maandag, november 17, 2025 | Interviews
Nederlandse vertaling
Daniel Cortild investigates why classic learning algorithms like the Stochastic Gradient Descent truly work. His fresh theoretical insights help explain what practitioners have observed for years.
What makes your research relevant?
That’s a broad question, but I think there are two sides to it. On the one hand, learning algorithms such as Stochastic Gradient Descent (SGD) are everywhere now – they’re essential for modern machine learning. On the other hand, understanding why and when they work is still surprisingly incomplete.
My research contributes to that theoretical understanding. Many algorithms perform well in practice, but the mathematical guarantees behind them are often missing. If we can prove under which conditions they really converge or remain stable, we can identify which methods are reliable – and where we might still be missing something. So in a way, the theory helps guide the practice.
You felt there was a gap in existing research?
Yes. Most analyses of SGD make very strong assumptions about the variance of the stochastic gradients – assumptions that are almost never satisfied in real-world machine learning. So we wanted to see what happens if you remove those assumptions entirely. The gap was precisely there: between what works in theory under idealized conditions, and what actually happens in practice.
And you worked on this together with a PhD student?
Yes, exactly. During my Master’s I collaborated closely with a PhD student who was studying a similar problem. We worked side by side and exchanged ideas constantly. It was a very natural and productive collaboration.
What challenges did you encounter while trying to remove those assumptions?
It was extremely challenging. Many of the standard mathematical tools used to analyse SGD rely directly on those strong assumptions. Once you remove them, a lot of familiar inequalities and techniques simply don’t apply anymore.
The difficulty was figuring out which tools we still had access to, and how far we could push them. Eventually we realised that by using these remaining tools very carefully, we could still prove new, tight bounds for SGD. They’re not identical to the classical results, but they come surprisingly close — showing that meaningful theoretical guarantees are possible even without the usual assumptions.
How can your results be applied?
SGD itself is not new – it’s been around since the 1950s – but it remains the foundation of most modern machine learning. Our results don’t change how people implement SGD, but they explain why certain things happen when we use it. That deeper understanding can help design new algorithms inspired by SGD but more complex, for which theoretical guarantees are still lacking.
In addition, our analysis shows that the algorithm can actually work well with larger step sizes than previously thought, which could make training faster in practice. So it’s a small but concrete improvement.
Where does your fascination for mathematics and optimization come from?
I’ve always been drawn to mathematics because it allows you to build entire worlds from a few basic rules. You start with a handful of assumptions, and from there you explore what must logically follow — it’s a beautiful, self-contained system.
Optimization attracted me in particular because it sits between theory and application. It’s very abstract, but it directly connects to real problems — from the electricity field to machine learning. I like that balance: working on something that’s fundamentally mathematical, yet useful in practice.
Would you ever want to move toward more applied work?
Maybe later. For now I’m mainly focused on theory, but I do like the idea that the mathematics I work on has applications. Knowing that my results might one day improve real systems makes the theoretical work more meaningful.
What does the future hold?
My Master’s thesis has been turned into a research paper, which feels like closing a chapter. But the methods we developed can also be applied within other scenario’s, so the collaboration with my co-author continues in some form.
At Oxford I’m now starting a PhD in optimization, focusing on the complexity average-case analysis of deterministic algorithms — in other words, understanding why certain algorithms perform better in practice than their theoretical guarantees predict. That’s something I’m really curious about.
And after Oxford?
I’m keeping an open mind. I’d love to stay close to research, whether in academia or in a research-oriented company. What matters to me is working on problems that are intellectually challenging and have a clear purpose. I’m less drawn to the start-up world — it’s usually more about rapid development than deep research — but who knows what the future brings.
Finally, do you have any advice for younger students?
Yes: do what you truly enjoy. Don’t choose your studies only for job prospects — there will always be jobs. What matters most is that you enjoy what you’re doing every day. I’ve followed that philosophy myself, and it has made my studies and research very rewarding.
donderdag, november 13, 2025 | Interviews
De natuurkunde van het geheugen: dat onderzocht Ruben Hendriks (RUG), winnaar van de KHMW Jong Talent Afstudeerprijs Natuurkunde 2025. Hij bestudeerde hoe hersenen patronen opslaan en herkennen – met wiskundige modellen die ook worden gebruikt om de structuur van materialen te begrijpen. “Het zijn verschillende systemen, maar dezelfde principes spelen.”
Kun je kort uitleggen waar jouw onderzoek over ging?
Mijn masteronderzoek deed ik bij het CogniGron Instituut in Groningen. Daar proberen we de rekenkracht van het brein na te bootsen in hardware – computers dus. Ik werkte aan het Hopfield-model, genoemd naar Nobelprijswinnaar John Hopfield. Dat beschrijft een netwerk van neuronen die elkaar via synapsen versterken of onderdrukken. Door die verbindingen goed af te stemmen, kun je patronen opslaan – een wiskundig model van het geheugen.
Wat kun je met zo’n model doen?
Het helpt te begrijpen hoe uit veel eenvoudige onderdelen – neuronen – een functionerend geheel ontstaat. Ik heb het model aangepast zodat het niet alleen herinneringen kan ophalen, maar ook kan wisselen tussen herinneringen, zoals wij in een gesprek voortdurend van het ene idee naar het andere springen.
Wat voegt het perspectief van een theoretisch natuurkundige toe aan hersenonderzoek?
Theoretische natuurkunde maakt complexe systemen hanteerbaar. Biologen kijken naar de werkelijkheid, theoretisch natuurkundigen abstraheren die eerst. Je gebruikt wiskunde om te begrijpen wat je niet intuïtief kunt bevatten. Zo ontdek je welke principes belangrijk zijn voordat je met echte hersendata werkt.
En daarna toets je die modellen weer aan de werkelijkheid?
Precies. Eerst ontwikkel je de taal en concepten om zo’n systeem te beschrijven. Daarna bouw je realistischere modellen en vergelijk je die met experimenten – in samenwerking met biologen en neurowetenschappers.
Waarom koos je als theoretisch natuurkundige juist voor dit onderwerp?
Tijdens mijn studie raakte ik gefascineerd door statistische mechanica, de theorie achter faseovergangen van bijvoorbeeld water en ijs. Diezelfde wiskunde blijkt ook te werken voor hersennetwerken. Dat vond ik geweldig: één theorie die zulke uiteenlopende verschijnselen kan beschrijven.
Krijgt jouw onderzoek een vervolg?
Misschien publiceren we het nog. Intussen ben ik begonnen met een promotieonderzoek aan de Universiteit Utrecht, over willekeurige netwerken. Dat is verwant aan het brein, maar speelt ook een rol in de materiaalkunde: hoe de structuur van een netwerk bepaalt of een materiaal bijvoorbeeld elastisch of juist stijf is.
Zie je jezelf in de wetenschap blijven?
Dat weet ik nog niet. Ik wil graag iets doen dat maatschappelijk betekenis heeft – onderzoek of toepassingen die mensen echt helpen.
In de voordracht werd je geprezen om je zelfstandigheid. Hoe bepaal jij welke richting je uitgaat?
Door veel te doen en goed te luisteren. Soms ontdek je toevallig een patroon of wiskundig verband dat tot iets groters leidt. Wetenschap is puzzelen, volhouden en reflecteren – en veel praten met anderen.
Werk je tijdens je promotie ook samen?
Ja, ik heb fijne collega-promovendi en een supervisor met wie ik vaak letterlijk bij het krijtbord sta. We rekenen ook nog echt met krijt – precies het romantische beeld van wetenschap.
Heb je genoeg ruimte om te experimenteren?
Zeker. Mijn promotie wordt gefinancierd door NWO, en binnen onze groep is er veel vrijheid om te proberen en te falen. Dat is cruciaal voor echte ontdekkingen.
Wat wil je dat lezers vooral meenemen?
Dat wetenschap niet ophoudt bij disciplinaire grenzen. Fysica, wiskunde, biologie, psychologie – het zijn allemaal manieren om hetzelfde te begrijpen: hoe uit iets eenvoudigs iets verbazingwekkend complex kan ontstaan.
donderdag, november 13, 2025 | Interviews
Hoe gebruik je gif en licht in de strijd tegen kanker? Marouscha Puister, winnaar van de KHMW Jong Talent Afstudeerprijs Scheikunde, legt uit hoe zij natuurlijke toxines koppelt aan lichtgevoelige metalen – en waarom goede wetenschap nooit stopt bij het lab.
Wat trok jou aan in het idee om stoffen uit dierlijk gif te combineren met lichtgevoelige metalen tegen kanker?
Ik hou van chemie én van licht. In mijn bachelor werkte ik al met moleculen die van structuur veranderen onder invloed van licht. Toen ik voor mijn master een nieuw project zocht, kwam ik bij een onderzoeksgroep die ook met licht werkt. Daar lag dit idee al op tafel: giftige peptiden uit bijvoorbeeld bijengif koppelen aan metalen die je met licht kunt activeren. Voor mij was dat de ideale combinatie van mooie chemie en een mogelijk maatschappelijk doel.
Hoe kwam je bij die gifstoffen terecht?
We wilden peptiden gebruiken met een specifieke chemische groep waaraan het metaal gemakkelijk te koppelen is. Ik heb veel literatuur doorgespit naar natuurlijke peptiden met zo’n groep — uit bijen, vissen en planten. De peptiden uit bijengif bleken het meest geschikt om mee verder te gaan.
Hoe vernieuwend is het om natuurlijke toxines met metalen te combineren?
Er wordt al veel onderzoek gedaan naar stoffen uit planten en dieren. Vaak blijken die wél giftig voor kankercellen, maar helaas ook voor gezonde cellen. Daardoor strandt het bij fundamentele resultaten. Ons idee was om dat een stap verder te brengen door er lichtgevoelige metalen aan toe te voegen. Zo kun je de giftigheid pas activeren op het moment dat je dat wilt — bijvoorbeeld op de plek van de tumor.
Wat was voor jou de grootste uitdaging?
Het aantonen dat het metaal echt aan het peptide vastzat. In onze eerste analyses vielen de verbindingen weer deels uit elkaar, waardoor het leek alsof we ze niet hadden gemaakt. Pas met andere analysetechnieken konden we laten zien dat ze wél bestonden. Dat was frustrerend, maar ook leerzaam.
Welke eigenschappen helpen om dan door te zetten?
Geduld, relativeringsvermogen en fijne mensen om je heen. Onderzoek is niet lineair: negen van de tien dingen lukken niet, en dan ineens maak je een grote stap. Een begeleider die motiveert en collega’s met wie je kunt lachen maken een wereld van verschil.
Hoe dichtbij is een klinische toepassing?
Nog ver weg. Wij hebben laten zien dat de verbinding na belichting ongeveer drie keer giftiger wordt. Voor een echte therapie heb je een veel groter effect nodig, honderden keren sterker. Chemisch valt er dus nog veel te verbeteren, en daarna volgt het lange traject van celonderzoek, dierproeven en klinische tests. Voor mij is het genoeg dat ik een klein puzzelstukje heb gelegd waarop anderen kunnen voortbouwen.
Wat gebeurt er nu met jullie bevindingen?
We werken aan een publicatie, maar er loopt ook een patentaanvraag voor het gebruikte metaal. Dat moet eerst rond zijn. Mijn begeleider Irene is inmiddels in Straatsburg een eigen onderzoeksgroep begonnen en zij gaat hier daar mee verder. Het is mooi om te weten dat het niet stopt bij mijn afstudeerwerk.
Waar richt je je nu op in je promotieonderzoek?
Ik werk nu met radioactieve metalen, zoals holmium, voor kankertherapie in latere behandelfases. Die isotopen zijn veelbelovend, maar moeilijk zuiver te krijgen. Ik ontwikkel chemische methoden om ze te scheiden en geschikt te maken voor vervolgonderzoek door biologen.
Is maatschappelijke relevantie voor jou een voorwaarde?
Ja, absoluut. Ik wil kunnen uitleggen waarom ik hier tijd en middelen in steek. Mijn motivatie komt uit het idee dat mijn werk uiteindelijk — via vele stappen — kan bijdragen aan betere behandelingen.
Je project was interdisciplinair. Hoe heb je al die vakgebieden eigen gemaakt?
Als scheikundige ben ik gewend aan synthese en karakterisatie, maar ik wilde de stoffen ook testen op liposomen en later op kankercellen. Dat was nieuw terrein: in de chemie bescherm je jezelf tegen je chemicaliën, in de celbiologie bescherm je je cellen tegen jou. Die omkering was ik wennen. Gelukkig kon ik terugvallen op mijn begeleiders en specialisten uit andere vakgebieden.
Je noemt wetenschapscommunicatie als belangrijk thema. Wat betekent dat voor jou?
Voor mij is wetenschapscommunicatie geen eenrichtingsverkeer. Natuurlijk wil ik uitleggen wat ik doe en laten zien dat er zorgvuldig met publiek geld wordt omgegaan. Maar ik wil ook luisteren: wat vinden patiënten belangrijk, hoe kijken mensen naar bijwerkingen of risico’s? Die dialoog maakt onderzoek beter en zorgt voor wederzijds begrip. Tijdens mijn master heb ik daar vakken over gevolgd, en ik probeer dat nu actief mee te nemen in mijn werk.
donderdag, november 6, 2025 | Interviews
Lily Heisig, winnares van de eerste prijs van de KHMW-Scriptieprijzen Responsible Internet 2025, onderzocht in haar masterscriptie hoe de Europese Unie de risico’s van kunstmatige intelligentie (AI) definieert. In Europese beleidsstukken klinkt steeds vaker dat “de hele samenleving” gevaar loopt door AI. Maar wie beter kijkt, ziet dat het begrip risico in de praktijk opvallend smal wordt ingevuld.
Heisig volgde de internationale discussie over AI-veiligheid, die aanvankelijk vooral in de VS en het VK werd gevoerd, al langer met belangstelling. “Ik wilde weten: als die Angelsaksische veiligheidsdiscussie zo dominant is, wat gebeurt er dan als die in Brussel terechtkomt?” vertelt ze.
Voor haar scriptie analyseerde ze drie opeenvolgende versies van de Europese General-Purpose AI Code of Practice. Terwijl ze daarmee bezig was, werden de teksten herhaaldelijk herschreven. Ze las de verschillende versies op detailniveau: welke woorden keren terug, welke risico’s verdwijnen naar de achtergrond? Haar methode combineerde kritische discoursanalyse met inzichten uit de exacte vakken. Zo onderzocht ze wie in het beleidsproces een stem krijgt, welke belangen meespelen en wie juist uitgesloten wordt.
In de latere versies van de code, zag ze, verschoof de toon: technischer, smaller, en sterker gericht op de eigenschappen van AI-modellen zelf. “Daardoor werd AI vooral iets voor experts,” zegt Heisig. “Sinds de terugkeer van Donald Trump in de Amerikaanse politiek oefenen grote techbedrijven meer druk uit op de EU om de regels ‘werkbaar’ te houden. In dat licht is het niet vreemd dat de Europese teksten zich toespitsen op een paar duidelijk afgebakende risico’s.”
Voor algemeen toepasbare AI-modellen met een systeemrisico onderscheidt de EU vier specifieke gevaren: aanvallen op de cybersecurity, militaire of repressieve toepassingen, verlies van controle over systemen en schadelijke beïnvloeding. “Er worden dystopische scenario’s geschetst, maar de alledaagse, moeilijker zichtbare risico’s verdwijnen uit beeld,” stelt Heisig. “Denk aan discriminatie in algoritmen, ongelijke toegang tot technologie, de aanslag op het milieu, de schendingen van het kopierecht en de slechte arbeidsomstandigheden bij dataverwerking. Als je veiligheid uitsluitend technisch definieert, vallen de sociale gevolgen buiten de kaders.”
Dat heeft politieke consequenties. “Wie risico’s technisch definieert, nodigt vooral technische experts uit aan tafel. Burgers, ngo’s of deskundigen op het gebied van mensenrechten of arbeid komen dan nauwelijks aan bod. Taal is hier niet neutraal: met je woordkeus bepaal je wie mag meebeslissen.”
Heisig gelooft niet in het doembeeld van een superintelligente machine die “de wereld overneemt”. Waar ze wel bezorgd over is, is de manier waarop mensen menselijke eigenschappen toeschrijven aan systemen als ChatGPT en die gaan gebruiken als gesprekspartner of zelfs therapeut. “Dat is geen neutrale ontwikkeling: we gaan anders kijken naar wat menselijk is.”
Inmiddels heeft Heisig een promotieaanvraag ingediend om te onderzoeken welke ideeën over ‘intelligentie’ schuilgaan achter de criteria waarmee AI-systemen worden getest. “Veel van die toetsen waarderen wiskundig en kwantitatief redeneren hoger dan kennis van mens en samenleving. Dan lijkt het alsof ‘intelligentie’ vooral wiskunde ís. Maar dat is natuurlijk ook een keuze.”
Heisig groeide op in Aken en koos bewust voor een studie net over de grens, aan Maastricht University. “In Nederland kun je makkelijker tussen disciplines bewegen dan in Duitsland. Ik had nooit één lievelingsvak; Maastricht bood me de vrijheid om technologie, politiek en filosofie te combineren. Voor dit soort vraagstukken heb je die breedte nodig.”
Haar belangrijkste inzicht: “Als een beleidsstuk zegt dat ‘de hele samenleving’ risico loopt, moet je altijd vragen: wélk risico precies, en voor wíe? Vaak blijkt het antwoord veel smaller dan de grote woorden doen vermoeden.”
donderdag, november 6, 2025 | Interviews
Dirk Doesburg won de tweede prijs in de categorie KHMW Responsible Internet Scriptieprijzen. In zijn masterscriptie onderzocht hij hoe het internet ook in de toekomst veilig kan blijven, wanneer kwantumcomputers de huidige beveiliging dreigen te doorbreken.
Je scriptie gaat over post-quantumcryptografie voor de Resource Public Key Infrastructure (RPKI). Wat doet de RPKI precies, en waarom is die zo belangrijk?
Het internet bestaat uit duizenden kleinere netwerken – van providers als Ziggo tot techreuzen als Google – die elkaar voortdurend vertellen welke adressen via wie bereikbaar zijn. Dat systeem heet BGP, en dat is eigenlijk de routeplanner van het internet. Alleen kunnen netwerken daarin liegen: een land of bedrijf kan beweren dat het een bepaald adres beheert, waardoor al het verkeer verkeerd wordt doorgestuurd. De RPKI is een beveiligingslaag die zulke manipulaties voorkomt.
Hoe realistisch is het risico dat kwantumcomputers die beveiliging straks kunnen breken?
Daar wordt verschillend over gedacht. De meeste experts verwachten dat het binnen tien tot dertig jaar zover kan zijn. Het is dus niet morgen, maar ook niet ver weg. Omdat de overstap naar nieuwe, kwantumveilige cryptografie tijd kost, moeten we nu al nadenken over die transitie.
En hoe ziet zo’n overstap eruit?
In principe vervang je de huidige cryptografie door algoritmes die bestand zijn tegen kwantumaanvallen. Ik heb onderzocht welke algoritmes daarvoor het meest geschikt zijn en hoe de migratie het best kan worden uitgevoerd. Als nieuw cryptografisch algoritme komt Falcon-512 goed uit de test. Een bestaande – maar nooit uitgeprobeerde – standaard voor de migratie naar een ander algoritme, RFC6916, blijkt onpraktisch. Ik stel een eenvoudiger alternatief voor dat beter aansluit bij de werkelijkheid van netwerkbeheerders.
Wie moet die overstap uitvoeren, en wie beslist daarover?
Het beheer van de RPKI ligt bij vijf regionale internetregisters, zoals RIPE NCC in Amsterdam. Dat zijn verenigingen van netwerken die in een hiërarchie samenwerken. Zij beheren de software en nemen uiteindelijk de besluiten. Boven hen staat geen overheid, maar verschillende ngo’s zoals ICANN en de Internet Engineering Task Force spannen zich samen in om het internet draaiende te houden. Overheden zouden kunnen ingrijpen, maar dat gebeurt zelden: het internet wordt vooral vanuit de gemeenschap zelf bestuurd.
Dat klinkt idealistisch. Kunnen we zulke NGO’s en techbedrijven wel vertrouwen?
Ik vertrouw bedrijven als Google of Meta niet zomaar – ze hebben hun eigen commerciële belangen. Maar zij zijn slechts enkele van de duizenden spelers in dit systeem. De RPKI regelt juist dat geen enkele partij de boel kan domineren. De organisaties die de standaarden beheren, werken open en transparant. Iedereen kan meelezen en meediscussiëren via openbare mailinglijsten. Omdat beslissingen op basis van consensus worden genomen, is het moeilijk voor één bedrijf of persoon om iets door te drukken.
Dus er is een vorm van sociale controle ingebouwd?
Precies. Het internet is in de kern een vriendelijk, samenwerkend systeem van mensen die willen dat het werkt. Maar er zijn altijd uitzonderingen – netwerken die verkeerde intenties hebben. Voor die situaties is de RPKI ontworpen: om te zorgen dat zelfs als iemand vals speelt, de schade beperkt blijft.
Je werkt ook samen met de Internet Engineering Task Force (IETF), waar internetstandaarden worden ontwikkeld. Wordt er naar je geluisterd?
Ik heb een voorstel voor een standaard geschreven. Of dat echt wordt opgepakt, is afwachten; dat kan jaren duren. Het hangt sterk af van de prioriteiten binnen de gemeenschap. Maar men weet nu in elk geval dat dit onderwerp eraan komt.
Welke persoonlijke eigenschappen hebben je geholpen bij dit onderzoek?
Nieuwsgierigheid, vooral. Ik lees veel, graaf in oude mailarchieven van de IETF om te zien hoe besluiten ooit zijn genomen. Zo leer je begrijpen waarom iets werkt zoals het werkt. En ik onthoud die informatie makkelijk, dat helpt.
Wat doe je nu, en hoe zie je je toekomst?
Ik werk bij een bedrijf dat AI toepast op long-CT-scans – iets heel anders dus. Een loopbaan in de wetenschap zie ik niet voor me: ik zou mezelf niet kunnen tegenhouden om tachtig uur per week aan één onderwerp te werken. En juist die balans tussen werk en privé vind ik belangrijker.
