Waarom Siemens zegt dat de mens de baas blijft over physics AI

Sophie Jansen · 2026-08-10

Physics AI kan inmiddels duizenden ontwerpvarianten doorrekenen in de tijd die een traditionele simulatie nodig heeft voor een handvol. Volgens Siemens gaat het om een snelheidsvoordeel van wel 1.000 keer. Maar wat de technologie níét kan, is een veiligheidskritisch onderdeel goedkeuren. Daar ligt een harde grens, en Sam Mahalingam, de man die de business bij Siemens Digital Industries Software leidt, zegt dat zonder omwegen. "Is dit goed voor veiligheidskritische toepassingen?" vroeg hij zich hardop af, aan de zijlijn van Realize LIVE Asia-Pacific in Bengaluru. "Nee, dat is het niet." Dat antwoord is belangrijk, omdat het ingaat tegen twee jaar van industrieclaims dat AI bijna alles kan. De waarde voor ingenieurs zit niet in de snelheid die Siemens verkoopt, maar in het precies weten waar die snelheid ophoudt veilig te zijn. ### Wat physics AI wél en niet doet De technologie in kwestie heet Simcenter PhysicsAI, de geometrische deep-learningsoftware van Siemens. Het bedrijf zegt dat het ontwerpvoorspellingen tot 1.000 keer sneller kan doen dan een traditionele solver. Het mechanisme is essentieel om de kanttekening te begrijpen. In plaats van de fysica elke keer vanaf nul te berekenen, leert een surrogaatmodel van historische simulatiegegevens en voorspelt het de uitkomst voor een nieuw ontwerp. Het is een schatting, gemaakt in seconden, geen volledige berekening. De voor de hand liggende zorg is nauwkeurigheid, en Mahalingam ging die niet uit de weg. Decennialang, legde hij uit, vergeleken ingenieurs fysica-gebaseerde simulatie met fysieke tests totdat de correlatie strak genoeg was om te vertrouwen. AI wordt nu afgemeten aan diezelfde fysica-basislijn. "Wat we zien is dat als je voldoende data hebt, het heel dicht bij een fysica-gebaseerde solver ligt," zei hij, verwijzend naar de 1% tot 3% variatie die Siemens in eigen casestudies noemt. Dichtbij, maar niet dichtbij genoeg om een levensreddend onderdeel te certificeren. En hier wijkt Mahalingam af van het standaard verkopersverhaal. Het surrogaat is geen vervanging voor validatie; het is een filter dat ervoor geplaatst wordt. > "Je verkent veel meer ontwerpvarianten met die snellere engine, het physics AI-surrogaatmodel, je spitst toe op twee of drie ontwerpen die je goed acht, en daar kun je dan gedetailleerd verder mee met een fysica-gebaseerde simulatie." Pas als die finalisten een volledige fysica-check doorstaan, gaat een ontwerp richting productie. Hij was expliciet dat zelfs een topvoorbeeld, een Continental-airbagcase die Siemens heeft getoond, binnen die grens blijft. "Dit is voor de initiële ontwerpverkenning," zei hij. "Het is niet zo dat je alleen valideert met physics AI en dan zegt: oké, ik ga dit ontwerp aanbevelen voor productie. Nee, dat is niet het geval." ### De afhankelijkheid die de snelheidscijfers niet noemen Er is een tweede beperking die de versnellingscijfers vaak verdoezelen, en die kwam bovendrijven toen het gesprek zich richtte op hoe deze modellen getraind worden. Verschillende toonaangevende resultaten van Siemens, waaronder cases met Magna en Continental, rusten op AI die getraind is met synthetische data: simulatie-output gegenereerd door de eigen solvers van Siemens, niet door metingen uit de echte wereld. Als de AI alleen leert van de simulatie, is de vraag of het ooit beter kan zijn dan de simulatie die het heeft opgeleid. Mahalingam ontweek de circulariteit niet toen hem ernaar gevraagd werd. In Magna's geval, zei hij, draaide de klant een brede ontwerpverkenning in Simcenter HEEDS, de design-searchtool van Siemens, en loste de varianten snel op met Simsolid, een solver die de trage mesh-bouwstap overslaat. Die simulatie-output werd vervolgens teruggevoerd in de training van het physics AI-model. Waar een klant geen data heeft, "genereerden ze eerst synthetische data met Simsolid en HEEDS, en daarna gingen ze terug, namen die data en trainden een physics AI-model." Het surrogaat is met andere woorden alleen zo goed als de simulatie eronder. En dat is een cruciale constatering voor elke ingenieur die overweegt deze technologie in te zetten. De snelheid is indrukwekkend, maar het is een hulpmiddel voor verkenning, niet voor eindbeslissingen. ### Wat betekent dit voor de praktijk? Voor ingenieurs en ontwerpteams betekent dit concreet dat je physics AI kunt inzetten als een krachtige versneller in de vroege ontwerpfase. Je kunt veel meer varianten testen, sneller leren wat werkt en wat niet, en dan de veelbelovende kandidaten grondig valideren met traditionele methoden. Het is een efficiënte manier om je ontwerpruimte te verkennen, maar het ontslaat je niet van de verantwoordelijkheid om veiligheidskritische beslissingen te baseren op bewezen, fysica-gebaseerde simulaties. De boodschap van Siemens is helder: AI versnelt het creatieve proces, maar de mens blijft eindverantwoordelijk voor de veiligheid. Dat is geen beperking, maar een geruststelling. Want in een wereld waar technologie steeds sneller gaat, is het goed om te weten waar je op kunt vertrouwen.