In de zeer energie- en grondstoffenintensieve chemische industrie is het van groot belang dat men zowel nieuwe processen ontwikkelt als bestaande processen optimaliseert. Hiervoor zijn modellen van cruciaal belang. De meest nauwkeurige en breedst toepasbare modellen zijn de zogenaamde multischaalmodellen. Een groot nadeel aan dit soort modellen is de rekenkracht die nodig is om ze uit te voeren. Om de vereiste rekenkracht te verminderen, worden op verschillende plaatsen in deze modellen de fundamentele modellen vervangen door empirische. Deze zijn weliswaar sneller dan hun fundamentele tegenhangers, maar botsen vaak op limitaties wat betreft nauwkeurigheid of toepasbaarheid. Er is onderzocht hoe artificiële intelligentie in het algemeen en machinaal leren in het bijzonder hiervoor een oplossing zou kunnen bieden. Door het gebruik van machinaal leren voor verschillende toepassingen, met name voor het ontwikkelen van kinetische modellen, voor numerieke stromingsleer en voor het simuleren van chemische processen, wordt het potentieel van dergelijke methoden aangetoond. Tegelijk wordt aangetoond dat machinaal leren fundamentele multischaalmodellen niet kan vervangen - het potentieel zit namelijk net in het samenspel tussen de twee methoden.