Ruimtestenen Decoderen met AI: De Meteoorietdoorbraak

Kunstmatige intelligentie (AI) transformeert de manier waarop we dingen doen, niet alleen op aarde maar ook in de ruimte.

Door te worden ingezet voor taken variërend van autonome ruimtevaartuignavigatie en data‑analyse tot het optimaliseren van hulpbronnengebruik en het ondersteunen van wetenschappelijke ontdekkingen, maakt de technologie efficiëntere, autonome en inzichtelijke ruimtemissies mogelijk.

Zo heeft NASA al jarenlang de kracht van AI onderzocht. Van autonome rovers op Mars tot AI‑ondersteunde initiatieven om nieuwe exoplaneten te vinden, maakt het agentschap gebruik van deze technologie om haar begrip van de ruimte te vergroten.

Recentelijk liet het Amerikaanse federale agentschap zien hoe AI een baanvoerende satelliet kan helpen meer gerichte gegevens te verzamelen. AI stelde een satelliet voor het eerst in staat om zijn baanpad te voorspellen, beelden te verwerken en te beoordelen met AI, en te bepalen waar een instrument op gericht moet worden, wat niet eens twee minuten of menselijke tussenkomst vergde.

“Het idee is om het ruimtevaartuig meer als een mens te laten handelen: in plaats van alleen data te zien, denkt het na over wat de data laat zien en hoe te reageren,” zei Steve Chien, technisch fellow in AI bij NASA’s Jet Propulsion Laboratory (JPL) en hoofdonderzoeker voor het Dynamic Targeting‑project.

Een paar jaar geleden lanceerde Elon Musk’s SpaceX ook een satelliet uitgerust met AI om het ruimtevaartuig deel te laten nemen aan missies in de diepe ruimte.

Te midden hiervan hebben wetenschappers de geheimen van de meteooriet ontrafeld met behulp van deze technologie. Dit specifieke materiaal daagt de regels van warmtegeleiding uit door zowel als kristal als glas te functioneren.

Met behulp van AI konden onderzoekers de eigenschap van het mineraal onthullen om een constante thermische geleidbaarheid te behouden, een belangrijke doorbraak die materiaalwetenschap kan revolutioneren door het beheer van warmte in technologie en industrie te transformeren. Het zou ook kunnen helpen de enorme CO₂‑uitstoot bij staalproductie te verminderen. 

Hoe AI de Geheimen van Meteoorieten Onthult

Meteoroïden zijn de lichtflitsen die je soms over de hemel ziet schieten.

Deze ruimtegesteenten kunnen zo klein zijn als stofkorrels of zo groot als kleine asteroïden. De meeste zijn fragmenten van grotere lichamen die uit elkaar zijn gebroken. Sommige komen van asteroïden, andere van kometen, en een paar zelfs van de maan, Mars of andere planeten.

Deze worden meteoroïden genoemd terwijl ze zich nog in de ruimte bevinden. Zodra ze de atmosfeer van de aarde of een andere planeet binnengaan en de passage overleven, worden ze meteoren genoemd.

Bij het binnengaan van de atmosfeer doen ze dit met hoge snelheid, en zodra de druk de sterkte van het object overschrijdt, desintegreert het, waardoor het opbrandt en een heldere flits veroorzaakt, vandaar de naam “vallende ster”. Wanneer ze bijzonder helder verschijnen, worden ze “vuurballen” genoemd.

Deze meteoren lijken misschien een zeldzame gebeurtenis, maar volgens schattingen van NASA valt er elke dag ongeveer 48,5 ton van dergelijk materiaal op aarde.

Aangezien ze deel uitmaken van de ruimte, kunnen deze gesteenten waardevolle inzichten bieden in de samenstelling, vorming en geschiedenis van asteroïden, planeten en ons zonnestelsel.

Een meteooriet bestaat uit verschillende materialen, waaronder gesteente, metaal of een combinatie van beide.

Deze meteoorieten worden door wetenschappers in grote detail bestudeerd met behulp van diverse technieken zoals fotografische en telescopische observaties, radardetectie, microscopie, spectroscopie, magnetometrie en andere.

Recentelijk wordt AI ook gebruikt om ruimte‑meteoorieten te begrijpen door hun detectie te automatiseren met dronebeelden, de classificatie van hun types te verbeteren via machine learning, potentiële inslaglocaties te identificeren en zelfs de samenstelling van materialen binnen meteoorieten te onthullen.

Door enorme datasets te analyseren en patronen te herkennen die mensen mogelijk missen, verbetert AI de efficiëntie en nauwkeurigheid van meteoorietonderzoek, wat op zijn beurt cruciale inzichten biedt in de oorsprong van het leven.

onderzoek¹ van laat vorig jaar vond bewijs van vloeibaar water op Mars 742 miljoen jaar geleden met behulp van een meteooriet.

Dus, een asteroïde sloeg Mars elf miljoen jaar geleden en stuurde stukken van de rode planeet door de ruimte. Een van die stukken crashte op de aarde, waardoor we een meteooriet kregen die rechtstreeks naar Mars kan worden getraceerd.

Het werd de Lafayette‑meteooriet genoemd, en bij onderzoek ontdekten wetenschappers dat het op Mars met water in interactie was geweest. Recentelijk heeft een internationale samenwerking van wetenschappers de leeftijd van de mineralen in de meteooriet bepaald die gevormd werden toen er vloeibaar water aanwezig was.

“We kunnen meteoorieten identificeren door te bestuderen welke mineralen erin aanwezig zijn en de relaties tussen deze mineralen binnen de meteooriet.”

– Hoofdauteur Marissa Tremblay, assistent‑professor bij de Department of Earth, Atmospheric, and Planetary Sciences (EAPS) aan de Purdue University

Ze merkte verder op dat meteoorieten doorgaans dichter zijn dan gesteenten op aarde, magnetisch zijn en metaal bevatten. Het vinden van meteoorieten is echter niet zo eenvoudig.

De kans om er één te vinden is eigenlijk zeer klein. Als gevolg hiervan gebruiken onderzoekers AI in combinatie met drones om de ontdekking te doen.

In 2022 herstelden onderzoekers van Curtin University in Australië een meteooriet, die een ellips volgde tussen de banen van Jupiter en Venus, in de afgelegen Australische outback met behulp van machine learning en twee drones.

De technologie stelt meteoorietjagers in staat repetitieve taken uit te voeren zonder de aandacht te verliezen. In feite leren de machines door herhaling om met false positives om te gaan.

“De heilige graal van meteoorietjacht op dit moment is een drone die een geografisch gebied kan rasteren, naar de grond kan kijken en meteoorieten kan vinden met AI.”

– Mike Hankey, The American Meteor Society

De School of Earth and Planetary Sciences van de universiteit, samen met het Parijse Observatorium, het International Centre for Radio Astronomy Research (ICRAR) en andere instellingen, werkten ondertussen samen om de puzzel van koolstofrijke asteroïden op te lossen, die, hoewel ze vaak voorkomen in de ruimte, minder dan 5 % van de meteoorieten die de aarde bereiken, uitmaken.

Deze studie, die het langlopende mysterie in de ruimtewetenschap heeft ontrafeld, werd dit jaar gepubliceerd. Hiervoor analyseerden wetenschappers bijna 8.500 meteoroïd‑ en meteoorietgebeurtenissen.

Wat de studie heeft ontdekt, is dat de zon en de atmosfeer van de aarde fungeren als gigantische filters die koolstofrijke meteoroïden vernietigen voordat ze de grond bereiken. Dergelijke meteoorieten zijn belangrijk omdat ze aminozuren, organische moleculen en water bevatten.

Hoewel al bekend was dat koolstofrijk materiaal de atmosferische intrede niet overleeft, toonde het onderzoek aan dat veel meteoroïden “niet eens zo ver komen”, uiteenbreken terwijl ze dicht bij de zon passeren.

“De meteoroïden die de hitte in de ruimte overleven, hebben een grotere kans om ook door de atmosfeer van de aarde te komen.”

– Co‑auteur Dr. Hadrien Devillepoix, Curtin’s Space Science and Technology Centre en Curtin Institute of Radio Astronomy (CIRA)

Bovendien ontdekte het dat meteoroïden die door getijdeffecten zijn gevormd bijzonder fragiel zijn en bijna nooit de atmosferische intrede overleven. Volgens Dr. Patrick Shober van het Parijse Observatorium:

“Deze bevinding zou toekomstige asteroïdmissies, inslagrisicobeoordelingen en zelfs theorieën over hoe de aarde haar water en organische verbindingen kreeg om leven mogelijk te maken, kunnen beïnvloeden.”

Ondertussen gebruikte een studie van eerder dit jaar AI om te ontdekken dat “Marsquakes”, een van de belangrijkste krachten die het oppervlak van de planeet vormen, worden veroorzaakt door seismische activiteit van meteoroïdinslagen.

Het onderzoeksteam van de Universiteit van Bern en Imperial College London maakte gebruik van AI om nieuwe inslagen te identificeren in tienduizenden orbitale beelden van gegevens tussen december 2018 en 2022 en vergeleek deze vervolgens met seismische data. Het hielp de onderzoekers 123 nieuwe kraters te vinden om te cross‑refereren, waarvan 49 een mogelijke overeenkomst met de trillingen vertoonden.

De recent verkregen data onthulde dat op Mars meteoroïdinslagen ongeveer twee keer zo vaak voorkomen als eerder geschat.

Dit, merkte professor Tom Pike van het Imperial‑team op, toont “de kracht van het diepgaand analyseren van meerdere datasets van Mars. Zonder de seismische data zouden we niet hebben geweten waar we in de orbitale beelden naar een inslag moesten zoeken, en zonder de orbitale beelden zouden we de bron van de seismische energie niet hebben kunnen lokaliseren.”

AI heeft het spel voor onderzoekers veranderd door een inslag te detecteren in een enkele pixel van een low‑res orbitale camera die wordt gebruikt voor dagelijkse weerbewaking. “De kracht en snelheid van AI betekent dat we de spreekwoordelijke speld in de hooiberg hebben kunnen vinden!” voegde hij toe.

Het machine‑algoritme dat hier een sleutelrol speelde, werd ontwikkeld bij JPL, en kan enorme hoeveelheden data, zoals beelden, doorzoeken.

AI Bevestigt Kristal‑Glas Hybride

Nu heeft de nieuwste studie van wetenschappers van Columbia Engineering AI gebruikt om opnieuw een prachtige ontdekking te doen. Ze hebben de “hybride” thermische eigenschappen van een ruimtemineraal bevestigd, die niet de typische warmtegeleidingsregels volgen. De meteooriet functioneert zowel als kristal als glas.

Dit is een doorbraak omdat de warmtegeleidingseigenschappen van kristallen en glazen volledig tegenovergesteld zijn. De thermische geleidbaarheid varieert in beide sterk.

De thermische geleidbaarheid van materialen varieert sterk afhankelijk van de atomaire structuur. Hieronder hoe kristallijne, glazen en hybride materialen zich verhouden:

Deze trends spelen een sleutelrol in diverse technologieën, waaronder systemen voor terugwinning van afvalwarmte, miniaturisatie en efficiëntie van elektronische apparaten, en de levensduur van thermische afschermingen voor lucht‑ en ruimtevaarttoepassingen.

Het optimaliseren van de prestaties en duurzaamheid van materialen die in deze toepassingen worden gebruikt, vereist een diepgaand begrip van hoe hun atomaire structuur en chemische samenstelling de warmtegeleidingscapaciteit van het materiaal bepalen.

Michele Simoncelli, assistent‑professor toegepaste fysica en toegepaste wiskunde aan Columbia Engineering, nam de eerste‑principes benadering en combineerde deze met machine learning om het unieke materiaal met onderscheidende thermische eigenschappen te identificeren.

Machine‑learning technieken stelden het team in staat de computationele uitdagingen van eerste‑principes methoden te overwinnen en atomaire eigenschappen die warmte‑transport beïnvloeden te simuleren met kwantumniveau‑nauwkeurigheid.

Het materiaal is het eerste in zijn soort, dat werd ontdekt in meteoorieten en geïdentificeerd op Mars.

Het achterhalen van de fundamentele fysica die dit speciale gedrag aandrijft, kan ons begrip vooruithelpen en ons helpen materialen te ontwerpen die warmte beheren bij extreme temperatuurverschillen.

Nu hangt warmtegeleiding, die warmteoverdracht door stilstaand materiaal via fysiek contact is, af van de atomaire structuur van een materiaal. Of een materiaal nu glasachtig is, met een ongeordende, niet‑kristallijne structuur, of kristallijn, met een geordende rooster van atomen, beïnvloedt hoe warmte op kwantumniveau stroomt.

Kortom, de warmtegeleiding neemt toe in glazen bij stijgende temperatuur en af in kristallen bij verhitting.

Om deze tegenovergestelde trend in thermische geleidbaarheid van glazen en kristallen vast te leggen, heeft Simoncelli, in samenwerking met Francesco Mauri van de Sapienza Universiteit van Rome en Nicola Marzari van de Zwitserse Federale Technische Hogeschool, in 2019 een enkele vergelijking afgeleid.

Opmerkelijk beschrijft de vergelijking het tussenliggende gedrag van gedeeltelijk ongeordende materialen. Dit omvat materialen die worden gebruikt in thermische barrièrecoatings voor hitteschilden, perovskietzonnecellen en thermoelementen om verspilde warmte terug te winnen.

Nu, met behulp van dezelfde vergelijking, onderzochten ze de relatie tussen de atomaire structuur en de thermische geleidbaarheid in materialen gemaakt van siliciumdioxide (SiO2).

Ook bekend als silica, is siliciumdioxide een natuurlijk voorkomend chemisch bestanddeel bestaande uit silicium en zuurstof, twee van de meest voorkomende elementen op aarde. Het is een van de belangrijkste componenten van zand.

De onderzoekers voorspelden dat de “tridymiet”-vorm van siliciumdioxide tekenen zou vertonen van een kristal‑glas materiaal met een thermische geleidbaarheid die niet verandert met temperatuur.

Tridymiet is een kristallijne vorm van siliciumdioxide die bij hoge temperaturen voorkomt, voornamelijk in vulkanisch gesteente, en ontstaat onder hoge temperatuur‑ en lage‑druk omstandigheden. Het wordt ook aangetroffen in meteoorieten.

Het ongebruikelijke thermische transportgedrag van Tridymiet zette een team van experimenteel onderzoekers onder leiding van Daniele Fournier, Massimiliano Marangolo en Etienne Balan van de Sorbonne Universiteit in Parijs aan tot proeven op een monster van silica‑tridymiet verkregen uit een meteooriet die driehonderd jaar geleden in Duitsland neerstortte.

De experimenten bevestigden de voorspellingen van de onderzoekers met metingen.

Meteooriettridymiet is bevestigd te beschikken over een atomaire structuur die tussen een ordelijke kristal en een ongeordende glas valt. Bovendien vonden ze dat de thermische geleidbaarheid constant bleef tussen 80 K en 380 K, het temperatuurbereik dat experimenteel toegankelijk is.

Bij verdere analyse voorspelde het team dat het materiaal kan ontstaan door thermische veroudering in refractaire stenen, die dienen als thermische barrière in ovens voor staalproductie.

Het veelzijdige, duurzame en multifunctionele staal is een van de meest cruciale materialen in de moderne samenleving, die diverse industrieën en infrastructuur ondersteunt. Echter, staalproductie is een koolstofintensief proces, waarbij 1 kg staal ongeveer 1,3 kg CO₂ uitstoot.

Met bijna 1 miljard ton staal die elk jaar wordt geproduceerd, is het verantwoordelijk voor veel CO₂‑emissies, zo veel zelfs dat het ongeveer 7 % van de koolstofemissies in de VS uitmaakt.

Zoals de studie opmerkt, worden de efficiëntie en milieu‑impact hiervan grotendeels bepaald door hoe warmte wordt beheerd in ovens, met name via de thermische geleidbaarheid van refractaire materialen die extreme temperaturen kunnen weerstaan.

Daarom zouden materialen afgeleid van tridymiet een efficiëntere controle van de intense hitte bij staalproductie kunnen mogelijk maken. Door de bevindingen van de studie te gebruiken, kan de geleidbaarheid van refractaire materialen worden verhoogd, waardoor de brandtijd van ovens wordt verkort en de koolstofvoetafdruk van de staalindustrie wordt verlaagd.

Naast dit alles onderzoekt Simoncelli’s groep aan Columbia het gebruik van dezelfde mechanismen die de warmte‑stroom in hybride kristal‑glas materialen bepalen, om het gedrag van andere excitaties in vaste stoffen te begrijpen, zoals spin‑dragende magnons en lading‑dragende elektronen.

Deze concepten ondersteunen opkomende en energie‑efficiënte technologieën, waaronder spintronic‑apparaten, draagbare apparaten en neuromorfe computing.

Hiervoor werkt het onderzoeksteam aan het formuleren van eerste‑principes theorieën om experimentele observabelen te voorspellen, ontwikkelt AI‑simulatie‑technieken voor kwantitatief nauwkeurige voorspellingen van materiaaleigenschappen, en past deze toe om materialen te ontdekken en te ontwerpen die ingenieurs‑ en industriële uitdagingen aanpakken.

Investeren in AI Ruimteonderzoek

Als het gaat om ruimteverkenning, Lockheed Martin Corporation (LMT ) valt op als een belangrijke aannemer voor NASA en het Ministerie van Defensie. Het bedrijf ontwerpt AI‑gebaseerde satellietsystemen en planetaire sondes om missies zoals de Mars‑verkenning te ondersteunen.

Het wereldwijde lucht‑ en ruimtevaart‑ en defensiebedrijf heeft een marktkapitalisatie van $101,23 miljard, met aandelen die momenteel handelen op $433,60, een daling van 11 % YTD. Het heeft een EPS (TTM) van 23,15 en een P/E (TTM) van 18,73. Lockheed betaalt een dividendrendement van 3,04 %.

Lockheed Martin Corporation (LMT )

Deze week kondigde het bedrijf zijn nieuwe, meer capabele en overlevingsvatbare raketwaarschuwingssatelliet aan. Tijdens de tests bewees de Next‑Gen OPIR GEO‑satelliet zijn vermogen om te opereren in en de zware temperaturen en de heftige trillingsomstandigheden te weerstaan.

Voor Q2 2025 rapporteerde het een omzet van $18,2 miljard, een stijging ten opzichte van $18,1 miljard in hetzelfde kwartaal vorig jaar. De nettowinst voor het kwartaal bedroeg $342 miljoen, of $1,46 per aandeel. Het bedrijf rapporteerde ook $1,6 miljard aan programmalossen en $169 miljoen aan andere kosten. Dit, volgens Reuters, was het gevolg van “moeilijkheden met een geclassificeerd programma in zijn Aeronautics‑divisie en internationale helikopterprogramma’s in zijn Sikorsky‑eenheid.”

Gedurende deze periode bedroeg de operationele cashflow $201 miljoen, een enorme daling ten opzichte van $1,9 miljard in 2Q24. Ondertussen was de vrije cashflow $(150) miljoen, vergeleken met $1,5 miljard in hetzelfde kwartaal vorig jaar. Lockheed keerde ook $1,3 miljard terug aan aandeelhouders via dividenden en aandeleninkoop.

Zijn CEO, Jim Taiclet, merkte op dat Amerikaanse en geallieerde klanten ons “vragen om veel belangrijke programma’s te verhogen en te versnellen,” waaronder de US Space Force die extra GPS‑IIIF‑satellieten bestelt. Hij voegde toe:

“Tegelijkertijd heeft ons lopende programmareviewproces nieuwe ontwikkelingen geïdentificeerd die ons ertoe hebben gebracht de financiële positie van een reeks belangrijke legacy‑programma’s te herzien. Als gevolg hiervan nemen we dit kwartaal een aantal kosten op om deze nieuw geïdentificeerde risico’s aan te pakken.”

Laatste Lockheed Martin Corporation  (LMT) Aandelen Nieuws en Ontwikkelingen

Conclusie

De magie van AI reikt voorbij de grenzen van de aarde tot de diepten van de ruimte, en helpt ons verborgen patronen in ruimtegesteenten te onthullen, van Marsquakes tot exotisch thermisch gedrag. Met deze ontdekkingen versnelt AI de ontdekkingen die ons begrip van het universum en de toekomst van materialen zullen transformeren.

Klik hier om alles te leren over investeren in kunstmatige intelligentie.

Referenties:

1. Tremblay, M.M., Mark, D.F., Barfod, D.N., Cohen, B.E., Ickert, R.B., Lee, M.R., Tomkinson, T., & Smith, C.L. Datering van recente wateractiviteit op Mars. Geochemical Perspectives Letters, 32, gepubliceerd 6 november 2024. https://doi.org/10.7185/geochemlet.2443
2. Shober, P.M., Devillepoix, H.A.R., Vaubaillon, J., et al. Periheliongeschiedenis en atmosferisch overleven als primaire drijfveren van het aardse meteoorietrecord. Nature Astronomy, 9, 799–812 (juni 2025). https://doi.org/10.1038/s41550-025-02526-6
3. Charalambous, C., Pike, W.T., Fernando, B., Wójcicka, N., Kim, D., Froment, M., Lognonné, P., Woodley, S., Ojha, L., Bickel, V.T., McNeil, J., Collins, G.S., Daubar, I.J., Horleston, A., & Banerdt, B. Nieuwe inslagen op Mars: Het ontrafelen van seismische voortplantingspaden via een Cerberus Fossae‑inslagdetectie. Geophysical Research Letters, voor het eerst gepubliceerd 3 februari 2025. https://doi.org/10.1029/2024GL110159
4. Simoncelli, M., Fournier, D., Marangolo, M., Balan, E., Béneut, K., Baptiste, B., Doisneau, B., Marzari, N., & Mauri, F. Temperatuuronafhankelijke kristal‑glas warmtegeleiding: Van meteoorieten tot refractaire materialen. Proceedings of the National Academy of Sciences, 122(28), e2422763122 (11 juli 2025). https://doi.org/10.1073/pnas.2422763122