Kan AI een elektromotor ontwerpen in de tijd dat je koffie zet?
Wie vandaag een elektromotor voor een auto ontwerpt, laat een computer dagenlang duizenden varianten doorrekenen. KU Leuven-student Lorenz De Maeyer ontwikkelde een AI-systeem dat het sneller kan. Het krijgt de wensen van de klant en tekent er zelf een waaier aan passende motoren bij, in minder dan twintig seconden.
Een autobouwer klopt aan bij een motorleverancier met een verlanglijst. De motor moet bij het optrekken zoveel kracht leveren, bij hoge snelheid nog zoveel, en hij moet werken met de batterij en de elektronica die al in de wagen zitten. Bij Punch Powertrain in Sint-Truiden, dat zulke motoren ontwikkelt, begint dan een zoektocht die dagen kan duren.
Duizend keer proberen
Elektrische en hybride wagens winnen snel terrein, en elke autobouwer wil een motor op maat. In de meeste moderne elektrische auto's zit een motor met magneten die in het draaiende deel, de rotor, verwerkt zijn. Hoe groot die magneten zijn, onder welke hoek ze staan, hoe groot de motor in zijn geheel is: in deze masterproef gaat het om 17 maten die de ontwerper vrij kan kiezen. Elke combinatie levert een andere motor op.
Om te weten wat een ontwerp presteert, laat een ingenieur een gedetailleerde simulatie lopen die het magnetische veld in de motor tot in detail uitrekent. Dat duurt zo'n twintig minuten per ontwerp. Een optimalisatieprogramma stelt telkens een nieuwe variant voor, laat die doorrekenen en begint opnieuw. Pas na duizenden pogingen rolt er een geschikte motor uit.
Die werkwijze is betrouwbaar, maar traag. Het lijkt op een slot openen door elke sleutel van een enorme sleutelbos uit te proberen.
Van de eisen naar de motor
De Maeyer koos de omgekeerde weg. In plaats van sleutels te proberen, bekijkt zijn systeem het slot en laat het de sleutel maken. Het krijgt de wensen van de klant en de grenzen van batterij en elektronica, en geeft meteen motorontwerpen terug die daaraan voldoen.
Daarvoor gebruikt hij generatieve AI, dezelfde familie van technieken als achter programma's die op vraag afbeeldingen maken. Vraag zo'n programma om een kat op een fiets, en je krijgt telkens een andere kat op een andere fiets. Dat is hier net de bedoeling. Veel verschillende motoren kunnen aan dezelfde eisen voldoen, en een ontwerper wil die waaier kunnen bekijken.
Het systeem leerde uit ruim 85.000 virtuele motoren, elk doorgerekend met de bestaande software. Eerst trainde De Maeyer een snel rekenmodel dat voor elk ontwerp voorspelt hoeveel kracht de motor bij elk toerental levert. Dat model berekent die krachtcurve in minder dan een milliseconde, waar de klassieke software er minuten over doet, met een gemiddelde afwijking van 0,62 procent.
Dat snelle model bouwde hij vervolgens in als kwaliteitscontrole tijdens de training van de ontwerp-AI. Telkens die AI een motor tekende, berekende het rekenmodel meteen of de gevraagde prestaties gehaald werden. Elk tekort woog mee in de foutmaat waarop de AI bijstuurt. Zo leerde ze niet alleen motoren tekenen die er plausibel uitzien, maar ook motoren die doen wat de klant vraagt.
Acht echte klantvragen
De Maeyer testte zijn aanpak op acht realistische ontwerpvragen die Punch Powertrain aanleverde en die de AI tijdens de training nooit gezien had. Zonder die ingebouwde controle voldeed gemiddeld 40,8 procent van de gegenereerde ontwerpen aan de eisen. Met die extra controle steeg dat naar 62,7 procent. De ontwerpen werden daardoor niet eentoniger: de AI bleef een brede waaier aan motoren voorstellen.
Een geschikte motor is nog geen goede motor. Een compactere motor weegt doorgaans minder en vraagt minder materiaal. Daarom voegde De Maeyer een laatste stap toe: een zoektocht die een gegenereerd ontwerp stap voor stap bijschaaft tot het zo klein mogelijk is, zonder de eisen of de mechanische sterkte van de rotor los te laten.
Die zoektocht duurt per klantvraag 15 tot 18 seconden op één grafische kaart. In de tijd dat het systeem een afgewerkt ontwerp aflevert, is één klassieke simulatie nog maar net begonnen. In zeven van de acht gevallen vond de zoektocht een motor die aan alle eisen voldoet, en meestal een kleinere dan alles wat de AI bij honderd willekeurige pogingen voorstelde. Een controle met de volwaardige simulatiesoftware bevestigde dat de voorspellingen overeind blijven.
Een vliegende start
Het systeem vervangt de ingenieur niet. Voorlopig kijkt het enkel naar de kracht die een motor kan leveren. Hoe warm hij wordt, hoe zuinig hij is en hoeveel lawaai hij maakt, moet nog apart gecontroleerd worden. Maar waar een ontwerper vroeger dagen wachtte op een eerste bruikbaar voorstel, krijgt hij nu meteen een reeks kandidaten om verder uit te werken.
Omdat deze combinatie van technieken in de vakliteratuur nog niet bestond, werd De Maeyer uitgenodigd om zijn werk te publiceren in een vaktijdschrift van IEEE, het toonaangevende internationale instituut voor elektrotechniek en informatica.
Misschien verandert vooral het gesprek met de klant. Het systeem tekent op korte tijd duizenden kandidaat-motoren en toont zo waar de grenzen van het haalbare liggen. De autobouwer die met zijn verlanglijst aanklopt, krijgt dan een antwoord nog voor hij zijn koffie gekregen heeft.
Bibliografie
[1] A. Akbari and D. A. Lowther. CDC-GANs: Bridging Innovation and Effi ciency in E-Machine Design with Advanced Generative Models. In 2024 Inter national Conference on Electrical Machines (ICEM), pages 1–7, Torino, Italy, Sept. 2024. IEEE.
[2] J. L. Ba, J. R. Kiros, and G. E. Hinton. Layer normalization, 2016.
[3] S. Barmada, P. Di Barba, N. Fontana, M. E. Mognaschi, and M. Tucci. Elec tromagnetic Field Reconstruction and Source Identification Using Conditional Variational Autoencoder and CNN. IEEE Journal on Multiscale and Multi physics Computational Techniques, 8:322–331, 2023.
[4] B. Bilgin, P. Magne, P. Malysz, Y. Yang, V. Pantelic, M. Preindl, A. Ko robkine, W. Jiang, M. Lawford, and A. Emadi. Making the Case for Electrified Transportation. IEEE Transactions on Transportation Electrification, 1(1):4 17, June 2015.
[5] C. M. Bishop. Pattern Recognition and Machine Learning. Information Science and Statistics. Springer, New York, 2006.
[6] S. R. Bowman, L. Vilnis, O. Vinyals, A. M. Dai, R. Jozefowicz, and S. Bengio. Generating Sentences from a Continuous Space. In Proceedings of the 20th SIGNLL Conference on Computational Natural Language Learning (CoNLL), pages 10–21, Berlin, Germany, 2016. Association for Computational Linguistics.
[7] W. Cai, X. Wu, M. Zhou, Y. Liang, and Y. Wang. Review and Development of Electric Motor Systems and Electric Powertrains for New Energy Vehicles. Automotive Innovation, 4(1):3–22, Feb. 2021.
[8] S. De Vos. Flux map prediction of IPMSM with a neural network based ap proach. Master’s thesis, KU Leuven. Faculteit Ingenieurswetenschappen, 2025.
[9] P. Di Barba, M. E. Mognaschi, and S. Wiak. Neural metamodelling of fields: Towards a new deal in computational electromagnetics. International Journal of Applied Electromagnetics and Mechanics, 69(2):127–137, June 2022.
[10] D. Di Lorenzo, V. Champaney, C. Ghnatios, E. Cueto, and F. Chinesta. Physics-informed and graph neural networks for enhanced inverse analysis. En gineering Computations, 42(7):2427–2455, Nov. 2025.
[11] C. P. Do Nascimento, A. C. Silvério, B. Baptista, J. A. Carvalho, T. Bazzo, and Á. Ferreira. Optimization approaches in electric machine design: insights from a bibliometric analysis. Journal of Engineering and Applied Science, 73(1):2, Dec. 2026.
[12] S. Fang and H. Ji. ICVAE: Interpretable Conditional Variational Autoencoder for de novo Molecular Design. International Journal of Molecular Sciences, 26(9):3980, 2025.
[13] C. Fu, H. Kazmi, M. Quintana, and C. Miller. Creating synthetic energy meter data using conditional diffusion and building metadata. Energy and Buildings, 312:114216, June 2024
[14] I. Goodfellow, Y. Bengio, and A. Courville. Deep Learning. MIT Press, Cam bridge, MA, 2016.
[15] J. Hauke and T. Kossowski. Comparison of values of Pearson’s and Spearman’s correlation coefficients on the same sets of data. Quaestiones Geographicae, 30(2):87–93, 2011.
[16] K. He, X. Zhang, S. Ren, and J. Sun. Deep residual learning for image recogni tion. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 770–778, 2016.
[17] D. Hendrycks and K. Gimpel. Gaussian Error Linear Units (GELUs), 2016.
[18] I. Higgins, L. Matthey, A. Pal, C. Burgess, X. Glorot, M. Botvinick, S. Mo hamed, and A. Lerchner. β-VAE: Learning Basic Visual Concepts with a Con strained Variational Framework. In Proceedings of the 5th International Con ference on Learning Representations (ICLR), 2017.
[19] D. G. Holmes and T. A. Lipo. Pulse Width Modulation for Power Converters: Principles and Practice. IEEE Press Series on Power Engineering. Wiley-IEEE Press, Piscataway, NJ, 2003.
[20] K. Hornik, M. Stinchcombe, and H. White. Multilayer feedforward networks are universal approximators. Neural Networks, 2(5):359–366, 1989.
[21] P. J. Huber. Robust estimation of a location parameter. The Annals of Math ematical Statistics, 35(1):73–101, 1964.
[22] D. P. Kingma and J. Ba. Adam: A method for stochastic optimization. In Proceedings of the 3rd International Conference on Learning Representations (ICLR), 2015.
[23] D. P. Kingma, T. Salimans, R. Jozefowicz, X. Chen, I. Sutskever, and M. Welling. Improved Variational Inference with Inverse Autoregressive Flow. In Advances in Neural Information Processing Systems (NeurIPS), volume 29, 2016.
[24] D. P. Kingma and M.Welling. Auto-Encoding Variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR), 2014.
[25] D. P. Kingma and M. Welling. An Introduction to Variational Autoencoders. Foundations and Trends® in Machine Learning, 12(4):307–392, Nov. 2019.
[26] P. C. Krause, O. Wasynczuk, and S. D. Sudhoff. Analysis of Electric Machinery and Drive Systems. Wiley-IEEE Press, Hoboken, NJ, 3 edition, 2013.
[27] S. Lauwers. Use of neural networks in electrical machine design. Master’s thesis, KU Leuven. Faculteit Ingenieurswetenschappen, 2024.
[28] C. Liu, K. T. Chau, C. H. T. Lee, and Z. Song. A Critical Review of Advanced Electric Machines and Control Strategies for Electric Vehicles. Proceedings of the IEEE, 109(6):1004–1028, June 2021.
[29] G. Loaiza-Ganem and J. P. Cunningham. The continuous Bernoulli: fixing a pervasive error in variational autoencoders. In Advances in Neural Information Processing Systems (NeurIPS), volume 32, 2019.
[30] I. Loshchilov and F. Hutter. SGDR: Stochastic gradient descent with warm restarts. In Proceedings of the 5th International Conference on Learning Rep resentations (ICLR), 2017.
[31] I. Loshchilov and F. Hutter. Decoupled weight decay regularization. In Proceed ings of the 7th International Conference on Learning Representations (ICLR), 2019.
[32] MathWorks. Clarke and Park Transforms. https://nl.mathworks.com/ discovery/clarke-and-park-transforms.html, 2026. Accessed 2026-04-27.
[33] M. D. McKay, R. J. Beckman, and W. J. Conover. A comparison of three methods for selecting values of input variables in the analysis of output from a computer code. Technometrics, 21(2):239–245, 1979.
[34] M. H. Mohammadi. A Data-Driven Design Process including Multiphysics for Synchronous AC Machines using High-Performance Computing. PhD thesis, McGill University, 2019.
[35] V. Nair and G. E. Hinton. Rectified linear units improve restricted Boltzmann machines. In Proceedings of the 27th International Conference on Machine Learning (ICML), pages 807–814, 2010.
[36] H. T. Nguyen and P. L. Donti. FSNet: Feasibility-Seeking Neural Network for Constrained Optimization with Guarantees. In Advances in Neural Information Processing Systems (NeurIPS), 2025.
[37] V. Parekh, D. Flore, and S. Schöps. Deep learning based Meta-modeling for Multi-objective Technology Optimization of Electrical Machines. IEEE Access, 11:93420–93430, 2023.
[38] R. Pascanu, T. Mikolov, and Y. Bengio. On the difficulty of training recur rent neural networks. In Proceedings of the 30th International Conference on Machine Learning (ICML), pages 1310–1318, 2013.
[39] J. Pyrhönen, T. Jokinen, V. Hrabovcová, and H. Niemelä. Design of rotating electrical machines. Wiley, Chichester, reprinted edition, 2010.
[40] PyTorch Contributors. tation. BCEWithLogitsLoss — PyTorch documen https://docs.pytorch.org/docs/stable/generated/torch.nn. BCEWithLogitsLoss.html, 2026. Accessed 2026-05-20.
[41] D. E. Rumelhart, G. E. Hinton, and R. J. Williams. Learning representations by back-propagating errors. Nature, 323(6088):533–536, 1986.
[42] L. Ruthotto and E. Haber. An Introduction to Deep Generative Modeling. GAMM-Mitteilungen, 44(2):e202100008, 2021.
[43] W. Soong and T. Miller. Field-weakening performance of brushless synchronous AC motor drives. IEE Proceedings- Electric Power Applications, 141(6):331 340, Nov. 1994.
[44] S. Stipetic, D. Zarko, and M. Popescu. Scaling laws for synchronous perma nent magnet machines. In 2015 Tenth International Conference on Ecological Vehicles and Renewable Energies (EVER), pages 1–7, Monte Carlo, Mar. 2015. IEEE.
[45] M. Tanveer, M. M. Azad, D. Kim, S. Khalid, and H. S. Kim. Generative Design for Engineering Applications: A State-of-the-Art Review. Archives of Computational Methods in Engineering, 33(1):53–79, Jan. 2026.
[46] J. M. Tomczak. Deep Generative Modeling. Springer, Cham, 2 edition, 2024. [47] S. Yang, S. Lee, and K. Yee. Inverse design optimization framework via a two step deep learning approach: application to a wind turbine airfoil. Engineering with Computers, 39(3):2239–2255, June 2023.
[48] Y. Yang, S. M. Castano, R. Yang, M. Kasprzak, B. Bilgin, A. Sathyan, H. Dad khah, and A. Emadi. Design and Comparison of Interior Permanent Magnet Motor Topologies for Traction Applications. IEEE Transactions on Transporta tion Electrification, 3(1):86–97, Mar. 2017.
