Free Lunch Project

Waarom

In 1997 bewezen twee wetenschappers, David Wolpert en William Macready, dat er geen algoritme bestaat dat overal het beste in is. Ze noemden het het No Free Lunch-theorema. Gemiddeld over alle denkbare problemen presteert elk algoritme even goed: wat een methode wint op het ene soort probleem, verliest ze op een ander. Wie wint, past het best bij zijn probleem.

Dat zie je terug in AI. Taalmodellen als ChatGPT kunnen veel: teksten schrijven, code uitleggen, vragen beantwoorden. Maar natuurkunde rekenen ze niet exact uit. Ze voorspellen woorden, en een getal dat er goed uitziet is nog geen berekening. Ze schatten. Voor een gesprek is dat prima, voor een ontwerp waar een machine op moet draaien niet.

De grote doorbraken in wetenschappelijke AI kwamen dan ook niet van modellen die alles een beetje kunnen. AlphaFold voorspelt hoe eiwitten zich vouwen, een vraag waar onderzoekers vijftig jaar op vastliepen; dat werk werd in 2024 bekroond met de Nobelprijs voor Scheikunde. Weermodellen als GraphCast maken een verwachting voor tien dagen in ongeveer een minuut, waar klassieke weermodellen daar een supercomputer voor nodig hebben. Telkens ging het om een model dat voor één taak gebouwd was.

Ondertussen wachten ingenieurs uren tot dagen op simulaties: hoe warmte door een machine stroomt, hoe lucht langs een onderdeel beweegt, hoe een materiaal zich gedraagt onder belasting. Elke wijziging aan een ontwerp betekent opnieuw rekenen. Daardoor testen ze tien ontwerpen, terwijl ze er duizend zouden willen testen. Het beste ontwerp blijft zo vaak ongezien liggen, en dat remt innovatie in chips, energie en industrie.

Er bestaat geen gratis lunch. Wel een specialist die precies bij het probleem past.

Wat

Het Free Lunch Project bouwt gespecialiseerde AI-modellen voor natuurkundige en chemische simulatie. Ze geven hetzelfde antwoord als een klassieke simulatie, maar vele malen sneller.

Gespecialiseerd betekent: één model per soort natuurkunde. Geen model dat van alles een beetje weet, maar een model dat één soort probleem door en door kent, zoals een specialist in het ziekenhuis één orgaan beter kent dan wie ook. Juist doordat het niet alles hoeft te kunnen, kan het zijn ene taak snel en precies doen.

Voor een ingenieur verandert daarmee de manier van werken. Waar een simulatie nu uren duurt, komt het antwoord in seconden. Dan wordt het ineens mogelijk om duizend varianten van een ontwerp door te rekenen in plaats van tien, en te kiezen op grond van wat werkt in plaats van wat er toevallig getest kon worden.

We beginnen met warmte, een kernprobleem in precisiemachines en energiesystemen. In een machine die tot op de nanometer nauwkeurig moet werken, zet metaal al uit bij een fractie van een graad: staal groeit ongeveer twaalf micrometer per meter voor elke graad die het warmer wordt. Wie die warmte niet goed voorspelt, verliest precisie. In batterijen, warmtewisselaars en installaties bepaalt warmte hoe veilig en zuinig iets is, en hoe lang het meegaat.

Daarna volgen stroming, materialen en chemie: hoe lucht en vloeistof om en door een ontwerp bewegen, hoe een materiaal zich houdt onder kracht en temperatuur, en hoe moleculen zich gedragen en met elkaar reageren. Steeds met dezelfde gedachte: een model dat precies bij het probleem past.

Hoe

De natuurkunde is de leraar. We trainen niet op teksten van internet, maar op exacte simulaties die we zelf genereren. Zo kennen we bij elk voorbeeld het juiste antwoord, en leert het model van de natuurkunde zelf in plaats van van wat er ooit over geschreven is.

En de natuurwetten zitten in het model zelf. Energie verdwijnt niet zomaar en warmte stroomt van warm naar koud; dat hoeft het model niet uit duizenden voorbeelden af te leiden, het zit in hoe het is opgebouwd. Zo leert het sneller en maakt het minder onzinnige fouten.

AI en simulatie werken daarbij samen. De AI geeft in milliseconden een eerste antwoord, een klassieke solver maakt het exact af. Omdat de solver niet bij nul begint maar bij een antwoord dat al dichtbij ligt, is hij veel sneller klaar. Dat geeft de snelheid van AI met de betrouwbaarheid van een simulatie: het antwoord is niet geschat, maar nagerekend.

En alles wordt gemeten. Elke stap toetsen we op nauwkeurigheid, op snelheid en op hoe goed het model werkt op ontwerpen die het nooit eerder zag, want daar draait het in de praktijk om. We vergelijken met de klassieke simulatie én met algemene taalmodellen, zodat zichtbaar wordt wat een specialist oplevert.

Europa

Europa wil weer zelf chips maken. Met de Chips Act, sinds september 2023 van kracht, wil de EU haar aandeel in de wereldwijde chipproductie verdubbelen naar twintig procent in 2030. In chips en in de machines die ze maken is warmte een van de hardste ontwerpgrenzen: een chip die zijn warmte niet kwijt kan, moet langzamer, en een machine die door warmte een fractie uitzet, mist haar doel. Wie warmte in seconden doorrekent in plaats van uren, test in dezelfde tijd veel meer ontwerpen.

Europa betaalt ook meer voor energie. Het Draghi-rapport over het Europese concurrentievermogen liet in september 2024 zien dat Europese bedrijven twee tot drie keer zoveel voor stroom betalen als bedrijven in de Verenigde Staten. Rekenkracht is hier dus duurder, en dat pleit voor kleine modellen die één ding goed doen: een gespecialiseerd model vraagt veel minder rekenkracht dan een groot taalmodel. Bovendien helpt het ontwerpen die zelf zuiniger zijn, van batterijen en warmtepompen tot complete installaties.

En Europa wil zijn eigen AI. Gespecialiseerde modellen zijn klein genoeg om in Europa te draaien, op Europese servers en onder Europese regels, zodat ontwerpen het continent niet hoeven te verlaten. Dat sluit aan op de Europese strategie voor AI in de wetenschap van oktober 2025, met RAISE als Europees instituut dat rekenkracht, data en onderzoekers samenbrengt.

Het Free Lunch Project wordt in Europa gebouwd, voor de Europese maakindustrie en voor iedereen die met natuurkunde rekent.