisément à « régler » ces coureurs d’endurance afin d’arracher davantage d’autonomie à chaque goutte de carburant.

À mesure que les missions s’enchaînent et que les jeux de données s’étoffent, ces systèmes apprenants gagnent en expérience. Si, dans les décennies à venir, les premiers vols habités vers Mars décollent ou si des sondes propulsées par l’atome sont envoyées vers les régions externes du Système solaire, il est très probable que l’IA aura contribué en coulisses - dans la conception des moteurs, la planification des trajectoires et une part importante des décisions prises en route.