Onderzoekers van de Technische Universiteit Eindhoven (TU/e) presenteren nieuwe AI-modellen die natuurwetten meenemen in hun berekeningen. Het doel is snellere en betrouwbaardere simulaties voor industrie en overheid, direct inzetbaar in ontwerp en controle. Het onderzoek vindt plaats in Eindhoven en richt zich op toepassingen zoals stromingsleer, warmte en materialen. Dit is relevant voor de Europese AI-verordening gevolgen overheid, omdat transparantie en dataminimalisatie belangrijker worden.
AI leert natuurwetten
De TU/e ontwikkelt algoritmen die tijdens het leren rekening houden met basiswetten uit de natuurkunde. Denk aan behoud van massa en energie, of aan vergelijkingen die een vloeistof of materiaal beschrijven. Zo wordt het model geen puur “zwart doosje”, maar een systeem met ingebouwde fysieke kennis.
De kern is eenvoudig: naast voorbeelddata krijgt het model ook de regels die de natuur volgt. Die regels komen binnen als extra voorwaarden in de trainingsstap, vaak wiskundige vergelijkingen die je ook in simulatiepakketten vindt. Zo leert het algoritme oplossingen die passen bij beide: de data en de natuurwetten.
Een bekende aanpak heet physics-informed neural networks (PINNs), een neuraal netwerk dat leert met natuurkundige fouten als straf in de leerdoelstelling. Ook zogeheten “neural operators” leren directe verbanden tussen velden, zoals wind en druk, over een heel domein. Deze technieken richten zich op dezelfde vraag: sneller rekenen zonder de fysica te negeren.
“Een physics-informed neural network (PINN) is een AI-model dat niet alleen van data leert, maar ook expliciet stuurt op het naleven van natuurkundige vergelijkingen.”
Sneller én betrouwbaarder rekenen
Simulaties met klassieke methoden zoals eindige-elementen of roosterberekeningen zijn nauwkeurig, maar kosten vaak veel tijd. Een fysisch-onderbouwd surrogaatmodel kan dezelfde taak grotendeels overnemen in een fractie van de rekentijd. Dat helpt bij ontwerpkeuzes die in minuten in plaats van dagen moeten vallen.
Betrouwbaarheid neemt toe doordat het model is vastgepind aan de wetten van de natuur. Dat verkleint de kans op onlogische of instabiele uitkomsten buiten de trainingsdata. Het maakt resultaten ook beter te verklaren, wat nuttig is bij kritiek werk zoals koeling, constructies of microchips.
De TU/e-benadering blijft wel toetsbaar: uitkomsten kunnen worden vergeleken met klassieke simulaties of met metingen. Zo ontstaat een praktische validatielus voor industrie en onderzoek. Die aanpak sluit aan bij eisen aan reproduceerbaarheid die in Europa steeds vaker gelden.
Minder data, meer controle
Fysica in het model betekent vaak minder meetdata nodig. De natuurwetten vullen hiaten in de dataset op, waardoor het algoritme met minder voorbeelden toekan. Dat is handig bij dure of schaarse metingen, zoals in de luchtvaart of bij medische beeldvorming.
Voor privacy is dit gunstig: minder persoonsgegevens of bedrijfsgevoelige data hoeven het model in. Dat past bij de AVG, die dataminimalisatie en doelbinding vereist. Bedrijven kunnen zo gevoelige procesdata afschermen en toch bruikbare modellen trainen.
Bovendien kun je grenzen en randvoorwaarden expliciet instellen, bijvoorbeeld maximale temperaturen of druk. Zo ontstaat meer controle over de uitkomsten in kritieke scenario’s. Dit ondersteunt riskmanagement en modelbewaking in productieomgevingen.
Europese AI-verordening gevolgen overheid
De Europese AI-verordening (AI Act) eist extra zorg bij systemen die invloed hebben op veiligheid of infrastructuur. Simulatie- en beslismodellen in waterbeheer, energie of vervoer kunnen dan in of nabij de hoog-risicoklasse vallen. Transparantie, documentatie en testen worden dan verplicht.
Fysisch-onderbouwde modellen helpen aan die plichten te voldoen. Ze bieden beter verklaarbare aannames en beperkingen, plus traceerbare parameters. Dat maakt audits en technische dossiers eenvoudiger voor toezichthouders en interne compliance-teams.
Voor Nederlandse overheden, zoals Rijkswaterstaat en netbeheerders, kan dit de inzet van digitale tweelingen versnellen. Minder data en meer structurele checks verlagen juridische en operationele drempels. Zo komt experimenteerwetgeving en publieke inkoop dichterbij de praktijk.
Toepassing in Nederlandse industrie
De maakindustrie kan sneller ontwerpen en itereren, van warmtehuishouding in chipmachines tot vloeistofstromen in pompen. Een AI-surrogaatmodel geeft vrijwel direct feedback bij parameterwijzigingen. Dat scheelt rekentijd en energiekosten in het ontwerptraject.
In energie en bouw kan het systeem helpen bij windparken, netbalancering en isolatieplannen. Modellen die de fysica respecteren leveren stabielere voorspellingen bij wisselend weer of belasting. Dat is belangrijk voor netbeheerders en bouwers met strakke normeringen.
Ook onderwijs en onderzoek profiteren, doordat studenten en engineers sneller met realistische scenario’s kunnen oefenen. TU/e-projecten sluiten hiermee aan bij Europese initiatieven rond duurzame industrie en digitale innovatie. Het versterkt bovendien het ecosysteem van hightechbedrijven in Brainport Eindhoven.
Beperkingen en volgende stappen
De aanpak kent grenzen. Trainen kan lastig zijn door gevoelige instellingen en stijve vergelijkingen. Zonder goede randvoorwaarden of materiaalgegevens blijft het model beperkt.
De rekentijd verschuift vaak naar de trainingsfase, die krachtige GPU’s vraagt. Daarna zijn voorspellingen juist snel en energiezuinig. Organisaties moeten dus investeren in eenmalige training en goede MLOps-processen.
De volgende stap is koppeling met digitale tweelingen die live sensordata gebruiken. Hybride modellen combineren fysica en meetgegevens en houden zo systemen up-to-date. TU/e verwacht dat deze lijn real-time toepassingen in fabriek, energie en water sneller haalbaar maakt.