Hij houdt alle ballen tegelijk in de de lucht. Prof.dr. K. J. Batenburg over zijn interdiciplinaire samenwerking en de rol van het Centrum voor Wiskunde en Informatica. Een keuze kon Batenburg niet maken. In 1988 begon hij met drie propedeuses – Wiskunde, Natuurkunde en Informatica. “Dat was heel veel en heel druk”. Hij kwam tot de conclusie dat Wiskunde en Informatica hem beter liggen, maar “die scheidslijnen zijn vaag”. Toen hij Wiskunde had afgerond begon direct zijn promotieonderzoek bij het Centrum Wiskunde en Informatica. Het CWI verbindt fundamenteel onderzoek in deze vakgebieden.

Een interview over de kracht en de valkuilen van interdiciplinaire samenwerking.

 

Waarom ben je bij het CWI gaan promoveren?

Ik kende het CWI helemaal niet”, begint Batenburg. “Een van de hoogleraren van toen, Rob Tijdeman, had een beurs gekregen van NWO voor promotieonderzoek, daar heeft hij mij voor gevraagd. Het plan was dat een deel van het onderzoek op het CWI zou gebeuren. Hij heeft mij gepolst toen ik net vierdejaars student was.” Toen kwam Batenburg voor het eerst in aanraking met het CWI. Het leek hem meteen heel interessant.

Na zijn promotie is Batenburg verhuist naar Antwerpen om bij het Vision Lab te gaan werken. Hoe was het om te verhuizen? “Het was eigenlijk heel vervelend.”, zegt Batenburg. Hij was verhuisd voor de wetenschap terwijl zijn vrouw niet meeging, op persoonlijk vlak “best wel even een stapje terug”. Waar deed Batenburg het voor? “Het was een mix van positieve ervaringen en gewoon heel leuk werk.”

Batenburg had altijd al voor ogen om terug te keren naar het CWI. Hij vond het een fantastisch instituut dat nog meer dan universiteiten gericht is op onderzoek. Hij vertelt dat bij het CWI ,,alles om onderzoek draait”. “Het is dynamischer, groepen worden opgericht wanneer de juiste mensen bij elkaar zijn voor een bepaalde tijd en er kunnen nieuwe richtingen in worden geslagen, als blijkt dat er behoefte aan is of een oude formule niet meer werkt. Zo kan het instituut zich aanpassen aan de maatschappij.”

Batenburg is expert op het gebied van discrete tomografie. Met deze techniek kan nu vanuit projecties een 3D beeld van nanodeeltjes gevormd worden.

Hoe is de discrete tomografie ontstaan?

De toepassing ontstond in de jaren 90 toen men ontdekte dat met een elektronenmicroscoop een beeld gemaakt kon worden met bolletjes die overeenkomen met kolommen van atomen.” Voor zijn promotieonderzoek vroeg Batenburg zich af wat er gebeurd is met de experimenten die destijds waren gedaan. “In eerste instantie bleek de opnametechniek niet te werken. Pas in 2010 lukte het om de juiste beelden te maken om de wiskunde daarop toe te kunnen passen.” In de tussentijd kon al wel gewerkt worden aan de wiskunde om de toekomstige beelten te verwerken.

In zijn publicatie Three-dimensional atomic imaging of crystalline nanoparticles (2011) komt Batenburg met een algoritme om 3D beelden van nanodeeltjes te reconstrueren uit enkele projecties. Zijn doel was om met zo min mogelijk data de positie van de atomen te reconstrueren.

Wat is er nodig om vanuit de projecties de posities van de atomen te reconstrueren?

Je hebt – als je maar drie of vier projecties hebt, per definitie veel te weinig data om uit alle mogelijke objecten die je zou kunnen verzinnen een keuze te kunnen maken werk object de juiste is. Dat is eigenlijk een kernvraag van mijn vakgebied. De sleutel is om zo veel mogelijk reeds bekende kennis over het object in te bouwen in het algoritme wat het kristal definieert. In dit geval gaat het om voorkennis over het kristalrooster. Je neemt aan dat je de regelmaat van het kristalrooster kent. Daarnaast neem je aan dat een object min of meer convex1 is. Een convex object is waarschijnlijker dan een object dat uit een meer willekeurige verzameling atomen bestaat. Dan kom je op een hellend vlak terecht: waar doe je aannames die overeenstemmen met de theorie over kristalroosters en waar doe je aannames die door deze theorie niet bevestigd kunnen worden. Je moet daarin altijd keuzes maken om zo min mogelijk aan te nemen maar wel een unieke oplossing te vinden.”

Hoe verwacht je dat deze techniek zich verder gaat ontwikkelen?

Waar ik een hele grote uitdaging zie en waar ik verwacht dat er heel veel ontwikkeling zal plaatsvinden is in het bij elkaar brengen van geavanceerde wiskunde en geavanceerde experimenten”, begint Batenburg. “Er zijn in de wiskunde in de afgelopen tien jaar hele grote stappen gemaakt om te laten zien hoe je uit heel weinig metingen van een signaal toch goede signaal reconstructies kunt maken. De grootste uitdaging die ik zie in het vakgebied is om de grote hoeveelheid kennis die er is over geavanceerde algoritmen te koppelen aan wat men kan meten en dat bruikbaar te kunnen maken. Want dan breng je, denk ik, een hele trein van wetenschappelijke experimentele ontdekkingen op gang, experimentele ontdekkingen waarin je nieuwe dingen kunt zien die vooralsnog niemand heeft kunnen zien.”

Welke ontwikkeling kunnen we verwachten?

Een belangrijke trend is nu de 4D tomografie. Met deze techniek maak je een filmpje van 3D beelden waarmee je geen statische maar veranderende objecten in beeld kunt brengen. Daarmee kun je onder andere de tijdsevolutie zien van industriële objecten. Als ik staal ga maken giet ik verschillende metalen bij elkaar en moet ik dat laten afkoelen. Maar wat zich onder het oppervlak van het metaal gebeurt is nog onbekend terrein.” Volgens Batenburg is de 4D tomografie ook interessant voor biologische processen. “Als je cellen gaat bestuderen dan is het eigenlijk veel interessanter om te zien waar alle stofjes heen gaan dan om een statische snapshot te maken, want de tijd verstrijkt en het object verandert steeds. Je kunt maar heel kort opnemen. Daarvoor dienen de wiskunde en de nieuwe algoritmes voor deze techniek.”

Een belangrijk aspect in deze algoritmes is het gegeven dat de objecten waarmee je werkt sparse zijn.

Wanneer is een object sparse?

Sparsity wil zeggen, als ik heel veel nullen in mijn object heb en maar een paar niet-nullen, dan is het object sparse. Als je een 3D beeld van pixels hebt, wordt het duidelijk wat sparsity is: er zijn maar enkele puntjes in het beeld.”

Maar je kunt ook denken aan sparsity van allerlei andere basissen. Je kunt beelden bijvoorbeeld opschrijven ten opzichte van een Fourier basis2, dan ontbind je ze in allemaal sinus beeldjes. En dan is een beeld sparse als het uit maar een paar sinus beeldjes bestaat. In wavelets3 is het object sparse als er maar een paar coëfficiënten nul zijn. En in zulk soort gevallen heb je veel minder data nodig.”

Hoe werkt dat in de praktijk?

Een goed voorbeeld is: stel we hebben een beeld van een miljoen pixels, dus heel groot, en we weten dat er ergens één pixel in zit, niet nul, en nu mag ik vrij lineaire metingen kiezen over dat beeld. Ik mag bijvoorbeeld één voor één alle pixels aflopen. Dan moet ik ook gemiddeld 500.000 keer meten, en dan heb ik mijn puntje gevonden. Maar ik mag ook de som meten over een bepaald gebied. Dan verdeel ik het beeld in twee stroken en meet ik eerst de som over de ene helft en dan de som over de andere helft.”

Voor zijn laatste onderzoek heeft Batenburg samengewerkt met onderzoekers in het buitenland.

Zijn er dingen in de samenwerking waar je in het bijzonder rekening mee moet houden?

Je moet het project zien te structureren in een aantal componenten, hokjes waarin iedereen zelfstandig kan werken. Je moet goede afspraken maken over de grensvlakken tussen wat de verschillende teamleden doen en hoe je met elkaar de resultaten uitwisselt. In mijn onderzoek wordt er veel gerekend aan experimentele data. Tijdens het onderzoek moet het volstrekt duidelijk zijn, als er data is opgenomen, wat die data dan betekent: in wat voor formaat het is opgeslagen, waar de data vandaan komt en wat er allemaal mee is gebeurd opdat op het moment van uitwisseling de ander daar ook mee aan de slag kan en het volledig kan doorgronden. Dit is een grote uitdaging van het onderzoek doen op afstand.”

Het gaat ook wel eens mis in de communicatie. Als voorbeeld noemt Batenburg de planning met zijn Antwerpse collega's. Als hij met hen afsprak in de voormiddag dacht hij dat het ging om na de lunch, maar ze bedoelden de ochtend. “Dat is natuurlijk redelijk onschuldig, maar als het gaat om de interpretatie van de onderzoeksresultaten, dan moet je heel goed nadenken of je elkaar goed begrijpt.”

Stagemogelijkheden

Zowel bachelor- als masterstudenten aan de Universiteit Leiden kunnen afstudeeronderzoek doen bij het CWI.

Wat voor eigenschappen heeft een stagair bij het CWI in het bijzonder nodig?

Sowieso algemeen slim en met goed inzicht”, begint Batenburg. “Maar met name zelfstandigheid. De ambitie om zelf dingen uit te zoeken, dat je zelf kunt inzien wat de wetenschappelijke uitdagingen zijn en ook zelf kunt bedenken in welke richting de oplossingen te vinden zijn.”

Wat is er op het gebied van tomografie mogelijk?

We zijn steeds meer aan het meten met huis-tuin-en-keuken apparatuur. Nu hebben we een lab voor WiFi-tomografie, dat is tomografie op basis van WiFi-signalen.” “Hoe ziet zo'n opstelling eruit?” “Het is een opstelling met allemaal WiFi-antennes, rondom een kamer. Op basis van de transmissie tussen al die antennes onderling kun je een beeld vormen van wat daar binnenin gebeurt.”

Studenten kunnen allerlei projecten doen met dit platform en hiermee de experimenten en algoritmes met elkaar combineren.

Waarom moet een student juist deze projecten kiezen?

Het is in de eerste plaats hartstikke leuk, daarnaast is het een nieuwe tak van onderzoek. Het is spannend en het heeft een hele hoge relevantie, met name voor het in beeld brengen van grotere gebieden waar je niet met camera's kunt komen. Je kunt de antennes richten en je kunt overal doorheen kijken.”

1convex: een object is convex als voor elk paar punten uit het object ook het gehele lijnstuk behoort tot het object

2Fourier basis: Sinus en cosinus samen vormen een ruimte waarmee gemakkelijk te rekenen valt door de loodrechte eigenschap

3 wavelet: een basis om een gecomprimeerd beeld te representeren