Inverse ontwerp: eerst de eigenschap bedenken, dan het materiaal

Bijgewerkt: 18 augustus 2026 · 6 min leestijd

Stel dat je een lens wilt die licht van precies één kleur bundelt tot een vlekje zo klein als natuurkundig mogelijk is. De klassieke manier van werken is: een ontwerper tekent een vorm, een computer berekent wat die vorm met licht doet, en als het resultaat niet goed genoeg is, tekent de ontwerper opnieuw. Dat kan honderden pogingen kosten. Inverse ontwerp draait dit om: je beschrijft eerst precies wat je wilt (de gewenste eigenschap), en een algoritme zoekt daarna zelf de vorm, structuur of samenstelling die dat resultaat oplevert.

Een vergelijking met koken maakt het concreet. Normaal kies je een recept en proef je wat eruit komt. Inverse ontwerp is alsof je eerst exact omschrijft welke smaak, textuur en geur je wilt, waarna een computer duizenden recepten doorrekent en precies dat recept teruggeeft dat aan je wensen voldoet. In de techniek gebeurt dit niet met smaken maar met eigenschappen zoals lichtbreking, sterkte, geleidbaarheid of, bij eiwitten, de vorm waarin een molecuul zich vouwt.

Wat is het precies?

Bij traditioneel of "voorwaarts" ontwerpen ga je van structuur naar eigenschap: je kiest een vorm of materiaal en berekent (of meet) daarna wat het doet. Inverse ontwerp keert deze volgorde om: je start met de gewenste eigenschap en laat software de bijbehorende structuur vinden. Dat klinkt eenvoudig, maar het aantal mogelijke structuren is vaak astronomisch groot, dus "gewoon alles proberen" is geen optie.

Om toch snel de beste oplossing te vinden, gebruiken onderzoekers verschillende wiskundige trucs. Eén bekende methode heet topologie-optimalisatie: de computer begint met een blok materiaal en verwijdert stap voor stap de delen die het minst bijdragen aan de gewenste eigenschap, tot er een efficiënte vorm overblijft. Denk aan een brugonderdeel dat sterk moet zijn maar zo min mogelijk mag wegen.

Een andere veelgebruikte techniek is de adjoint-methode, vooral populair in de fotonica (de wetenschap van licht). In plaats van duizenden losse ontwerpen één voor één te simuleren, berekent deze methode in één keer hoe gevoelig de gewenste eigenschap is voor elke kleine aanpassing in het ontwerp. Zo weet het algoritme meteen in welke richting het moet bijsturen, wat het zoekproces enorm versnelt.

De laatste jaren is daar een derde aanpak bijgekomen: generatieve kunstmatige intelligentie. Modellen die getraind zijn op grote hoeveelheden bestaande structuren (materialen, moleculen, eiwitten) leren zelf patronen herkennen tussen vorm en eigenschap. Geef zo'n model een gewenste eigenschap, en het genereert direct een of meerdere kandidaat-structuren, vaak binnen seconden in plaats van dagen rekentijd.

Wat wil men ermee bereiken?

De belofte van inverse ontwerp is vooral snelheid en het vinden van oplossingen die een mens nooit zelf zou bedenken. Menselijke ontwerpers werken vaak met bekende, intuïtieve vormen, terwijl een algoritme ook vreemd ogende, grillige structuren kan voorstellen die beter presteren, simpelweg omdat het niet gehinderd wordt door esthetische aannames.

In de materiaalkunde hoopt men zo sneller nieuwe stoffen te vinden met eigenschappen die nu ontbreken: batterijmaterialen met meer capaciteit, supergeleiders die bij hogere temperaturen werken, of lichtgewicht legeringen voor de luchtvaart. Normaal duurt het ontdekken en testen van een nieuw materiaal jaren tot decennia; inverse ontwerp moet die zoektocht inperken tot een kleine, kansrijke selectie voordat er ook maar iets in een laboratorium wordt gemaakt.

In de fotonica wil men optische componenten (lenzen, chips, sensoren) kleiner, efficiënter en goedkoper maken, bijvoorbeeld voor gebruik in smartphonecamera's, glasvezelnetwerken of toekomstige optische computerchips. En bij eiwitontwerp is het doel om moleculen te maken die van nature niet bestaan, maar wel een specifieke, nuttige functie hebben: een enzym dat plastic afbreekt, of een eiwit dat een virus blokkeert.

Belangrijk is dat inverse ontwerp geen wondermiddel is dat de natuurwetten omzeilt. Het algoritme zoekt binnen de grenzen van wat natuurkundig en scheikundig mogelijk is; het versnelt en verbreedt de zoektocht, maar garandeert niet dat elke wens ook daadwerkelijk haalbaar is.

Voorbeelden uit de praktijk

Een van de meest aansprekende voorbeelden komt uit de biochemie. Het laboratorium van David Baker aan de University of Washington gebruikt al ruim twintig jaar computationele methoden om eiwitten te ontwerpen die niet in de natuur voorkomen. Met het model RFdiffusion, gepubliceerd in 2023, kan de software op basis van een gewenste functie (bijvoorbeeld het binden aan een bepaald ziekteverwekkend eiwit) razendsnel een passende eiwitstructuur genereren. Baker ontving hiervoor in 2024 de helft van de Nobelprijs Scheikunde; de andere helft ging naar Demis Hassabis en John Jumper van Google DeepMind voor AlphaFold, dat de omgekeerde stap doet: van eiwitstructuur naar functie voorspellen.

In de fotonica gebruiken onderzoeksgroepen zoals die van Jelena Vučković aan Stanford University al sinds het begin van de jaren 2010 adjoint-gebaseerde inverse-designmethoden om piepkleine optische chips en golfgeleiders te ontwerpen die licht op ongebruikelijke, zeer efficiënte manieren sturen. Deze aanpak is inmiddels ook terug te vinden in commerciële ontwerpsoftware voor de chipindustrie.

In de materiaalkunde publiceerde Google DeepMind in november 2023 het onderzoek naar GNoME (Graph Networks for Materials Exploration), een deep-learning-systeem dat ongeveer 2,2 miljoen nieuwe, mogelijk stabiele kristalstructuren voorspelde. Een deel daarvan werd vervolgens, in samenwerking met een Amerikaans onderzoekslab, ook daadwerkelijk in het laboratorium gesynthetiseerd om te controleren of de voorspellingen klopten.

Ook in de bouw- en luchtvaartindustrie is topologie-optimalisatie, een vorm van inverse ontwerp, inmiddels gangbaar: constructieonderdelen voor vliegtuigen en auto's worden zo ontworpen dat ze net genoeg materiaal bevatten om de vereiste sterkte te halen, wat gewicht en brandstofverbruik bespaart.

Hoe ver is de techniek?

Inverse ontwerp is geen nieuw idee; topologie-optimalisatie bestaat al sinds de jaren tachtig van de vorige eeuw en wordt in de industrie al decennialang toegepast voor mechanische onderdelen. Wat de laatste tien tot vijftien jaar wél sterk veranderd is, is de combinatie met goedkopere rekenkracht en machine learning, waardoor de methode is doorgedrongen tot nieuwe vakgebieden zoals fotonica, materiaalkunde en biochemie.

In de fotonica is inverse ontwerp inmiddels volwassen genoeg om in commerciële software en enkele geproduceerde chips te verschijnen, al blijft het vertalen van een computerontwerp naar een daadwerkelijk fabriceerbare, betaalbare chip een technische hindernis. In de materiaalkunde is de situatie voorzichtiger: algoritmen als GNoME leveren vooral kandidaten op papier op, terwijl de meeste van die miljoenen voorspelde materialen nog nooit in een laboratorium zijn gemaakt of getest. Onzeker is dus welk deel ervan in de praktijk ook echt bruikbaar, stabiel en betaalbaar te produceren blijkt.

Eiwitontwerp staat het verst, mede dankzij de combinatie van decennia Rosetta-software en recentere diffusiemodellen zoals RFdiffusion. Ontworpen eiwitten worden al gebruikt in onderzoek naar vaccins en enzymen, maar de weg van een computerontwerp naar een goedgekeurd medicijn of industrieel product blijft lang, omdat uitgebreide veiligheids- en effectiviteitstests nodig blijven.

Een terugkerend knelpunt in alle toepassingen is de kloof tussen simulatie en werkelijkheid: een ontwerp dat op de computer perfect scoort, gedraagt zich in de praktijk soms anders door fabricagefouten, materiaalonzuiverheden of onvolledige natuurkundige modellen. Validatie in het echte laboratorium blijft daarom onmisbaar.

Wie werken eraan?

Op het gebied van eiwit- en moleculair ontwerp is het Baker Lab aan de University of Washington toonaangevend, mede via het non-profitinstituut Institute for Protein Design. Google DeepMind speelt een sleutelrol in zowel eiwitstructuurvoorspelling (AlphaFold) als materiaalontdekking (GNoME), vaak in samenwerking met academische partners zoals het Lawrence Berkeley National Laboratory in de Verenigde Staten.

In de fotonica zijn universiteiten als Stanford University en het Massachusetts Institute of Technology (MIT) vroege en invloedrijke spelers, en is de techniek inmiddels ook opgenomen in commerciële simulatiesoftware van bedrijven als Ansys (via het onderdeel Lumerical), die door chipontwerpers en optische-industrieën wordt gebruikt.

Daarnaast investeren grote technologiebedrijven zoals Microsoft, Meta en NVIDIA in AI-gedreven materiaalontdekking, vaak gericht op batterijen, halfgeleiders en duurzame chemie. Ook Europese en Aziatische onderzoeksinstituten, waaronder verschillende Duitse Max Planck-instituten en Japanse en Zuid-Koreaanse universiteiten, publiceren actief over inverse ontwerp in materiaalkunde en fotonica, al ligt het commerciële zwaartepunt op dit moment vooral in de Verenigde Staten.