Blow-up (singulariteit): wanneer wiskunde ‘oneindig’ wordt

Bijgewerkt: 9 september 2026 · 5 min leestijd

Stel je een schaatser voor die tijdens een pirouette haar armen intrekt: hoe kleiner de cirkel, hoe sneller ze draait. Nu stel je je een extreme versie voor waarbij die versnelling niet stopt bij een record, maar binnen een paar seconden oneindig snel zou worden. Dat is in essentie wat wiskundigen een blow-up noemen: een oplossing van een vergelijking die in een eindige hoeveelheid tijd naar oneindig schiet. Het is geen sciencefiction-scenario, maar een wiskundig verschijnsel dat opduikt in de vergelijkingen die we gebruiken om vloeistoffen, gassen en zelfs de ruimtetijd zelf te beschrijven.

Het woord ‘singulariteit’ klinkt griezelig, en dat is het in zekere zin ook: het is het punt waarop een wiskundig model instort. De vergelijkingen die bijvoorbeeld turbulentie in water of lucht beschrijven, voorspellen op zo'n punt een oneindige snelheid of druk — iets wat in de echte natuur niet kan bestaan. Onderzoekers proberen daarom te achterhalen of zulke blow-ups in de belangrijkste vloeistofvergelijkingen daadwerkelijk kunnen optreden, en recent zetten ze daarbij steeds vaker kunstmatige intelligentie in als rekenhulpmiddel. Dat maakt dit eeuwenoude wiskundige vraagstuk plotseling relevant voor het nieuws over toekomsttechnologie.

Wat is het precies?

Natuurkundigen beschrijven de beweging van vloeistoffen en gassen met zogeheten partiële differentiaalvergelijkingen: wiskundige formules die vertellen hoe snelheid, druk en dichtheid op elk punt in de ruimte veranderen in de tijd. De bekendste zijn de Euler-vergelijkingen (voor vloeistoffen zonder wrijving) en de Navier-Stokes-vergelijkingen (die ook wrijving, oftewel viscositeit, meenemen). Deze vergelijkingen liggen aan de basis van weersvoorspellingen, vliegtuigontwerp en klimaatmodellen.

Een blow-up ontstaat wanneer je zo'n vergelijking laat ‘lopen’ vanaf een nette, gladde beginsituatie, en de wiskundige oplossing na een eindige tijd — zeg na drie seconden, niet na oneindig lang wachten — een oneindige waarde bereikt. Vaak gebeurt dit doordat een omwenteling (vorticiteit) zichzelf blijft versterken: hoe sneller de draaiing, hoe sterker de kracht die de draaiing nog verder aanwakkert, in een steeds kleiner wordend gebied. Wiskundigen noemen dit een zelfgelijkvormige (self-similar) blow-up: het patroon herhaalt zich op steeds kleinere schaal, als een fractal die inzoomt naar een punt.

Belangrijk om te beseffen: een blow-up is in eerste instantie een eigenschap van het wiskundige model, niet per se van de werkelijkheid. Water kookt niet oneindig hard. Maar als het model een singulariteit voorspelt, betekent dat dat de vergelijking op dat punt geen betrouwbare voorspelling meer geeft — en dat roept fundamentele vragen op over hoe goed we turbulentie en chaos in vloeistoffen eigenlijk begrijpen.

Wat wil men ermee bereiken?

Het uiteindelijke doel is niet om blow-ups te ‘bouwen’, maar om te begrijpen of ze bestaan en hoe ze eruitzien. Dit raakt aan een van de beroemdste onopgeloste problemen in de wiskunde: of de 3D Navier-Stokes-vergelijkingen voor altijd gladde oplossingen hebben, of dat ze in bepaalde gevallen singulier worden. Dit staat bekend als het Navier-Stokes-bestaan-en-gladheidsprobleem, een van de zeven Millennium-problemen van het Clay Mathematics Institute, met een beloning van een miljoen dollar voor wie het oplost.

Er is ook praktisch belang. Turbulentie — de chaotische werveling van lucht en water — is een van de minst goed begrepen verschijnselen in de natuurkunde en cruciaal voor onder meer weersvoorspelling, klimaatmodellen, vliegtuigaerodynamica en de stroming van bloed door aders. Beter begrip van hoe en waarom singulariteiten wel of niet optreden, helpt om numerieke modellen te verbeteren en te weten waar de grenzen van onze rekenmodellen liggen.

Tot slot is er een methodologisch doel: kunnen we kunstmatige intelligentie inzetten om oplossingen te vinden voor vergelijkingen die te complex zijn voor menselijke intuïtie of klassieke computerberekeningen alleen? Dat maakt dit onderzoeksveld ook een testcase voor de rol van AI in fundamentele wiskunde.

Voorbeelden uit de praktijk

Hoewel het onderwerp abstract klinkt, zijn er concrete onderzoeksprojecten en doorbraken te noemen:

Thomas Hou (Caltech), 2019 — met grootschalige computersimulaties vond Hou samen met collega's sterke aanwijzingen voor een blow-up in de 3D Euler-vergelijkingen bij een vloeistof met een wand als begrenzing, een resultaat dat wereldwijd aandacht kreeg in de wiskundige gemeenschap.
Tarek Elgindi, 2019 — leverde een van de eerste rigoureuze (bewezen, niet alleen numerieke) blow-up-resultaten voor de Euler-vergelijkingen zonder wanden, voor vloeistoffen met beperkte gladheid.
Google DeepMind met Brown University en New York University, 2023-2024 — onderzoekers gebruikten neurale netwerken om nieuwe families van zelfgelijkvormige blow-up-oplossingen te vinden voor verwante vergelijkingen zoals de Boussinesq- en poreuze-mediumvergelijkingen, gepubliceerd onder meer in Nature. Dit was een van de eerste keren dat machine learning direct bijdroeg aan een nieuw wiskundig bewijs over singulariteiten.
Jean Leray, jaren 30 — de Franse wiskundige die als eerste ‘zwakke oplossingen’ definieerde om met mogelijke singulariteiten om te gaan; zijn werk vormt nog steeds de basis van het huidige onderzoek.
Terence Tao, 2016 — liet zien dat een iets aangepaste (‘gemiddelde’) versie van de Navier-Stokes-vergelijkingen wél kan blow-uppen, wat aantoont hoe subtiel de grens ligt tussen wel en geen singulariteit in het origineel.

Hoe ver is de techniek?

Het kernprobleem — bestaat er een blow-up in de echte, driedimensionale Navier-Stokes-vergelijkingen met wrijving — is nog altijd onopgelost. Voor de Euler-vergelijkingen (zonder wrijving) zijn wel numerieke en gedeeltelijk bewezen blow-up-scenario's gevonden, maar het overtuigend en volledig wiskundig bewijzen van zo'n resultaat blijft notoir lastig, mede omdat computersimulaties nooit helemaal precies kunnen zijn: kleine afrondingsfouten kunnen bij een systeem dat exponentieel gevoelig is voor kleine verstoringen grote gevolgen hebben.

De inzet van machine learning is een relatief jonge ontwikkeling van de afgelopen vijf jaar. Neurale netwerken worden gebruikt om kandidaat-oplossingen te ‘gokken’ die daarna met klassieke, rigoureuze wiskundige technieken (zoals computerondersteunde bewijzen met interval-rekenmethoden) worden geverifieerd. Dat verificatiestapje blijft mensenwerk en is vaak het traagste onderdeel: AI kan een patroon vinden, maar het bewijs dat het patroon werkelijk klopt, moet nog steeds sluitend worden gemaakt door wiskundigen.

Concreet betekent dit: voor vereenvoudigde of verwante vergelijkingen (zoals de Boussinesq-vergelijking, die convectie in vloeistoffen beschrijft) zijn er inmiddels nieuwe, AI-ondersteunde blow-up-oplossingen bevestigd. Voor de volledige 3D Navier-Stokes-vergelijkingen — en dus voor de miljoenendollarprijs van het Clay Institute — is nog geen doorbraak bereikt. De meeste experts schatten dat een definitief antwoord nog jaren, mogelijk decennia, op zich laat wachten.

Wie werken eraan?

Dit onderzoek combineert klassieke wiskundige instituten met nieuwe AI-labs. Google DeepMind heeft de afgelopen jaren een eigen onderzoekslijn opgezet rond AI voor fundamentele wiskunde, in samenwerking met academische partners. Aan de academische kant zijn Caltech (met Thomas Hou), New York University (Courant Institute, van oudsher een centrum voor vloeistofdynamica), Brown University en Princeton University belangrijke spelers.

Het Clay Mathematics Institute (Verenigde Staten) fungeert als hoeder van het officiële Millennium-probleem en de bijbehorende prijs, en publiceert de formele probleemstelling. Daarnaast dragen wiskundigen verspreid over de wereld bij, met een sterke traditie in Frankrijk (voortbouwend op het werk van Leray) en aan Australische en Amerikaanse universiteiten (onder wie Terence Tao, UCLA). Financiering komt zowel van universiteiten en overheidsbeurzen (zoals de Amerikaanse National Science Foundation) als, in toenemende mate, van techbedrijven die interesse hebben in AI-voor-wetenschap.