مقابلات
تاكو واتانابيه، نائب الرئيس ورئيس العمليات الأمريكية، ماتلانتيس – سلسلة المقابلات
تاكو واتانابيه، نائب الرئيس ورئيس العمليات الأمريكية في ماتلانتيس، هو خبير في علوم المواد والذكاء الاصطناعي مع مسيرة مهنية تشمل أبحاث البطاريات المتقدمة والنمذجة الحاسوبية والقيادة التكنولوجية العالمية. وهو حاليًا يقود توسع ماتلانتيس في الولايات المتحدة من كامبريدج، ماساتشوستس، بينما يعمل أيضًا كباحث رئيسي ورئيس نجاح العملاء العالمي، حيث يربط بين معلومات المواد المتقدمة وتطبيقات الصناعة الحقيقية. قبل انضمامه إلى ماتلانتيس، شغل مناصب رفيعة المستوى في معهد سامسونج للأبحاث في اليابان مع التركيز على تطوير البطاريات الصلبة، وأجرى بحثًا ما بعد الدكتوراه في معهد جورجيا للتكنولوجيا بعد إكمال العمل الدراسي في برامج المحاكاة في جامعة فلوريدا. تركز مسيرته المهنية باستمرار على دمج التعلم الآلي والنمذجة القائمة على الفيزياء وعلوم المواد لتسريع الابتكار في الطاقة والمواد المتقدمة.
ماتلانتيس هي شركة معلومات مواد مدفوعة بالذكاء الاصطناعي تركز على تحويل كيفية اكتشاف وتطوير المواد الجديدة من خلال محاكاة ذرية عالية السرعة. منصة الشركة السحابية تمكن الباحثين من نمذجة السلوك الجزيئي والبلوري بدقة عالية وسرعة، مما يقلل من العمليات التي استغرقت أشهر إلى ثوان. مبنية على إمكانيات الذكاء الاصطناعي بين الذرات والكيمياء الحاسوبية، تتيح المنصة للعلماء استكشاف مجموعات مواد واسعة دون قيود تجريبية تقليدية، مما يدعم صناعات مثل أشباه الموصلات وتخزين الطاقة. تأسست ماتلانتيس في عام 2021 من خلال تعاون بين Preferred Networks وENEOS، وتوضع نفسها كطبقة أساسية في التحول نحو اكتشاف المواد مدفوعًا بالذكاء الاصطناعي وعمليات البحث والتطوير الرقمية.
لقد قمت بإنفاق مسيرتك المهنية على تقاطع علوم المواد والنمذجة والتعلم الآلي، من أبحاث البطاريات في سامسونج إلى معلومات المواد في إينوس والآن قيادة العمليات الأمريكية في ماتلانتيس. ما هي اللحظات الرئيسية التي أقنعتك بأن المحاكاة مدفوعة بالذكاء الاصطناعي سوف تغير بشكل جوهري اكتشاف المواد؟
النقطة الفارقة بالنسبة لي كانت إدراكي أن العائق الحقيقي في اكتشاف المواد هو محدودية قدرتنا على استكشاف مرشحين كافيين. في عملي على مواد البطاريات وفيما بعد في معلومات المواد، كنا نولد رؤى عالية الجودة باستخدام طرق مثل نظرية الوظيفة الكثيفة (DFT)، ولكن فقط عبر مجموعة صغيرة من الإمكانيات بسبب قيود التكلفة والزمن.
ما تغير هو ظهور إمكانيات التعلم الآلي التي يمكن أن تحافظ على دقة قريبة من المستوى الكمومي مع زيادة الإنتاجية الحاسوبية بشكل كبير. هذا فتح两个 تحول مهمين.
أولاً، أدى إلى تسريع التجربة والخطأ بدقة عالية. يمكن للباحثين الآن تشغيل تقييمات مرشحين كبيرة بشكل كبير في كل وحدة زمنية دون التضحية بالدقة، مما يغير بشكل جوهري وتيرة ومدى الاستكشاف. ثانيًا، خلق أساسًا جديدًا للعلوم البيانية في اكتشاف المواد، لأن هذا المستوى من الإنتاجية يولد حجم البيانات عالية الجودة المطلوبة لجعل نهج التعلم الآلي فعّالًا حقًا.
دمج ماتلانتيس مؤخرًا مع أداة ALCHEMI من إنفيديا لتمكين إنتاجية المحاكاة على مستوى الصناعة. من منظورك، ما هي العوائق المحددة التي يزيلها هذا التكامل، وكيف يغير ما يمكن أن تحققه فرق البحث والتطوير اليوم؟
يزيل التكامل عدم التطابق الأساسي بين الإمكانيات مدفوعة بالذكاء الاصطناعي والبنية التحتية التي تعتمد عليها. في حين أن نماذج مثل PFP تعتمد بشكل固 hữu على تسريع وحدات معالجة الرسومات (GPU)، فإن أجزاء رئيسية من تدفق عمل المحاكاة، مثل التوجيه، ظلت تقليديًا مقيدة بالوحدات المركزية (CPU) أو غير متصلة بشكل فضفاض عبر أدوات مختلفة. هذا يخلق عدم كفاءة في تحريك البيانات ويحد من القدرة على التوسع من خلال إدخال الاحتكاك عند تشغيل حمولات كبيرة أو موزعة.
تعالج ALCHEMI هذا من خلال تمديد تسريع وحدات معالجة الرسومات عبر كافة مكدس المحاكاة، بناءً على التكامل السابق مع نوى محسّنة من إنفيديا وانتقال الآن إلى أدوات إدارة الإنتاج. النتيجة هي حساب أسرع وبيئة محاكاة أكثر انسجامًا ومدفوعة بالذكاء الاصطناعي يمكنها العمل بشكل موثوق على مستوى الصناعة.
ما يجعل هذا مهمًا بشكل خاص الآن هو أنه ي象ز تحولًا من رؤية المنصة إلى التطبيق الفعلي. مع قدرات مثل LightPFP التي تمكن من محاكاة على مستوى مئات الآلاف من الذرات وأسرع استدلال، أصبحت محاكاة الذرية مدفوعة بالذكاء الاصطناعي قابلة للاستخدام في سير عمل الإنتاج.
لفرق البحث والتطوير، هذا يغير دور المحاكاة كليًا. بدلاً من تطبيقها بشكل انتقائي، يمكن دمجها في اتخاذ القرارات اليومية، مما يؤثر على Materials التي يتم إعطاؤها الأولوية في مرحلة مبكرة من التطوير.
يؤكد الإعلان على LightPFP والتكامل القادم مع ALCHEMI. كيف تحسن هذه التطورات من القدرة على التوسع والاستقرار مقارنة بمخططات المحاكاة الذرية التقليدية؟
تعالج LightPFP عائقًا رئيسيًا في المحاكاة الذرية: العبء الاتصالي المطلوب لبناء قائمة الجيران في الأنظمة الموزعة. من خلال استبدال هذه الخطوة خلال الاستدلال بمكدس أدوات ALCHEMI من إنفيديا، يقلل من الاتصالات بين العقد، مما يجعل المحاكاة الكبيرة السرعة وأكثر استقرارًا.
متوافقة مع هيكلها المبني على الخادم، يسمح هذا للمحاكاة بالتوسع بشكل أكثر كفاءة مع تقليل تعقيد البنية التحتية والتشغيل.
التكامل الكامل مع PFP يمتد هذه الفوائد إلى نموذج شامل، وهو أمر مهم لأن الأنابيب التقليدية غالبًا ما تواجه صعوبات في التوسع بشكل متسق عبر أنظمة مواد وبيئات حاسوبية مختلفة. معًا، تحسن هذه التطورات من القدرة على التوسع والموثوقية، مما يسمح للمحاكاة بالانتقال من حالات استخدام البحث المعزولة إلى التطبيق المستمر على مستوى الصناعة دون التنازلات التقليدية بين الأداء والاستقرار.
تم بناء ماتلانتيس على Preferred Potential (PFP)، مدرب على عشرات الملايين من الحسابات على مستوى الكم. كيف يختلف هذا النهج القائم على البيانات عن المحاكاة التقليدية القائمة على الفيزياء، وأين يتم تحقيق أكبر مكاسب الأداء؟
المحاكاة التقليدية تحسب التفاعلات مباشرة من المبادئ الأولى في كل مرة، وهو دقيق ولكن مكلف حاسوبيًا. بينما يتعلم PFP من مجموعة واسعة من الحسابات الكمومية ويطبق ذلك المعرفة خلال الاستدلال. أكبر مكاسب الأداء تأتي في سير العمل التي تتطلب التقييم المتكرر عبر العديد من المرشحين، مثل فحص المواد أو استكشاف تركيبة المواد. بدلاً من أن تكون مقيدة بعدد صغير من الأنظمة، يمكن للباحثين تقييم آلاف المرشحين مع الحفاظ على دقة معنوية.
إحدى المطالبات الأكثر إقناعًا هي تحقيق دقة قريبة من DFT عند تسارع سرعات كبير. من الناحية العملية، كيف يغير هذا الطريقة التي تتبعها الشركات في التعامل مع التجارب وتصنيع النماذج الأولية ووقت الوصول إلى السوق؟
تقليدًا، كانت DFT هي المعيار الذهبي للدقة، ولكن اليوم، تكلفتها الحاسوبية تقيد كيفية تطبيقها على نطاق واسع؛ اعتمدت فرق البحث والتطوير بشكل كبير على التجارب والخطأ واستخدمت DFT بشكل انتقائي للتحقق.
الدقة القريبة من DFT عند تسارع سرعات كبير يزيل هذا القيد. بدلاً من استخدام DFT لتحليل عدد قليل من المرشحين بعد التجارب، يمكن للشركات الآن تقدير ذلك المستوى من الاطلاع على آلاف الإمكانيات. هذا يسمح لهم بتضييق مساحة البحث الحاسوبية قبل التزام الموارد المادية. النتيجة هي تجارب أقل فشل، وتصنيع نماذج أولية أكثر استهدافًا، ودورات تكرار أسرع بشكل كبير، مما يقلل في النهاية من وقت الوصول إلى السوق مع زيادة الثقة في ما يحرك الإنتاج إلى الأمام.
نحن نشهد تحولًا نحو اكتشاف المحاكاة أولًا عبر صناعات مثل أشباه الموصلات والبطاريات والكيميائيات. ما يشبه سير عمل البحث والتطوير مدفوع بالمحاكاة أولًا داخل مؤسسة حديثة؟
سير عمل مدفوع بالمحاكاة أولًا يبدأ بترسيخ البحث والتطوير حول النتائج المرغوبة بدلاً من المواد المحددة مسبقًا. تحدد الفرق أهدافها وتحدياتها، ثم تفحص أعدادًا كبيرة من مرشحي المواد على نطاق واسع من خلال التأمل والاستقرار واكتشاف الفضاءات الكيميائية أو البلورية.
هذا عملية تفاعلية. تثقف نتائج المحاكاة باستمرار المرشحين التاليين، مما يضيق بسرعة مساحة التصميم. بحلول الوقت الذي تنتقل فيه المواد إلى مرحلة التحقق، لقد تمت تصفيتها بالفعل من خلال طبقات حاسوبية متعددة، مما يقلل بشكل كبير من الجهد المبذول.
التغيير الحقيقي، مع ذلك، هو تنظيمي. تتجاوز المحاكاة كفاءتها الخاصة لتصبح طبقة اتخاذ قرارات مركزية. توجيهها التي تجارب يتم تشغيلها، وكيف يتم تخصيص الموارد، وكيف تُrioritize الفرق أولوياتها. مع مرور الوقت، يخلق هذا نظامًا مغلقًا حيث تعزز المحاكاة والتجربة بعضها البعض، مما يسمح للفرق باستكشاف إمكانيات أكثر مع البقاء مركزًا على المسارات الأكثر جدوى.
كما يصبح الذكاء الاصطناعي مركزيًا في علوم المواد، فإن البنية التحتية مثل الحوسبة ووحدات معالجة الرسومات وبرامج المكدس تزداد أهمية بشكل متزايد. لماذا تظهر البنية التحتية الآن كعامل محدود بدلاً من الابتكار في النماذج فقط؟
لأن العديد من المنظمات لديها نماذج قوية، لكنها تواجه صعوبات في سير عمل منقسم ووصول محدود إلى الحوسبة. معاملة الذكاء الاصطناعي كأداة طبقة على أنظمة موروثة يؤدي إلى تجارب معزولة، وعامل القيد قد تحول إلى البنية التحتية وكيفية دمج الحوسبة ومحاكاة البيانات في نظام موحد.
ماتلانتيس يتم استخدامها بالفعل عبر صناعات من الطاقة إلى التصنيع المتقدم. ما هي الحالات التي تشهد أسرع عائد على الاستثمار اليوم، وأين تري موجة الابتكارات الكبيرة التالية؟
أسرع عائد على الاستثمار يحدث في المجالات التي تكون فيها دورات التجربة باهظة التكلفة ومساحات التصميم كبيرة، مثل مواد البطاريات والمحفزات ومواد أشباه الموصلات. في هذه المجالات، يمكن للمحاكاة إلغاء المرشحين غير المجديين في وقت مبكر، مما يخلق قيمة فورية.
على سبيل المثال، كان لدى شركة الكيميائيات كوراراي عملية تحقق استغرقت من عامين إلى ثلاثة أعوام، ولكن تم تقليلها إلى شهر ونصف فقط باستخدام ماتلانتيس. في حملة محاكاة واحدة، تم تقييم 13 تحسينًا مقترحًا للمحفزات وتم استبعادها جميعًا كغير مجدية، مما節 kiệm سنوات من الجهد التجريبي على أفكار غير مجدية.
من الناحية المستقبلية، ستأتي موجة الابتكارات الكبيرة التالية من تقارب المحاكاة والتجربة، وليس من تحسينهما على حدة. اليوم، لا يزال هناك حدود واضحة بينهما، وغالبًا ما يتم التعامل معهما كخطوات متعاقبة بدلاً من استراتيجية موحدة.
然而، يبدأ هذا الحد في التلاشي. مع تقدم المحاكاة عالية الإنتاجية والتعلم الآلي، نشهد ظهور أنظمة اكتشاف مغلقة حيث توجيه المحاكاة التجارب في الوقت الفعلي، والبيانات التجريبية تتدفق باستمرار إلى النماذج. معما تنجح هذه الأنظمة، ستصبح الاكتشاف مستمرًا. هذا التلاشي، حيث تعمل المحاكاة والذكاء الاصطناعي والتجربة ك نظام موحد، هو حيث ستكون الابتكارات التالية مدفوعة.
دورك يمتد إلى البحث التقني العميق ونجاح العملاء العالمي. ما هي المهارات الجديدة التي تعتقد أن جيل العلماء والمهندسين التالي يجب أن يطوروها ليبقوا منافسين في بيئات البحث والتطوير مدفوعة بالذكاء الاصطناعي؟
أهم مهارة يجب على الجيل التالي تعزيزها هي القدرة على العمل عبر التخصصات. يحتاج العلماء إلى خبرة قوية في المجال والقدرة على العمل مع نماذج البيانات وبرامج المحاكاة القابلة للتوسع وعمليات العمل التكرارية. من المهم بشكل متساو هو فهم كيفية ربط المحاكاة وتجارب البيانات داخل عملية اكتشاف أكبر.
الجيل التالي سيكون محددًا ليس فقط بما يعرفونه، ولكن بكيفية دمج وتطبيق ذلك المعرفة داخل بيئات البحث والتطوير الحديثة.
فيما يخص المستقبل، مع اقتراب المحاكاة مدفوعة بالذكاء الاصطناعي من اكتشاف المواد في الوقت الفعلي، كم نحن قريبون من عالم حيث يتم تصميم وتصديق وتحسين فصول كاملة من المواد完全 في السيليكون قبل أي تجربة فيزيائية، وماذا يعني ذلك لمستقبل الابتكار؟
نحن نقترب من هذه القدرة في مجالات معينة، ولكن ليس بشكل عالمي.对于 العديد من الأنظمة، يمكن للمحاكاة بالفعل إزالة أجزاء كبيرة من مساحة التصميم وتحديد مرشحين واعدين قبل أي تجربة.
然而، 捕获 تعقيد العالم الحقيقي، مثل ظروف التركيب وتأثيرات التوسيع، لا يزال تحديًا. وبالتالي، دور التجربة يتطور. بدلاً من كونها الطريقة الرئيسية للاستكشاف، تصبح التجارب أكثر استهدافًا وغرضًا، مركزة على التحقق والتحسين من النتائج الحاسوبية الأكثر وعدًا. większość الجهود المبكرة للاكتشاف تنتقل إلى المحاكاة، مما يسمح للتجارب الفيزيائية بالعمل بضمان أكبر وكفاءة.
شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا ماتلانتيس.
