AI maakt enorme hoeveelheden wetenschappelijke data beter bruikbaar
24 augustus 2026
Wetenschappelijke experimenten leveren tegenwoordig enorme hoeveelheden gegevens op. Onderzoekers verzamelen steeds meer informatie over materialen, moleculen, magnetische velden en andere processen. Maar hoe groter de hoeveelheid data wordt, hoe moeilijker het wordt om alles op te slaan, te verplaatsen en te analyseren.
Onderzoekers van het Amerikaanse SLAC National Accelerator Laboratory hebben daarom een nieuwe methode ontwikkeld waarbij kunstmatige intelligentie helpt om grote datasets veel kleiner te maken, zonder belangrijke wetenschappelijke informatie te verliezen. De methode maakt gebruik van een neuraal netwerk en kan volgens de onderzoekers bij verschillende soorten gegevens een verkleining van ongeveer 10 tot 100 keer bereiken.
Steeds meer wetenschappelijke data
Moderne onderzoeksapparatuur wordt steeds krachtiger. Daardoor kunnen wetenschappers metingen uitvoeren die vroeger niet mogelijk waren. Het nadeel daarvan is dat iedere nieuwe generatie apparatuur ook veel meer gegevens kan produceren.
Een goed voorbeeld is de Linac Coherent Light Source van SLAC. Deze krachtige röntgenlaser kan extreem snelle processen in materialen en moleculen onderzoeken. Toekomstige toepassingen kunnen daarbij tot ongeveer een miljoen röntgenpulsen per seconde produceren.
Dat levert een enorme hoeveelheid informatie op. In sommige situaties kan het gaan om bijna één terabyte aan gegevens per seconde. Dat is zoveel data dat traditionele manieren van opslaan en verwerken steeds meer tegen hun grenzen aanlopen.
Waarom gewone compressie niet altijd genoeg is
Wie veel foto’s of bestanden op een computer bewaart, kent het principe van bestandscompressie. Door gegevens slimmer op te slaan kan een bestand kleiner worden, waardoor het minder opslagruimte inneemt.
Bij wetenschappelijke gegevens ligt dat ingewikkelder.
Kleine details in een meting kunnen namelijk juist de informatie bevatten waar een onderzoeker naar op zoek is. Een systeem dat die details tijdens het comprimeren weggooit, kan daardoor onbedoeld belangrijke wetenschappelijke informatie verwijderen.
De onderzoekers van SLAC wilden daarom een methode ontwikkelen die niet alleen kijkt naar hoeveel ruimte een bestand inneemt, maar ook naar welke informatie belangrijk is.
AI leert welke details belangrijk zijn
Daar komt kunstmatige intelligentie in beeld.
De nieuwe methode gebruikt een neuraal netwerk om verschillende kenmerken van een dataset te herkennen. Gegevens worden eerst op verschillende schalen bekeken. Vervolgens leert het netwerk hoe deze informatie compact kan worden opgeslagen.
Het doel is daarbij niet om alles even sterk te verkleinen.
Belangrijke details kunnen juist behouden blijven, terwijl minder belangrijke informatie efficiënter wordt opgeslagen. Hierdoor kan een dataset aanzienlijk kleiner worden zonder dat de informatie die wetenschappers nodig hebben verloren gaat.
Niet alles hoeft opnieuw te worden uitgepakt
Een ander interessant onderdeel van de methode is dat onderzoekers niet altijd de volledige dataset hoeven terug te halen.
Stel dat een wetenschapper later maar één klein gedeelte van een enorm experiment wil bekijken. Bij traditionele compressie kan het nodig zijn om eerst het volledige bestand uit te pakken.
Met de nieuwe AI-methode kan juist een specifiek gedeelte van de gegevens worden teruggehaald.
Dat kan veel tijd en opslagcapaciteit besparen, vooral wanneer datasets zo groot worden dat het verwerken van het volledige bestand minuten, uren of zelfs dagen kan kosten.
Van materialen tot ruimtegegevens
De onderzoekers hebben de methode met verschillende soorten gegevens getest. Daarbij werd onder andere gekeken naar metingen van moleculen en materialen, gegevens over magnetische velden van de zon en foto’s.
Dat is interessant omdat het laat zien dat de techniek niet alleen voor één specifiek experiment bedoeld is.
Ook in andere wetenschappelijke gebieden kunnen grote datasets een probleem vormen. Denk bijvoorbeeld aan klimaatonderzoek, natuurkunde, biologie en sterrenkunde.
Vooral de verbinding met ruimteonderzoek is interessant. Moderne telescopen en observatoria verzamelen enorme hoeveelheden informatie over sterren, sterrenstelsels en andere objecten in het heelal. AI wordt al steeds vaker gebruikt om dergelijke gegevens te analyseren en interessante patronen te herkennen.
Wanneer gegevens efficiënter kunnen worden opgeslagen en onderzocht, kunnen wetenschappers mogelijk sneller vinden wat belangrijk is.
AI als hulpmiddel voor ontdekkingen
Dit onderzoek laat opnieuw zien dat AI niet alleen wordt gebruikt voor chatbots, afbeeldingen of digitale assistenten.
Kunstmatige intelligentie kan ook op de achtergrond werken als hulpmiddel voor wetenschappelijk onderzoek.
Een AI-systeem hoeft daarbij niet zelf een ontdekking te doen. Het kan wetenschappers juist helpen om grote hoeveelheden informatie beter te verwerken, zodat zij zich kunnen richten op de vragen die er echt toe doen.
Dat kan belangrijk worden naarmate wetenschappelijke apparatuur steeds meer gegevens produceert.
Een nieuwe uitdaging voor de wetenschap
De komende jaren zal de hoeveelheid wetenschappelijke data waarschijnlijk verder groeien. Nieuwe instrumenten worden gevoeliger en sneller, waardoor onderzoekers steeds gedetailleerdere metingen kunnen uitvoeren.
Dat is goed nieuws voor de wetenschap, maar brengt ook nieuwe uitdagingen met zich mee.
Waar vroeger vooral de vraag was hoe je voldoende gegevens kunt verzamelen, wordt steeds vaker ook de vraag belangrijk:
Hoe zorg je ervoor dat je al die gegevens kunt bewaren, verwerken en begrijpen?
AI kan daar een belangrijke rol in spelen.
De nieuwe methode van SLAC laat zien dat kunstmatige intelligentie niet alleen kan helpen bij het analyseren van gegevens, maar ook bij het efficiënter omgaan met de gegevens zelf.
AI maakt ruimte voor nieuwe ontdekkingen
Wetenschappelijke ontdekkingen beginnen vaak met een enorme hoeveelheid informatie. Tussen al die gegevens kunnen patronen verborgen zitten die voor mensen moeilijk direct zichtbaar zijn.
Door AI te gebruiken om gegevens kleiner, toegankelijker en beter hanteerbaar te maken, krijgen onderzoekers nieuwe mogelijkheden om die informatie te onderzoeken.
Dat maakt dit soort ontwikkelingen misschien minder opvallend dan een nieuwe chatbot of een spectaculaire AI-afbeelding, maar ze kunnen minstens zo belangrijk zijn.
Achter de schermen helpt kunstmatige intelligentie zo mee aan een toekomst waarin wetenschappers steeds grotere hoeveelheden informatie kunnen onderzoeken.
En misschien zit tussen al die gegevens wel precies dat ene kleine detail dat leidt tot een nieuwe ontdekking.