Luister naar dit interview via Apple Podcasts, Google Podcasts of Spotify!

Prof. Wilfred van der Wiel is hoogleraar nano-elektronica aan de Universiteit Twente, en directeur van het BRAINS centrum voor nanosystemen die geïnspireerd zijn op het brein. Hij en zijn groep ontwikkelen een nieuw soort elektronica voor efficiëntere informatieverwerking. Door principes die analoog zijn aan machine learning weten ze als het ware artificiële intelligentie te verwezenlijken in hun nanomateriaal substraten. Maar elektronica die intelligentie vertoont zoals we die ook vinden in ons eigen brein: Hoe kan dat?! Wilfred legt het uit.

Het Inzicht

Jij maakt samen met je onderzoeksgroep en het BRAINS centrum een nieuw soort elektronica die zuiniger en krachtiger belooft te zijn dan de huidige elektronica. In het FD van 2015 zeg jij, en ik quote: “De chip heeft de potentie de elektronicasector en de wetenschap op zijn kop te zetten!”. Kun je hier wat meer verduidelijking bij geven? Wat maakt jullie chips zo indrukwekkend?

Die quote herinner ik me niet meer! (lacht). Wij proberen een nieuwe generatie elektronica te ontwikkelen die geïnspireerd is op de werking van het brein. Onze motivatie heeft eigenlijk alles te maken met de enorme opmars van kunstmatige intelligentie (artificial intelligence, AI). Dat zien we nu overal om ons heen, zoals bij Google Translate, beeldherkenning, spraakherkenning in smartphones en noem maar op. Dit neemt een enorme vlucht, en we verwachten dat dit alleen nog maar meer en veel sneller zal groeien. Denk hierbij ook aan ‘the Internet of Things’: allerlei apparaten kunnen met elkaar gaan communiceren. Of aan mobiliteit, waaronder zelfrijdende auto’s en veilig verkeer.

Bij al die mogelijkheden voor AI hoort natuurlijk ook een hardware kant van het verhaal. Het gaat niet enkel over algoritmes, maar ook over hoe snel en goed je deze uitvoert. Wat we nu heel duidelijk zien, is dat de huidige hardware in onze standaard computers fantastisch ongeschikt is om die machine learning taken uit te voeren. (Notitie: machine learning is de verzamelnaam voor technieken en algoritmes die systemen helpen hun uitvoering te ‘leren’ verbeteren. Deze technieken zijn zodoende een onderdeel van AI.)  Waarom de hardware zo ongeschikt is, heeft in essentie te maken met de basisstructuur of architectuur van onze huidige computers. Deze structuur is ontwikkeld voor digitale stap-voor-stap berekeningen, zoals ooit bedacht door Alan Turing en John von Neumann. Dit principe heeft tientallen jaren gewerkt en is nog steeds heel robuust. Alleen, waar we nu dus tegenaan lopen is dat hier ook wel een prijskaartje aan hangt. Momenteel denken computers binair: in termen van nullen en enen. Ze hebben sequentiële stappen, en de processor (waar berekeningen worden uitgevoerd) en het geheugen (waar de resultaten worden opgeslagen) zijn gescheiden van elkaar. De consequentie is dat gegevens telkens op en neer moeten gaan tussen de processor en het geheugen, wat met een enorm prijskaartje komt in termen van energie en tijd. Dat begint zich nu vooral op te breken bij data intensieve taken. Bij machine learning wordt ontzettend veel data verwerkt en heb je heel veel data nodig om het systeem iets te ‘leren’. Het heet niet voor niks ‘machine learning’; je hebt ontzettend veel voorbeelden nodig om je systeem te trainen.

Om een lang verhaal samen te vatten: we zien dat er een best grote drijfveer is om op een nieuwe generatie hardware over te gaan die AI-taken veel efficiënter kan oplossen. Als je bedenkt dat machine learning in hele abstracte termen natuurlijk gebaseerd is op hoe ons brein werkt, maakt dit het voor de hand liggend dat ook de onderliggende hardware dan gebaseerd zou moeten zijn op die structuur, of in ieder geval bepaalde principes overneemt. De analogie is op een heel abstract en hoog niveau, maar het feit dat je een machine dingen aanleert en kunstmatige neurale netwerken bestaan geeft aan dat er een vergelijking is met het brein.

De reden waarom computers dus niet efficiënt genoeg zijn voor grootschalige AI is voor een groot deel omdat informatie in de computer opgehaald en weer teruggebracht moet worden bij het geheugen? Informatie moet heen en weer blijven reizen?

Ja, als je gaat inzoomen en kijken waar een huidige computer zo ontzettend veel energie voor verbruikt, zie je dat het voornamelijk zit in het transporteren van data tussen de processor (CPU) en het (werk)geheugen. Dit gebeurt letterlijk fysiek over een bepaalde afstand, en dan krijg je te maken met fysische principes zoals stromen die een weerstand ondervinden. Hierin zit de limiet, die ook wel de ‘Von Neumann-bottleneck’ wordt genoemd. Het kost veel energie om elektrische ladingen de hele tijd te moeten transporteren. Als je dit nu vergelijkt met het brein, vind je in onze hersenen een soort van integratie tussen ‘processing’ en ‘geheugen’, en dat vindt plaats op het niveau van de verbindingen tussen zenuwcellen. [Disclaimer: Er is ook nog heel veel wat we niet weten over hoe het brein werkt.]  De verbindingen tussen zenuwcellen noemen we synapsen. Die kunnen sterker of zwakker gemaakt worden, waardoor op de plaats van de informatieverwerking ook tegelijkertijd een opslag van informatie is. Door te leren, verandert je brein fysiek! Aan het einde van dit interview ziet ons brein er daadwerkelijk anders uit. Verbindingen worden voortdurend versterkt of verzwakt. Dit zie je niet terug in een computerchip; de fysieke hardware blijft altijd hetzelfde.

Kortom, zenuwcellen hebben iets wat je kunt definiëren als een geheugen: ze leren van de doorgestuurde elektrische signaaltjes en kunnen hierop reageren en veranderen. Is de volgende stap in het ontwikkelen van jullie chips dat de hardware moet gaan leren van signalen die zijn doorgestuurd en hierdoor krachtiger of sneller kan worden?

Dat is zeker één van de doelstellingen die we hebben, al ambiëren we ook nog andere elementen. Zo hopen we over te stappen van puur digitale informatieverwerking (enkel 0’en en 1’en) naar het analoge domein (wat allerlei waardes tussen 0 en 1 kan aannemen). In onze sector hebben we heel lang gezegd dat digitaal het helemaal was omdat het robuust is tegen ruis. Als je in het fysische aanbod dat je ter beschikking hebt alleen maar 0 en 1 (‘aan’ of ‘uit’) gebruikt, gooi je a priori heel veel mogelijke rekenkracht de deur uit. Dat doe je in principe om een goede reden, want je maakt het geheel ook een stuk robuuster. Je gaat alleen wel op een hele beperkte manier om met je mogelijkheden. Dan brengt ons terug bij het domein van machine learning: hiervoor zien we dat operaties in de digitale computer helemaal niet zo precies uitgevoerd hoeven te worden. Je kunt best een beetje inboeten aan precisie, en in plaats daarvan gebruik maken van een breder spectrum in je onderliggende hardware. Terug naar analoog gaan zou rekenkracht enorm kunnen verhogen.

Een van de belangrijkste aspecten van ons werk is dat we proberen om zo veel mogelijk van de fysische of chemische processen die onze materialen bezitten in te zetten om berekeningen mee te doen. Een ander aspect is dat wij niet per se alles sequentieel willen doen, als in dat het ene proces het andere opvolgt. Onze hersenen krijgen het voor elkaar om heel veel processen tegelijk plaats te laten vinden. Als wij verschillende signalen aan onze chip aanbieden, willen we dat de chip gebruik maakt van de fysische processen die ‘gratis en voor niks’ in de eigenschappen van ons materiaal verstopt zitten en zo met een antwoord komt. In die zin ben je niet expliciet bezig met dingen stapje voor stapje door te rekenen, maar laten we heel veel dingen in parallel gebeuren in het materiaalsubstraat. Dit is heel anders dan onze huidige computertechnologie, waar je bij wijze van spreken een dirigent hebt die de maat slaat en waarbij elke slag een bepaalde berekening is. Aangezien onze transistoren en chips heel snel zijn, met bijvoorbeeld een gigahertz kloksnelheid, kunnen we alsnog heel snel rekenen. Dit gebeurt enkel steeds achter elkaar. Onze zenuwcellen zijn in vergelijking heel erg traag; denk aan een frequentie van 1 tot 10 hertz. Maar omdat er heel veel dingen tegelijk gebeuren, kun je alle processen bij elkaar optellen over het gehele brein en kan het toch heel veel informatie per tijdseenheid verwerken.

Een van de belangrijkste aspecten van ons werk is dat we proberen om zo veel mogelijk van de fysische of chemische processen die onze materialen bezitten in te zetten om berekeningen mee te doen.

De Wetenschap

Voor we ingaan op hoe jullie chip precies werkt, is het handig om in te gaan op hoe huidige elektronica werkt. Hoe werken transistoren, en hoe staan ze in verhouding tot wat jullie maken?

De simpelste manier om je een transistor voor te stellen, is om hem te vergelijken met een waterleiding. Een transistor heeft een source en een drain, dus een ‘bron’ en een ‘afvoerputje’. Dan is er nog een derde schakelaar, wat je bij transistoren de gate noemt. Wat die in feite doet, is de waterleiding afknijpen. Net als bij een waterleiding kan er door een transistor een stroom van de source naar de drain lopen, en die kan afgeknepen worden met een signaal van de gate waarmee de stroom wordt tegengehouden. Je kunt je voorstellen dat je hiermee een aan- en uit-schakelaar kan maken. Transistoren werken in essentie met een stukje halfgeleidermateriaal. In plaats van water stroomt daar een elektrische stroom doorheen, maar het principe is vergelijkbaar. Een transistor kan een 0 maken (geen stroom) en een 1 (wel stroom). Verder is een ander heel belangrijk aspect van een transistor dat je er versterking mee kunt krijgen. Dit betekent dat je door een hele kleine verandering op de gate terminal de stroom heel erg kan veranderen. Je knijpt slechts een beetje, maar verandert de stroom aanzienlijk. In de elektronicasector noemen we dit een field-effect transistor (FET). Let wel, de gate knijpt niet mechanisch af maar werkt met een elektrisch veld.

En dan onze chip. We hebben verschillende ‘smaakjes’ van chips gemaakt, maar waar we op dit moment het meeste mee bezig zijn is gebaseerd op een stukje halfgeleidermateriaal, silicium. In plaats van dat de chip maar één ingang en één uitgang heeft, hebben wij heel veel ingangen en uitgangen gemaakt. Dit kun je zien als een centraal stukje halfgeleidermateriaal met daaromheen elektrodes die als zonnestralen verspreid liggen. Door dit design kunnen we zelf kiezen waar we input signalen sturen, waar we de output signalen lezen en welke andere elektrodes we gebruiken om het gedrag van het systeem aan te passen. Een ander groot verschil is dat we het stukje halfgeleidermateriaal zodanig hebben gemaakt dat ladingen die er doorheen gaan in korte sprongetjes stromen. In tegenstelling tot gewoonlijke geleidelijke stroom, maken elektronen in ons materiaal individuele sprongetjes van het ene punt naar het andere punt. Deze sprongetjes noemen we ook wel hops. We bereiken dit gedrag door een lage concentratie van bepaalde onzuiverheden in het stukje halfgeleidermateriaal te implanteren, ‘gast’-atomen zoals boor, die als springplankje fungeren voor de elektronen die door de chip heen gaan. Deze sprongetjes zijn ontzettend gevoelig voor de spanning die je aanlegt en ook gevoelig voor de temperatuur waarbij dat gebeurt. Eén van de belangrijkste dingen om hierbij te benoemen, is dat het gedrag van dat hoppen sterk niet-lineair is. Dat betekent dat het niet altijd zo is dat een verhoogde spanning ook automatisch een grotere stroom oplevert. Of als we de spanning twee keer zo groot maken, de stroom ook twee keer zo groot wordt. Dit niet-lineaire gedrag is voor ons een goed instrument om complexe berekeningen mee uit te kunnen voeren.

Huidige chip met elektroden als zonnestralen in een gedopeerd stuk halfgeleider (links) en een ouder concept waarbij een centraal eiland van gouden nanodeeltjes werd gebruikt (rechts). Credits: van der Wiel Lab. 

De kern is dus dat elektronen door het silicium ‘hoppen’ met behulp van de gastatomen. Hierdoor kun je in plaats van alles (een 1) of niets (een 0) een grotere variëteit aan signalen doorgeven. Klopt dit?

Ja, dat klopt helemaal. Wij werken met onze chip niet meer met 0’en of 1’en, maar met een analoog spectrum van tussenliggende waarden. Uiteindelijk is het doel dat onze chip bepaalde functies kan uitvoeren, zoals een logische schakeling of iets dergelijks. De grote vraag is: hoe krijg je dit voor elkaar als je van tevoren in feite helemaal geen ontwerp gemaakt hebt? Bij huidige elektronische circuits heb je een blauwdruk van hoe je schakeling eruitziet. Hier liggen simpelweg ontwerpregels aan ten grondslag; als je het zodanig aan elkaar vastmaakt, kan je er een bepaalde functie mee realiseren. Bij ons echter beginnen we met een wanordelijk systeem zonder functie en proberen we achteraf door een leerproces die functionaliteit erin te krijgen. Hier zit dan ook de analogie met machine learning. Machine learning is in eerste instantie een software- of wiskundig model. Dat model kan in het begin ‘niks’, maar krijgt bijvoorbeeld de taak om plaatjes te gaan herkennen. Het model leert zichzelf een basisstructuur aan totdat het systeem plaatjes kan herkennen. Dit ‘aanleren’ doe je door het model gewichtsfactoren en bepaalde drempelwaardes mee te geven. Vervolgens kom je tot een model dat bijvoorbeeld in 95% van de gevallen plaatjes kan herkennen. Zo’n soort aanpak kan je ook direct op een materiaal substraat zoals in onze chip uitvoeren. In plaats van dat je met waardes in een model gaat spelen, werk je met fysische parameters. Spanningen of stromen in ons geval, die het gedrag van de chip aanpassen. In onze experimenten stellen we een bepaalde taak ten doel, zoals het herkennen van een eenvoudig patroon. Hierna gaan we net zo lang instellingen aanpassen totdat we het gewenste gedrag zien en de chip in 95% van de gevallen daadwerkelijk de goede functie uitoefent.

In een artikel van de Nemo Kennislink vertel je dat het nog wel even kan duren voordat we de chip concreet kunnen gaan gebruiken op maatschappelijk niveau. Bedrijven die elektronica en computers maken zouden hun infrastructuur moeten aanpassen voor deze nieuwe chip. Kortom, het is moeilijk te voorspellen hoe lang het gaat duren voordat jullie chips daadwerkelijk gebruikt kunnen worden in onze telefoons, televisies en computers. Hoe leiden jullie met deze kennis in het achterhoofd het onderzoek, wetende dat je met geweldige technologie bezig bent, maar dat het ook zomaar zou kunnen zijn dat het misschien pas heel laat of zelfs nóóit de industrie weet te bereiken?

Hoe hou je de moed erin, bedoel je? (lacht) Het is een terecht punt wat je aandraagt, en als antwoord past absoluut bescheidenheid. We weten dat de elektronicasector wordt gedomineerd door enorm grote spelers met enorme diepe zakken. Google werkt bijvoorbeeld ook aan zijn eigen hardware. Ze hebben voor bepaalde taken gewerkt aan een nieuw soort processors, waarmee ze machine learning taken veel efficiënter kunnen uitvoeren. Hetzelfde zie je bij Apple, Intel en HP gebeuren. Het is gewoon echt een gigantisch speelveld. Wat we wel zien, is dat die grote jongens vaak uitgaan van de traditionele bouwstenen. Dan neigen ze toch naar transistors en vaak gebruikte materialen, en proberen ze de architectuur hiervan aan te passen. Hierdoor kunnen wij proberen een verbeterslag te maken.

Wat je o.a. bij bedrijven ziet, is dat ze werken met bouwplannen waar meer parallellisatie in zit. Denk aan multi-core systemen waarbij het verkeer in de processor verbeterd wordt. Verder wordt er ingezet op communicatie in de vorm van ‘spikes’. Hersenen werken ook met pulserende signalen, wat een hele slimme manier is om energie te besparen. Vanwege deze slimme verbeteringen zijn wij als academische groep ook een klein beetje gedwongen om aan wat meer exotisch onderzoek te doen. Anders worden we links en rechts ingehaald door de industriële spelers. Alleen is ons onderzoek voorlopig grotendeels toekomstmuziek en niet iets waar de grote spelers direct in zullen gaan investeren. Hierdoor hebben wij rustig de tijd om met exotische nanomaterialen te werken. Sommige van onze nanodeeltjes-technieken werken in principe alleen bij hele lage temperaturen. Wil dit ooit toegepast worden in de industrie, kunnen we niet bij -270 graden blijven werken. Op de lange termijn moet er in ons onderzoek dus wel een perspectief zijn. Kun je daadwerkelijk laten zien dat je bepaalde berekeningen efficiënter uitvoert in vergelijking met bestaande technologie of technieken? We proberen de getallen realistisch en conservatief in te schatten. De volgende vraag is dan of we de vertaalslag naar de industrie kunnen maken? Zodoende is ons onderzoek langs de ene kant heel fundamenteel, maar aan de andere kant zijn we ook heel erg bezig met waar en hoe we het kunnen gaan toepassen. Daar zijn we ook echt mee bezig en werken hieraan met industriële partners.

Wat zie jij zelf als de grootste ontdekking die je hebt mogen bijdragen aan je eigen vakgebied? Waar ben jij het meest trots op in je carrière?

Ik ben het trotst op deze precieze onderzoekslijn rondom onze chips. Het eerste waar we mee begonnen zijn, is het produceren van netwerken aan nanodeeltjes. Ik ben er niet per se trots op omdat ik het zo slim of knap vind, maar omdat wij samen iets verbazingwekkends hebben kunnen laten werken. Daar hadden we niet ergens iets over gelezen, maar hebben we met ons team zelf bedacht. Het hele proces, van het concept bedenken tot het product werkende krijgen, is iets waar ik met ontzettend veel plezier aan gewerkt heb en met trots op terug kijk. Te meer ook omdat het oprechte verbazing teweegbracht toen het gelukt was. Het was één van onze experimenten die het snelst werkte. Ik heb ook aan heel veel onderzoek gewerkt waarbij je iets wilt maken wat telkens niet werkt. Het leuke van onze huidige chips is dat ze heel ‘vergevingsgezind’ zijn. Je hoeft ze niet perfect te maken aangezien je ze binnen een bepaalde bandbreedte kunt masseren om functies uit te oefenen. Voor wetenschappers die er dag in dag uit mee bezig zijn, is het supergaaf als het dan eindelijk werkt.

Waar is het idee voor deze chip eigenlijk ontstaan?

Het is ontstaan dankzij een collega van mij, Hajo Broersma. Hij kwam jaren geleden naar de Universiteit Twente toe, en had een verhaal gehoord in de UK over evolutie in materialen. Blijkbaar kon je kunstmatige evolutie op materialen loslaten en daar dan functionaliteit mee behalen. Hierdoor zijn we gaan nadenken over de nanoschaal, of we dit hierop konden toepassen en met wat voor nanosystemen je dit dan zou kunnen doen? Het concept is daar ontstaan. Eigenlijk is het mond-tot-mond tot stand gekomen. Mond-tot-mond ideeën komen vaak voor, en negen van de tien keer klinkt het in het begin geweldig maar gebeurt er uiteindelijk niks mee. Al was dit idee zo intrigerend dat we daar verder op zijn gaan bouwen. Ik ben Hajo hier heel dankbaar voor. Hij moet zeker delen in de trots en de eer in het werk.

Stel dat je nog één ding zou mogen bereiken in je carrière, wat zou dit dan zijn? Welke doelstellingen of dromen heb je voor je liggen?

Ik denk dat ik het toch wel heel erg leuk zou vinden als er uiteindelijk iets van onze ideeën zou doorsijpelen naar de praktijk en naar een echte toepassing. Dat ik bijvoorbeeld ooit in de Mediamarkt naast mijn toekomstige kleinkind sta, hem iets uit het schap aanwijs en kan zeggen ‘dat opa daaraan meegeholpen heeft’. Dat zou mij denk ik ontzettend veel voldoening geven.

Hoe sterk is je eigen geloof in deze mogelijkheid? Zie je het als iets realistisch of als een verre droom?

Het is in ieder geval een wens. Laat ik het zo zeggen; het lijkt me niet volledig onrealistisch. Al denk ik dat ook hier weer bescheidenheid gepast is. Als ons onderzoek zelfs op conceptueel niveau iets bij zou mogen dragen aan de ontwikkeling in de toekomst zou dat eigenlijk ook al heel mooi zijn.

Wat is de grootste drempel die je voor je ziet om deze wens te realiseren?

Er zijn nog heel veel drempels. Het laten zien van een bepaald concept of een kunstje in een gecontroleerde lab omgeving is één punt. Maar om het in een product te krijgen en op te schalen, is toch wel een heel andere tak van sport waar wij in alle eerlijkheid gewoon niet goed in zijn als wetenschappers. Zelfs als wij op papier kunnen zeggen dat het gaat werken, hangt het nog van zo veel externe dingen af zoals hoe de chip communiceert met hedendaagse elektronica en of het dan ook als toepassing gebruikt kan worden.

Wat heel erg belangrijk is voor ons, is dat het geheugen lokaal sterker moet worden. Het heen en weer transporteren van data moet nog steeds verbeterd worden. En nogmaals, de technologie moet schaalbaar zijn zodat de toegevoegde waarde blijft bestaan als je naar grotere systemen toe werkt. Dat zijn nogal belangrijke dingen die we ook echt niet onderschatten en niet alleen zullen kunnen oplossen. Wat ik nu het belangrijkste vind, is om ons onderzoek uit te dragen en op conferenties of in publicaties te verkondigen. Hopelijk pikken anderen dit dan op, die misschien andere en betere ideeën hebben om te helpen bij de implicatie van deze technologie in het dagelijks leven.

Ik zeg altijd: als onderzoeker ben je steeds bezig met langs het randje van de afgrond te lopen. Als je iets voor elkaar krijgt, staat iedereen te klappen maar je dondert soms ook over het randje heen.

De Persoonlijkheid

Wat drijft jou om wetenschap te doen? Waar komt jouw passie voor wetenschap vandaan en hoe ben jij op dit punt in je leven terecht gekomen?

Ik vind het leuk om creatief bezig te zijn, en om bezig te zijn met dingen die ik oprecht zelf leuk vind. Ik denk dat dit een van de grootste privileges is van een wetenschapper: als ik morgen onderzoek zou willen gaan doen naar pindakaas met rare elektrodes erin, kan ik dat gewoon doen.  Al moet je natuurlijk wel financiering krijgen, wat het iets minder romantisch maakt. Verder vind ik het ontzettend fijn om gewoon naar mijn werk te gaan zonder dat ik het gevoel heb dat ik naar mijn werk ga. Natuurlijk zijn er minder leuke kanten aan het onderzoeksleven, zoals het schrijven van voorstellen die vervolgens weer afgekeurd kunnen worden of artikelen die weer terugkomen. Maar in essentie ben je bezig met je eigen verhaal sturen en ook bezig met iets waar je zelf in gelooft. Dat maakt het erg leuk. Daar komt bij dat je met mensen werkt die allemaal heel slim, creatief, meerekenend en over het algemeen vrij geestig zijn. Dat maakt het een heel erg leuke werkomgeving. Als er dan ook echt dingen lukken, zie ik dat alleen maar als een grote bonus. Er lukken natuurlijk ook heel veel dingen niet (lacht). Dat hoort er ook bij! Ik zeg altijd: als onderzoeker ben je steeds bezig met langs het randje van de afgrond te lopen. Als je iets voor elkaar krijgt, staat iedereen te klappen maar je dondert soms ook over het randje heen.

Ondanks dat je momenteel een gelukkig man bent, donderde je zelf in het verleden ook een keer over het randje heen. Je hebt het een tijd zwaarder gehad in de vorm van een burn-out (waarin je niet de enige wetenschapper bent die dit meemaakt). Hoe is deze burn-out ontstaan, en hoe ben je hier weer uit gekomen?

De aanleiding daartoe is een combinatie van privé- en zakelijke dingen geweest. Het is het bekende verhaal van de druppel die de emmer laat overlopen. Ik ben ook echt in een hele forse, diepe depressie beland wat je een burn-out deluxe kan noemen. Daar ben ik maanden zoet mee geweest. De allerbelangrijkste reden dat ik daar toch weer uit ben gekomen en dat ik sta waar ik nu sta, is dat mijn directe collega’s er altijd voor mij geweest zijn. Ze hebben me altijd ontzettend goed opgevangen en werk van mij op een fantastische manier overgenomen. Tevens hebben ze mij alle ruimte gegeven om stapje voor stapje weer terug te komen in mijn werk. Vanaf het moment dat ik weer een klein beetje mee kon doen in het proces, en het gevoel had dat ik weer iets kon bijdragen, kwam positieve feedback op gang. Dit heeft me een boost gegeven om weer aan de slag te gaan. Ik zag in dat ik het nog kon, dat het nog lukte, dat mijn brein nog gewoon werkte. Je zit namelijk zodanig in een dal dat je niet echt meer van je eigen cognitieve vermogens uit kan gaan. Kortom, ik heb veel te danken aan mijn collega’s en familie die me geweldig opgevangen hebben. De zachte landing bij het terugkomen en het vertrouwen vanuit mijn onderzoeksgroep waren essentieel.

Wat zijn de lessen die je vandaag de dag mee neemt in je werk, als hernieuwd gelukkig man? Stel dat je op een podium zou staan voor een zaal vol studenten en hun één levenswijsheid mee zou mogen geven; welke wijsheid zou dit dan zijn?

Doe iets waar je zelf echt intrinsiek gelukkig van wordt en waar je helemaal voor gaat. Maar zelfs dan moet je jezelf in de gaten houden! Dat is het gevaar van iets doen waar je je ziel en zaligheid in legt. Zo’n passie is natuurlijk geweldig, alleen geldt die balanseer act waar ik het over had ook op het niveau van je eigen leven. Als je heel dicht bij het randje van de afgrond loopt, kan je ook heel diep vallen. Probeer altijd je buffer en balans in de gaten te houden. Als je de luxe en het geluk hebt dat je dat kan, probeer dan iets te doen waar je gemotiveerd voor bent. Iets wat je echt zelf wilt doen, niet omdat je omgeving dat van je verwacht. Je blijft een mens van vlees en bloed, met beperkingen. Dus hou jezelf in de gaten.

Die ga ik in mijn achterhoofd houden! Als laatste vraag is er de DWIN-vraag: Heb jij een weetje of feitje waar je ons mee kan verassen omdat we het nog niet wisten?

Wist je dat ons brein dag in en dag uit naar schatting op slechts 20 Watt vermogen draait? Dat is honderd keer minder dan wat bijvoorbeeld een stofzuiger nodig heeft. Dit betekent dat je je brein urenlang kan laten draaien op een boterham met pindakaas. Als je dit in cijfers wilt weergeven, betekent het dat er in het brein 10¹⁵ operaties per seconde worden uitgevoerd wat het brein ongelooflijk efficiënt doet. Op 20 Watt kan je nog niet eens een ouderwets gloeilampje laten branden. Ongelooflijk, toch?

Dat wist ik nog niet! Wilfred, ontzettend bedankt voor dit open en uitgebreide verhaal over je werk en passie!

Ontdek ook: