Rozhovory
Mathias Ingvarsson, zakladatel a generální ředitel Holyvolt – rozhovorová série

Klíčové bodyVýhodou Holyvolt je 18 let proprietárních dat o bateriích, která konkurenti nemohou…
Zobrazit více
- Výhodou Holyvolt je 18 let proprietárních dat o bateriích, která konkurenti nemohou jednoduše stáhnout.
- Neúspěšné formulace se stávají trénovacími daty pouze tehdy, když reprodukovatelné laboratorní postupy oddělí skutečná chemická selhání od testovacích anomálií.
- AI zkrátila jeden úkol experimentálního designu ze šesti týdnů na osm minut, ale vědci stále navrhují a posuzují experimenty.
Mathias Ingvarsson je zakladatelem a generálním ředitelem společnosti Holyvolt, kterou založil v roce 2022, aby prosazoval nové přístupy k bateriovým technologiím. Jeho kariéra zahrnuje mezinárodní expanzi společnosti Tempur-Pedic i podnikatelské aktivity v několika odvětvích. Ve společnosti Holyvolt se zaměřuje na propojení vědeckých znalostí, experimentálních dat a výrobních kapacit s cílem urychlit vývoj materiálů pro baterie, mimo jiné prostřednictvím akvizice společnosti Wildcat Discovery Technologies.
Holyvolt vyvíjí technologie pro výrobu a ukládání energie a propojuje vysokokapacitní vyhledávání nových materiálů s přesným sítotiskem ve výrobě. Její platforma pro výzkum baterií prostřednictvím společnosti Wildcat Discovery Technologies propojuje laboratorní experimenty, historická testovací data a vývoj materiálů s využitím umělé inteligence. V tomto rozhovoru Ingvarsson hovoří o tom, jak vědci využívají strojové učení souběžně s fyzickými experimenty, proč mohou být neúspěšné formulace cenným zdrojem dat a co je potřeba k tomu, aby se od rychlejších předpovědí dospělo k ověřeným materiálům a výrobě ve velkém měřítku.
Vaše kariéra zahrnuje mezinárodní expanzi společnosti Tempur-Pedic i několik podnikatelských aktivit. Co vás v roce 2022 přivedlo k založení společnosti Holyvolt a jaká příležitost v oblasti bateriových technologií vás přesvědčila, abyste vybudoval firmu v tak technicky náročném odvětví?
Budoval jsem podniky v nejrůznějších oblastech, od matrací až po spodní prádlo, takže baterie mohou působit jako neobvyklý další krok. Vždy mě ale přitahovala odvětví, v nichž jsem viděl příležitost, kterou ostatní přehlíželi.
Když jsem zakládal společnost Holyvolt, věděl jsem o chemii baterií jen velmi málo a myslím, že mi to vlastně pomohlo. Někdy je superschopností právě to, že neznáte všechny důvody, proč něco nejde. Jensen Huang jednou řekl, že kdyby věděl, jak těžké bude vybudovat společnost Nvidia, nejspíš by se do toho nepustil. Tomu rozumím.
Viděl jsem západní bateriový průmysl, který se snažil porazit Čínu ve hře, kterou už Čína vyhrála. Odvětví investovalo miliardy do snahy napodobit technologie, jejichž zdokonalováním Čína strávila desítky let. Nedokázal jsem pochopit, proč nevkládáme stejnou energii do vývoje něčeho lepšího. Baterie budou pohánět téměř všechno kolem nás a já jsem viděl obrovskou příležitost přehodnotit, jak je vyvíjíme. Právě to mě přivedlo k založení společnosti Holyvolt.
Když jste zvažoval akvizici společnosti Wildcat, co vás přesvědčilo, že její historie experimentů může tvořit základ platformy pro objevování nových materiálů s využitím umělé inteligence? Co jste si potřeboval ověřit o datech kromě jejich samotného objemu?
Okamžitě mě zaujalo obrovské množství dat: více než 500 000 bateriových článků testovaných během 18 let a 165 milionů cyklů. Čím více jsme se do věci nořili, tím víc nás přesvědčovala důslednost experimentů a průlomové výsledky, kterých už společnost Wildcat dosáhla. Taková data, shromažďovaná soustavně po celá desetiletí, se napodobují nesmírně obtížně.
Nejsem odborník na baterie, a tak jsem přizval lidi, kteří toho věděli mnohem víc než já. Do laboratoře přijeli odborníci na baterie, umělou inteligenci a materiálové vědy a upřímně řečeno, byli naprosto ohromeni.
Pak se podíváte na společnosti, které se obracejí na Wildcat, včetně BMW a dalších celosvětově uznávaných firem napříč celým hodnotovým řetězcem. Jde o společnosti s obrovskými rozpočty na výzkum a vývoj a s některými z nejlepších vědců na světě, které přesto žádaly Wildcat o pomoc. To pro mě bylo nejpřesvědčivějším potvrzením. Došel jsem k přesvědčení, že Wildcat vybudovala nejvyhledávanější platformu pro objevování nových bateriových materiálů na světě. A věřím, že s umělou inteligencí teprve začínáme odhalovat, co všechno dokáže.
Neúspěšné experimenty jsou jedním z hlavních zdrojů vaší datové výhody. Můžete uvést příklad, co se model může naučit z neúspěšné formulace baterie a jak váš tým rozlišuje mezi významným chemickým neúspěchem a problémem s provedením experimentu?
Neúspěch k chemii patří. Tak vědecký pokrok vzniká už stovky let. Něco zkusíte, nevyjde to, poučíte se z toho a zkusíte to znovu. Stejným způsobem se musí učit i umělá inteligence.
Vysokokapacitní experimenty s bateriemi provádíme už 18 let, takže naše data zahrnují vše od neúspěšných formulací až po materiály, které jsme úspěšně optimalizovali. Při trénování modelu jsou taková data nesmírně cenná.
Vezměme si lithiokovové baterie. Na rozdíl od tradičních grafitových baterií u nich může dojít k náhlému poklesu kapacity, který se předpovídá velmi obtížně. Pomocí skutečných dat z cyklování baterií jsme vytvořili modely strojového učení, které zohledňují různé formulace elektrolytů, konstrukce elektrod a testovací protokoly a předpovídají, kdy by k takovému poklesu mohlo dojít.
Naše počáteční modely dokážou tyto poklesy předpovídat s poměrně vysokou mírou jistoty a nyní navrhujeme cílenější experimenty a testujeme baterie v různých podmínkách, abychom předpovědi zpřesnili.
Tato data mají samozřejmě hodnotu jen tehdy, můžeme-li výsledkům důvěřovat. Už léta zdokonalujeme laboratorní postupy, aby byly experimenty vysoce reprodukovatelné a minimalizoval se počet chyb. Tentýž experiment také provádíme opakovaně, abychom zjistili, zda špatný výsledek odráží skutečný problém s materiálem, nebo jde o odchylku v procesu testování. Díky tomu naše modely nevyvozují nesprávné závěry z jediného nereprezentativního výsledku.
Můžete nás provést cyklem objevování, od chvíle, kdy model navrhne materiál, přes jeho laboratorní testování až po zapracování výsledků? O kterých rozhodnutích rozhoduje AI a v čem zůstává zásadní úsudek vědce?
Vše začíná u našich vědců. Navrhnou experiment podle toho, co chtějí zjistit, a naše platforma pro vysokokapacitní testování provede zkoušky. Naši inženýři strojového učení pak tato počáteční data využijí k vytvoření modelu a ověří, zda dokáže předpovídat výsledky budoucích experimentů.
Poté tyto předpovědi ověřujeme v laboratoři. Pokud výsledky odpovídají předpovědím, modelu důvěřujeme více a můžeme ho použít k hodnocení nových složení. Pokud ne, naši vědci zkoumají proč. Někdy model potřebuje více dat, což znamená navrhnout zcela nové experimenty nebo testovat za odlišných podmínek. Výsledky znovu vložíme do modelu, zdokonalíme ho a celý proces opakujeme.
Objevování nových materiálů zcela samostatně pomocí AI vzbuzuje velké nadšení, ale jsme opatrní v tom, co tvrdíme. V této fázi naši vědci stále navrhují experimenty a činí klíčová rozhodnutí. AI nám pomáhá vytvářet předpovědi, zatímco laboratoř ověřuje, zda se skutečně potvrdí. Spojením odborných znalostí našich vědců s AI se nám už podařilo výrazně zkrátit dobu potřebnou k některým úkolům spojeným s návrhem experimentů: z týdnů na pouhé minuty.
Historický soubor dat odráží materiály, které se výzkumníci dříve rozhodli zkoumat. Jak zabráníte tomu, aby vaše modely zůstávaly jen v těchto známých oblastech, a jak určíte, kdy je neznámá chemie natolik slibná, aby stálo za to ověřit ji fyzickým testováním?
To je přesně ta správná otázka a právě proto se domnívám, že naše laboratoř má ještě větší hodnotu než náš soubor dat.
Model se učí z dat, která mu poskytnete, takže bude přirozeně spolehlivější při předpovídání toho, s čím se už setkal. Skutečnou příležitostí je využít AI k prozkoumávání zcela nových oblastí chemie, pro které historická data možná neexistují.
Právě v tom nám naše platforma pro vysokokapacitní testování poskytuje obrovskou výhodu. Dokážeme rychle získat nová a spolehlivá experimentální data pro stovky složení, a dát tak našim modelům základ, z něhož se mohou učit i v dosud neznámých oblastech chemie.
A protože můžeme předpovědi ověřovat v laboratoři, vracet výsledky do modelů a celý proces opakovat, můžeme jejich přesnost neustále zvyšovat. Každý experiment přispívá k informovanější další předpovědi.
Domnívám se, že právě to je naše největší konkurenční výhoda. Máme 18 let historických dat, ale nejsme jimi omezeni. Dokážeme získávat nová data, která potřebujeme k průzkumu chemických systémů, jež dosud nebyly důkladně prozkoumány.
Jak měříte zlepšení, které lze přičíst konkrétně AI, nad rámec toho, co už přináší automatizované vysokokapacitní experimentování? Jaká srovnání ukazují, že modely nacházejí vhodnější kandidáty nebo snižují počet experimentů potřebných k dosažení užitečného výsledku?
To je vlastně obtížná otázka, protože vědecké objevování je týmová práce.
Představte si skupinu vědců, kteří společně přemýšlejí nad nějakým problémem. Jeden z nich možná nakonec přijde s řešením, ale tento nápad mohl vzniknout během hodin diskuse se všemi ostatními v místnosti. Komu připadne zásluha?
Myslím, že na AI bychom se měli dívat podobně. Je dalším členem výzkumného týmu. Může vědcům pomáhat rychleji vyhledávat relevantní informace, rozpoznávat vzorce v experimentálních datech a hlouběji porozumět problému.
Naše platforma pro vysokokapacitní testování nám už teď poskytuje obrovskou výhodu v rychlosti provádění experimentů. Nyní zkoumáme, o kolik nám může AI práci ještě více usnadnit. Nechci uvádět číslo, které nedokážeme řádně doložit. Důležité je, zda našim vědcům pomáháme dospět k lepším odpovědím za kratší dobu a s menším počtem experimentů.
Vývoj baterií zahrnuje protichůdné požadavky, například na energetickou hustotu, životnost při cyklování, bezpečnost, cenu a vyrobitelnost. Jak tyto kompromisy převádíte na cíle pro AI a může změna zamýšleného použití nasměrovat její výběr k zásadně odlišným materiálům?
Záleží na tom, k čemu bude baterie sloužit. Baterie pro dron má zcela jiné požadavky než baterie do elektromobilu. V jednom případě můžete upřednostnit energetickou hustotu, v jiném životnost při cyklování nebo cenu.
Tyto cíle dokážeme poměrně přesně definovat. Energetickou hustotu, životnost při cyklování, bezpečnost i cenu lze měřit, takže modelu můžeme podle zamýšleného použití zadat konkrétní výkonnostní cíle.
Obtížné je postupovat od těchto cílů zpět k materiálu, který je skutečně dokáže splnit.
Změna aplikace může rozhodně změnit, které materiály zkoumáme. Naši vědci ale stále musí určit, které chemické složení je perspektivní, navrhnout experimenty a ověřit, zda tyto materiály splňují výkonnostní cíle.
Holyvolt posouvá katodové materiály s neuspořádanou strukturou kamenné soli, které neobsahují nikl ani kobalt, směrem ke komercializaci. Jakou roli sehrála při jejich vývoji umělá inteligence a které zbývající překážky vyžadují řešení v oblasti výroby nebo inženýrství, nikoli pouze objevování materiálů?
Materiály DRX jsou skvělým příkladem toho, proč je náš přístup důležitý. Existuje obrovské množství možných kombinací materiálů a jejich postupné testování by trvalo roky.
Ve společnosti Holyvolt nám vysokokapacitní platforma umožňuje rychle testovat stovky různých receptur a zjišťovat, jak změny chemického složení ovlivňují energetickou hustotu, napětí, životnost baterie a její výkon. Podařilo se nám určit perspektivní materiály mnohem rychleji, než by to umožňovaly tradiční výzkumné metody.
Nyní tato experimentální data kombinujeme se strojovým učením, abychom odhalili vzorce a pomohli vědcům rozhodnout, které receptury prozkoumat jako další. Čím více testujeme, tím více se toho dozvídáme a tím lépe dokážeme nasměrovat budoucí experimenty.
Již dosahujeme pokroku na cestě k výrobě v komerčním měřítku a jednou z našich největších výhod je, že využíváme dobře zavedené výrobní postupy. Nemusíme vyvíjet zcela nové vybavení ani znovu vynalézat způsob výroby těchto materiálů. Zaměřujeme se na rozšiřování výroby ve spolupráci s našimi partnery a zároveň na zachování konzistentního výkonu a konkurenceschopných nákladů.
Tvrdil jste, že vlastní vědecká data mohou představovat silnější konkurenční výhodu než samotné modely. Díky čemu se tato výhoda postupem času kumuluje a jak při sdílení poznatků z projektů pro zákazníky chráníte důvěrný výzkum a duševní vlastnictví každého z nich?
Některé z nejvýkonnějších modelů umělé inteligence, které jsou dnes k dispozici, mají otevřený zdrojový kód a stále se zlepšují. Osmnáct let výzkumu baterií si ale jednoduše stáhnout nemůžete. Právě proto jsou naše data tak cenná.
Ve společnosti Holyvolt jsme otestovali více než 500 000 bateriových článků v průběhu více než 165 milionů cyklů. Víme, jaké materiály byly použity, jak byly zpracovány, jaký podávaly výkon a kde selhaly. A protože jsme po všechna ta léta dodržovali jednotné testovací postupy, můžeme výsledky skutečně porovnávat. Pro kohokoli jiného by bylo nesmírně obtížné něco takového napodobit.
Každý experiment nás něco naučí. Tyto poznatky nám pomáhají vylepšovat modely, zpřesňovat předpovědi a rozhodovat, co testovat dál. A čím více experimentů provádíme, tím cennějším se tento základ stává.
Spolupracujeme také s některými z předních světových společností, které nám svěřují citlivé výzkumné informace. Tuto odpovědnost bereme vážně a máme zavedena důkladná opatření na ochranu důvěrných informací a duševního vlastnictví.
Co dnes při rozšiřování platformy nejvíce brzdí rychlejší objevování: schopnosti modelů, kapacita experimentování, čas potřebný k ověření životnosti baterií, nebo něco jiného? Jaký měřitelný milník by během příštích dvou let ukázal, že umělá inteligence mění ekonomiku vývoje baterií?
Myslím, že největší překážkou je dnes čas, který vědci věnují navrhování experimentů a analýze výsledků.
Představte si tradiční postup. Vědec položí otázku, navrhne experiment, provede testy, zanalyzuje data a potom se rozhodne, co zkusit dál. Díky naší vysokokapacitní platformě jsme již automatizovali velkou část samotného testování, ale přemýšlení mezi jednotlivými kroky stále zabírá obrovské množství času.
Nedávno jsme na část procesu navrhování experimentů použili poměrně jednoduchý model umělé inteligence. Něco, co by běžně trvalo šest týdnů, zvládl za osm minut. To je opravdu mimořádný výsledek a ukazuje, co všechno je možné.
Urychlení navrhování experimentů je ale teprve začátek. Umělá inteligence nám pomáhá rychleji určit, co testovat, zároveň však musíme zvýšit rychlost, s jakou můžeme experimenty provádět. Proto plánujeme rozšířit kapacitu naší laboratoře a investovat do další automatizace.
Během příštích dvou let bych chtěl, abychom výrazně urychlili celý proces objevování, od prvotního nápadu až po ověřený materiál. Pokud dokážeme spojit rychlejší rozhodování se schopností provádět více experimentů, můžeme zkoumat nové chemické složení tempem, které dříve jednoduše nebylo možné. Právě tak může umělá inteligence zásadně změnit ekonomiku vývoje baterií.
Děkuji za skvělý rozhovor. Čtenáři, kteří se chtějí dozvědět více o bateriových materiálech, vysokokapacitním experimentování a vývoji energetických technologií s využitím umělé inteligence, by měli navštívit Holyvolt.












