Onderzoekers hebben een nieuwe methode ontwikkeld om generatieve kunstmatige intelligentie (AI) effectiever in te zetten binnen de werktuigbouwkunde. Door het combineren van omkeerbare neurale netwerken met realtime simulaties van natuurkundige processen, wordt het mogelijk om productontwerpen te creëren die direct toetsbaar en verklaarbaar zijn.
In een recent gepubliceerd wetenschappelijk artikel, ingediend op 12 november 2026, presenteren M. de Campos en collega's een innovatieve benadering voor productdefinitie in het tijdperk van AI. Het onderzoek, getiteld "Generative Design with Real-time Physics Explainability", richt zich op het overbruggen van de kloof tussen de creatieve kracht van generatieve AI en de strikte eisen van de mechanische engineering. Volgens de publicatie op arxiv.org kan dit leiden tot een efficiëntere manier om ontwerp parameters af te leiden uit specifieke prestatie-eisen.
De synergie tussen INN en simulaties
Het voorgestelde raamwerk rust op twee belangrijke technologische pijlers. Enerzijds maken de onderzoekers gebruik van invertible neural networks (INN). Deze netwerken worden ingezet om inverse ontwerpproblemen op te lossen, waarbij de AI vanuit de gewenste prestaties van een product terugrekent naar de benodigde ontwerpkenmerken.
Anderzijds maken de auteurs gebruik van generatieve AI-modellen die fungeren als realtime surrogaten voor complexe natuurkundige simulaties. In plaats van urenlang te wachten op traditionele berekeningen, kan de AI razendsnel voorspellen hoe een ontwerp zich in de praktijk zal gedragen. Door deze twee stromen te verenigen in één systeem, ontstaat een proces waarbij de klantvereisten de sturing geven via de INN, terwijl de generatieve simulatie direct uitlegt waarom een specifiek ontwerp aan die vereisten voldoet.
Bestrijding van AI-hallucinaties
Een kritiek punt bij het gebruik van generatieve AI in technische sectoren is de neiging van modellen om 'hallucinaties' te produceren: resultaten die er correct uitzien, maar fysiek onmogelijk zijn. Om dit risico te beperken, stellen de auteurs in hun een methode voor voor onzekerheidskwantificering. Hiermee kan het systeem fysiek onhaalbare verzoeken filteren en weigeren, wat de betrouwbaarheid van het proces verhoogt.
Ondanks de snelheid van de AI-surrogaten benadrukken de onderzoekers dat validatie met klassieke engineering-tools onmisbaar blijft. De AI dient als versneller en verklaarder, maar de uiteindelijke verificatie moet gebeuren met traditionele, bewezen methoden.
Praktische toepassingen en validatie
Om de effectiviteit van dit nieuwe paradigma aan te tonen, hebben de onderzoekers twee interactieve omgevingen ontwikkeld:
1. Airfoil-ontwerp: Een omgeving gebaseerd op simulatorgegevens voor het optimaliseren van vleugelprofielen.
2. Verbrandingskamer-exploratie: Een systeem gebaseerd op gemeten data om de ontwerpruimte van verbrandingskamers te onderzoeken.
Deze toepassingen laten zien hoe de theoretische combinatie van INN en realtime fysica kan worden vertaald naar concrete industriële scenario's. Het onderzoek is gecategoriseerd onder de vakgebieden Machine Learning en Computationele Natuurkunde, zoals vermeld in de .
Hoewel de focus van dit onderzoek ligt op hoogwaardige technische innovatie, is het belangrijk om op te merken dat externe bronnen zoals getyourguide.com geen relevante informatie bieden over deze wetenschappelijke ontwikkeling, aangezien hun diensten zich richten op toerisme en ervaringen. De volledige technische details en de methodologie van het onderzoek zijn uitsluitend terug te vinden in de op het arXiv-platform.