Jacobiaanse determinant: het rekengetal dat robots, AI en 3D-modellen in bedwing houdt

Bijgewerkt: 6 augustus 2026 · 6 min leestijd

Stel je een elastisch vel rubber voor met daarop een net getekend van vierkante hokjes. Als je aan het vel trekt, vervormen de hokjes: sommige worden groter, andere kleiner, weer andere schuintrekken tot ruiten. De jacobiaanse determinant is een getal dat op elk punt van dat vel precies vertelt hoe sterk de oppervlakte daar verandert door de vervorming. Is het getal 2, dan is een klein hokje op die plek twee keer zo groot geworden. Is het 0,5, dan is het gehalveerd. Wordt het getal negatief, dan is het hokje 'omgeklapt', als een spiegelbeeld.

Dat klinkt abstract, maar dit ene getal duikt op in verrassend veel technologie die met de toekomst te maken heeft. Het zit verstopt in de software die een robotarm aanstuurt, in de kunstmatige-intelligentiemodellen die realistische plaatjes genereren, en in de scans waarmee artsen longen of hersenen vergelijken. Dit artikel legt uit wat de jacobiaanse determinant is, waarom hij zo nuttig is, en wie ermee werken.

Wat is het precies?

De jacobiaanse determinant komt uit de wiskunde, specifiek uit de calculus met meerdere variabelen. Om hem te begrijpen, helpt het om eerst de jacobiaanse matrix (kortweg jacobiaan) te snappen. Stel je hebt een functie die een invoerpunt, bijvoorbeeld een coördinaat (x, y), omzet in een uitvoerpunt (u, v). De jacobiaanse matrix beschrijft, voor een piepklein gebiedje rond dat punt, hoe elke uitvoerrichting verandert als je elke invoerrichting een heel klein beetje verandert. Het is dus een tabel van 'gevoeligheden'.

De determinant is een bekende bewerking uit de lineaire algebra die van zo'n vierkante tabel getallen (matrix) één enkel getal maakt. Voor een simpele 2x2-matrix bereken je dat door de twee diagonalen met elkaar te vermenigvuldigen en van elkaar af te trekken. Pas je die bewerking toe op de jacobiaanse matrix, dan krijg je de jacobiaanse determinant: één getal per punt dat de lokale volume- of oppervlakteverandering samenvat.

Drie eigenschappen maken dit getal bruikbaar. Ten eerste geeft de absolute waarde (het getal zonder plus- of minteken) aan hoeveel groter of kleiner een gebiedje wordt: groter dan 1 betekent uitrekken, kleiner dan 1 betekent samendrukken. Ten tweede vertelt het teken (plus of min) of de oriëntatie behouden blijft of omslaat, zoals bij een spiegeling. Ten derde: als de determinant nul is, stort het gebiedje volledig in tot een lijn of punt, en verlies je informatie die niet meer terug te draaien is. Die laatste eigenschap is cruciaal in toepassingen waarbij een omkeerbare transformatie nodig is.

Wat wil men ermee bereiken?

De jacobiaanse determinant is geen technologie op zichzelf, maar een rekenkundig gereedschap dat drie dingen mogelijk maakt die in veel toekomstgerichte systemen terugkomen.

Allereerst: het omrekenen tussen coördinatenstelsels zonder informatie te verliezen of te vervormen. Wanneer een computer een driedimensionaal object plat uittekent, een sensor gegevens omzet naar een kaart, of een neuraal netwerk data van de ene naar de andere 'ruimte' stuurt, moet je weten hoe volumes en kansen daarbij meeschalen. Zonder de jacobiaanse determinant reken je jezelf in de vingers.

Ten tweede: het bewaken van kansdichtheden. In statistiek en machine learning gebeurt het voortdurend dat je een kansverdeling transformeert. De bekende change of variables-formule (verandering-van-variabelenformule) zegt dat je de oorspronkelijke kansdichtheid moet delen door de absolute waarde van de jacobiaanse determinant om de nieuwe, correcte kansdichtheid te krijgen. Dat is precies waarom generatieve AI-modellen dit getal nodig hebben.

Ten derde: het detecteren van fouten of onmogelijke situaties. Als bij een robotbeweging of een medische beeldvervorming de jacobiaanse determinant naar nul zakt of negatief wordt, is dat een signaal dat er iets misgaat: een robotarm die 'vastloopt' in een singuliere stand, of weefsel op een scan dat onnatuurlijk in elkaar zou vouwen. Het doel is dus niet spectaculair, maar fundamenteel: betrouwbare, omkeerbare en foutbestendige berekeningen.

Voorbeelden uit de praktijk

In de robotica wordt de jacobiaan al sinds eind jaren zestig gebruikt om robotarmen aan te sturen. Techneut Daniel Whitney beschreef in 1969 hoe je met de jacobiaanse matrix de snelheid van de 'hand' van een robot kunt vertalen naar de benodigde bewegingen van elk gewricht. Diezelfde wiskunde zit nog steeds in moderne industriële robots van fabrikanten als KUKA en ABB, en in onderzoeksrobots van laboratoria als die van MIT en ETH Zürich.

In de medische beeldvorming gebruiken radiologen en onderzoekers de jacobiaanse determinant om longen, hersenen of andere organen op twee verschillende scans met elkaar te vergelijken via zogeheten 'deformable image registration' (vervormbare beeldregistratie). Softwarepakketten zoals ANTs, ontwikkeld aan de University of Pennsylvania door onder meer Brian Avants en James Gee (vanaf 2008 gepubliceerd als de SyN-methode), gebruiken kaarten van de jacobiaanse determinant om te controleren of het vervormingsveld realistisch blijft en weefsel niet onnatuurlijk 'vouwt'.

In generatieve kunstmatige intelligentie ligt het concept aan de basis van zogeheten normalizing flows: modellen die een simpele kansverdeling stap voor stap omvormen tot een complexe, bijvoorbeeld de verdeling van realistische gezichtsfoto's. Google Brain-onderzoekers Laurent Dinh, Jascha Sohl-Dickstein en Samy Bengio introduceerden in 2016 het model RealNVP, dat expliciet de log van de jacobiaanse determinant berekent om kansdichtheden bij te houden. OpenAI-onderzoekers Diederik Kingma en Prafulla Dhariwal bouwden dit in 2018 uit tot Glow, dat scherpere beelden kon genereren.

Een verwant voorbeeld zijn de Neural Ordinary Differential Equations (Neural ODE's), gepresenteerd in 2018 door Ricky T.Q. Chen en collega's van de universiteit van Toronto. Zij omzeilden de zware berekening van een volledige determinant door in plaats daarvan het spoor (trace) van de jacobiaan te gebruiken, een lichter te berekenen gerelateerde grootheid, wat continue versies van deze 'flow'-modellen praktisch haalbaar maakte.

Ook in de computergraphics, bijvoorbeeld bij het uitrekken van een textuur (patroon) over een 3D-model of het vervormen van een animatiemesh, controleren ontwerpprogramma's de jacobiaanse determinant om te voorkomen dat het oppervlak zichzelf ongewenst doorkruist.

Hoe ver is de techniek?

Omdat het hier om een wiskundig concept gaat en niet om een apparaat of product, is er geen 'lanceerdatum' of productrijpheid zoals bij hardware. De robotica-toepassing is decennia oud en volledig ingeburgerd; elke industriële robotarm ter wereld rekent er impliciet mee. Ook in medische beeldregistratie is het gebruik sinds de jaren 2000 standaardpraktijk in onderzoek en, in beperktere mate, in de kliniek.

De nieuwste ontwikkelingen zitten in de combinatie met machine learning. Normalizing flows zijn sinds 2015-2018 een actief onderzoeksveld, maar hebben in de praktijk terrein moeten prijsgeven aan andere generatieve technieken zoals diffusiemodellen (de basis van bijvoorbeeld Stable Diffusion en Midjourney), die minder rekenintensief zijn. Het rekenen van een jacobiaanse determinant voor grote, complexe modellen blijft namelijk duur: voor een matrix van n bij n groeit de standaardberekening ruwweg met n in de derde macht, wat bij modellen met miljoenen parameters al snel onwerkbaar wordt. Onderzoekers lossen dit op met trucs zoals speciale netwerkarchitecturen die een driehoeksvorm afdwingen (waardoor de determinant simpelweg het product van de diagonaal wordt) of door, zoals bij Neural ODE's, alleen het spoor te schatten in plaats van de volledige determinant.

Kortom: als wiskundig gereedschap is de jacobiaanse determinant volledig uitontwikkeld en betrouwbaar; als bouwsteen in schaalbare AI-systemen is er nog volop onderzoek gaande naar hoe je hem efficiënt genoeg kunt berekenen voor grote modellen.

Wie werken eraan?

Aan de wiskundige theorie zelf wordt weinig meer 'gewerkt': die staat al sinds de negentiende eeuw vast, vernoemd naar de Duitse wiskundige Carl Gustav Jacob Jacobi. De actieve ontwikkeling zit in de toepassingen.

In robotica zijn universiteiten als MIT, ETH Zürich en TU Delft, en bedrijven als Boston Dynamics, KUKA en ABB, gebruikers en verfijners van jacobiaan-gebaseerde besturingsalgoritmen. In medische beeldverwerking speelt de University of Pennsylvania (met het open-source ANTs-pakket) een leidende rol, naast onderzoeksgroepen die met steun van onder meer de Amerikaanse National Institutes of Health werken aan beeldregistratie. In AI-onderzoek naar normalizing flows en verwante modellen waren en zijn Google DeepMind (voortgekomen uit Google Brain), OpenAI en de universiteit van Toronto belangrijke spelers, naast talrijke academische groepen wereldwijd die publiceren op platforms als arXiv en op conferenties zoals NeurIPS en ICLR.