Het doel is een simulatie te ontwikkelen van verschijnselen in complexe systemen, zoals elektrochemie in batterijen, kernfusie in een reactor, en CO2-vastlegging. De reikwijdte van MMS strekt zich uit tot zowel de exacte wetenschappen als de sociale wetenschappen, techniek en industrie, en het vereist een multidisciplinaire aanpak.

Een integrale systeemaanpak is ontzettend relevant in een tijd waarin uitdagende duurzaamheidsvraagstukken steeds belangrijker worden, met name op het gebied van water, voedsel en energie. Een integrale systeemaanpak omvat alle processen over de gehele levenscyclus en zelfs daarna, inclusief recycling.

Omdat vrijwel alle technologieën die kunnen bijdragen aan een duurzame toekomst bijna altijd multischaal van aard zijn, zal MMS een cruciale rol spelen in deze transitie. En dus een belangrijk aandachtsgebied binnen Computationele Sciences.

In tegenstelling tot de tijdsintensieve trial-and-error methode, stelt deze rationele en systematische datagedreven aanpak ons in staat om razendsnel oplossingen te vinden voor urgente en grote vraagstukken rondom duurzaamheid, verantwoorde materialen, gezondheid en klimaatadaptatie.

Data-gedreven methoden zijn cruciaal om enorme hoeveelheden gegevens te analyseren en wiskundige voorspellingsmodellen te ontwikkelen (datasets). Beiden zijn nodig om een duurzame, klimaatneutrale en circulaire productie van hoogwaardige plantaardige en dierlijke voeding te ontwikkelen en zo onze ecologische voetafdruk te verkleinen.

Het succes van datagedreven methoden hangt af van de beschikbaarheid van grote hoeveelheden data. Bij de ontwikkeling van datagedreven methoden is het daarom belangrijk om richtlijnen voor het beschrijven, opslaan en publiceren van data aan te houden, volgens het FAIR principe: Findability, Accessibility, Interoperability, and Reusability. Daarnaast zijn metadata zoals aanmaakdatum, kwaliteit en eigenaar essentieel om datasets te kunnen doorzoeken en te kunnen navigeren.

Inmiddels zijn er diverse platforms met data repositories die het organiseren, doorzoeken, delen en gebruiken van hoogwaardige data faciliteren. Er ligt een grote behoefte en tevens uitdaging om datasets van diverse bronnen met elkaar te integreren zodat het potentieel ervan nog meer kan worden benut.

Binnen de computationele wetenschappen dient zich een nieuwe aanpak aan voor het versnellen van simulaties. Met razendsnelle machine learning, zoals deep neural networks, kunnen modellen worden getraind, waardoor delen van berekeningen duizenden of zelfs miljoenen malen sneller kunnen worden uitgevoerd. Dit gebruik van machine learning staat bekend als surrogate modelling of surrogaatmodellering. Deze aanpak is sterk in ontwikkeling waarbij voortdurend nieuwe en meer effectieve methoden ontwikkeld worden. Dat brengt innovatieve toepassingen dichterbij.

Surrogaatmodelleren is sterk in ontwikkeling en draagt grote beloftes met zich mee voor snelle toepassingen op vrijwel alle grote maatschappelijke uitdagingen. De verwachting is dat het ‘laaghangende fruit’ snel geoogst gaat worden, terwijl voor de langere termijn de uitdaging is om het veld uit te tillen boven de status van ‘nieuwe belofte’.

Denk bijvoorbeeld aan:

• creatie van surrograatmodellen die overdraagbaar zijn naar andere domeinen
• de mogelijkheid om met efficiënte surrogaatmodellen allerlei ontwerpen virtueel te onderzoeken en optimale oplossingen te voorspellen, zonder tijdsintensieve real-life tests
• combineren van machine learning technieken met natuurkundige inzichten

Er is nog veel onderzoek nodig voor zulke technieken en de combinaties hiervan.

In diverse toepassingsgebieden, zoals medicijnontwikkeling, voedselveiligheid, en vliegveiligheid, bestaan commissies die ervoor waken dat berekende resultaten betrouwbaar zijn. Om hieraan te voldoen moet er voldoende gekwalificeerd personeel beschikbaar zijn, dat gebruik kan maken van de meest geavanceerde methoden.

Om het aandachtsgebied een stap verder te brengen zijn nieuwe ontwikkelingen nodig, zoals het ontwikkelen van efficiënte algoritmen. Die moeten tot tien keer sneller worden omdat de complexiteit van de onderzochte toepassingen steeds groter wordt doordat modellen bijvoorbeeld meerdere tijd- en lengteschalen mee moeten nemen in hun berekeningen.

De uitdaging hierbij is om methoden te ontwikkelen die kunnen inschatten welke effecten de fouten op de individuele schaalniveaus hebben op de gekoppelde modellen. Ook is het belangrijk dat er onderzoek wordt gedaan om de geldigheid van aannames te onderzoeken en zo rekenmethodes betrouwbaarder te maken.

Moderne computers vragen steeds meer energie: voor de grootste supercomputer ter wereld is zelfs een aparte elektriciteitscentrale nodig. Een overstap naar andere, meer energie-efficiënte computertypes, zoals de quantumcomputer of neuromorphische computer chips, kan dit energieverbruik beteugelen. Maar om zulke computers efficiënt te gebruiken zijn nieuwe modellen en rekenschema’s nodig.

In de toekomst zal energie-efficiënt rekenen verder ontwikkeld moeten worden om het energiegebruik van de computers beheersbaar te houden. Dat vraagt om investeringen in de volgende onderdelen:

1. Huidige algoritmen voor kunstmatige intelligentie worden vaak opgestart met een “schone lei”, i.e. vanaf het begin, waardoor vaak lang gerekend moet worden voordat de informatie up to date is.
2. Door te rekenen met instelbare precisie is veel energiewinst mogelijk.
3. Bestaande software toepassen op nieuwe problemen versnelt het ontwikkelen van nieuwe simulatiepakketten, maar is meestal niet geoptimaliseerd voor de nieuwe toepassing.
4. Bij veel berekeningen kost het transport van de data naar de rekeneenheden de meeste energie en tijd.

Kortom, dit onderzoeksgebied kent vele uitdagingen maar kan enorm bijdragen aan de nieuwe generatie energie efficiënte computers. Investeringen op dit gebied zullen ervoor zorgen dat het onderzoek in Nederland zijn toppositie kan handhaven en zo mogelijk verbeteren.