توسعه مدل یادگیری ماشین جدید برای انجام بسیار سریع شبیه‌سازی عملکرد حامل فضایی
امروزه برای تست پایداری حامل‌های فضایی آزمایشی با استفاده از رویکرد آزمون و خطا نیاز به صرف زمان، هزینه و رعایت نکات ایمنی است؛ مواردی که انجام این کار را دشوار می‌کند. از طرفی، حتی انجام شبیه‌سازی‌ها و محاسبات رایانه‌ای نیز بسیار زمان‌بر هستند و برای مثال فقط تجزیه و تحلیل کامل موتور مرلین (Merlin) شرکت اسپیس‌ایکس (SpaceX) می‌تواند هفته‌ها یا ماه‌ها به‌طول بیانجامد تا نتایج رضایت‌بخشی از آن حاصل شود.
اکنون و در راستای یافتن راهی مناسب برای حل این مشکل، تیمی از محققان دانشگاه تگزاس (University of Texas) در حال توسعه روش‌های یادگیری ماشین جدیدی هستند تا از طریق ترکیب مدل‌سازی‌های فیزیکی و یادگیری مبتنی بر داده‌ها، امکان انجام شبیه‌سازی‌هایی بسیار سریع و در کسری از زمان را فراهم کنند. هدف از این طرح ارائه راهی سریع جهت ارزیابی عملکرد موتور حامل فضایی در انواع شرایط عملیاتی است.
روش‌های جدید بر روی یک کد موسوم به GEMS (سرواژه General Equation and Mesh Solver) که توسط نیروی هوایی ایالات متحده (U.S. Air Force) استفاده می‌شود، اجرا شد. این تیم تحقیقاتی با اجرای این کد براي يك مورد خاص كه طی آن یک انژکتور محفظه احتراق موتور حامل فضایی مدل‌سازی شد، عکس‌هایی تهیه و از آن‌ها به‌عنوان دادهای آموزشی برای بهبود مدل‌های خود استفاده کردند.
تولید داده‌های یادشده در کد GEMS به حدوداً ۲۰۰ ساعت زمان برای پردازش‌های رایانه‌ای نیاز دارد؛ درحالی‌که با بهره‌گیری از مدل‌های بهبودیافته توسط این تیم همان شبیه‌سازی را فقط در چند ثانیه می‌توان انجام داد. به‌گفته کارن ویلککس (Karen Willcox)، رهبر این گروه، مدل‌های توسعه‌یافته توسط آن‌ها می‌تواند به جای GEMS برای انجام پیش‌بینی‌های سریع عملکرد حامل‌های فضایی مورد استفاده قرار گیرد.