Taku Watanabe, VP a vedoucí amerických operací, Matlantis – Interview Series

Taku Watanabe, VP a vedoucí amerických operací, Matlantis, je odborník na materiálovou vědu a umělou inteligenci s kariérou sahající od pokročilého výzkumu baterií, počítačového modelování a globálního technologického vedení. V současné době řídí expanzi Matlantis v Spojených státech z Cambridge, Massachusetts, a zároveň působí jako hlavní výzkumný pracovník a vedoucí globální zákaznické podpory, propojující pokročilou materiálovou informatiku s reálnými průmyslovými použitími. Předtím, než se připojil k Matlantis, zastával seniorní role v Samsung R&D Institute Japan zaměřené na vývoj baterií se pevným stavem, a dříve prováděl postdoktorální výzkum na Georgia Institute of Technology po dokončení postgraduálního studia v oblasti simulačního softwaru na University of Florida. Jeho kariéra se neustále zaměřuje na kombinování strojového učení, fyzikálně založeného simulačního modelování a materiálové vědy za účelem urychlení inovací v oblasti energie a pokročilých materiálů.

Matlantis je společnost pro materiálovou informatiku poháněnou umělou inteligencí, zaměřenou na transformaci toho, jak jsou objevovány a vyvíjeny nové materiály, prostřednictvím high-speed atomistického simulačního modelování. Jeho cloudová platforma umožňuje výzkumníkům modelovat molekulární a krystalické chování s vysokou přesností a rychlostí, snižuje procesy, které dříve trvaly měsíce, na sekundy. Postavený na interatomových potenciálech založených na strojovém učení a počítačové chemii, platforma umožňuje vědcům prozkoumat rozsáhlé materiálové kombinace bez tradičních experimentálních omezení, podporujících odvětví, jako jsou polovodiče a energetické úložiště. Založená v roce 2021 prostřednictvím spolupráce mezi Preferred Networks a ENEOS, Matlantis se позиcionuje jako jádrové vrstvy ve směru AI-první materiálové objevy a digitální R&D workflow.

Vy jste strávil svou kariéru na rozhraní materiálové vědy, simulačního modelování a strojového učení, od výzkumu baterií v Samsungu až po materiálovou informatiku v ENEOS a nyní jako vedoucí amerických operací v Matlantis. Jaké klíčové momenty vás přesvědčily, že simulační modelování poháněné umělou inteligencí zásadně změní objev materiálu?

Zlomovým bodem pro mě byla realizace, že skutečnou překážkou v objevu materiálu je naše omezená schopnost prozkoumat dostatek kandidátů. Ve své práci na bateriových materiálech a později v materiálové informatice jsme mohli generovat vysoce kvalitní poznatky pomocí metod, jako je teorie funkcionálu hustoty (DFT), ale pouze napříč malou množinou možností kvůli nákladům a časovým omezením.

Co se změnilo, byla emergence potenciálů založených na strojovém učení, které mohly zachovat téměř kvantovou úroveň přesnosti, zatímco dramaticky zvyšovaly výpočetní propustnost. To odemklo dvě důležité posuny.

První, umožnilo urychlené pokusy a omyly s vysokou věrností. Výzkumníci mohou nyní spustit významně více kandidátských hodnocení za jednotku času, aniž by obětovali přesnost, zásadně měnící tempo a rozsah průzkumu. Druhý, vytvořil novou základnu pro datové vědy v objevu materiálu, protože tato úroveň propustnosti generuje objem vysoce kvalitních dat potřebných pro to, aby se přístupy založené na strojovém učení staly skutečně účinnými.

Matlantis nedávno integroval s NVIDIA’s ALCHEMI Toolkit, aby umožnil průmyslovou škálu simulační propustnosti. Z vašeho pohledu, jaké konkrétní úzká místa odstraňuje tato integrace, a jak mění to, co R&D týmy mohou realisticky dosáhnout dnes?

Integrace odstraňuje fundamentální nesoulad mezi potenciály poháněnými umělou inteligencí a infrastrukturou, na které závisí. Zatímco modely, jako PFP, jsou inherenčně urychleny GPU, klíčové části simulačního workflow, jako orchestrace, tradičně zůstaly vázané na CPU nebo volně spojené napříč různými nástroji. To vytváří neefektivitu v pohybu dat a omezuje škálovatelnost tím, že zavádí tření při spouštění velkých nebo distribuovaných zátěží.

ALCHEMI řeší toto problémem tím, že rozšiřuje urychlení GPU napříč celým simulačním stackem, budující na dřívější integraci s NVIDIA Warp-optimized jádry a nyní se přesunující do ALCHEMI Toolkit-Ops pro produkční škálu provedení. Výsledkem je rychlejší výpočet a více koherentní, AI-nativní simulační prostředí, které může spolehlivě fungovat na průmyslové úrovni.

Co dělá toto zvláště důležité nyní, je, že to označuje přechod od vize platformy k reálnému nasazení. S funkcemi, jako je LightPFP, umožňující simulace na úrovni stovek tisíc atomů a rychlejší inference, simulační modelování poháněné umělou inteligencí je použitelné v produkčních workflow.

Pro R&D týmy to mění roli simulačního modelování úplně. Místo toho, aby se aplikovalo selektivně, může být vloženo do každodenního rozhodování, tvarující, které materiály jsou prioritizovány na začátku vývoje.

Ohlášení vyzdvihuje LightPFP a nadcházející integraci PFP s ALCHEMI. Jak tato vývoj zlepšuje škálovatelnost a stabilitu ve srovnání s tradičními atomistickými simulačními pipeline?

LightPFP řeší klíčové úzké místo v atomistickém simulačním modelování: komunikaci mezi uzly během konstrukce distribuovaných systémů. Tím, že nahradí tento krok během inference s NVIDIA ALCHEMI Toolkit-Ops, snižuje komunikaci mezi uzly. To dělá velké simulační modelování jak rychlejší, tak stabilnější.

Kombinované se serverovou architekturou, umožňuje simulace škálovat efektivněji, zatímco zjednodušuje infrastrukturu a snižuje provozní složitost.

Plná integrace PFP rozšiřuje tyto výhody na univerzální model, který je důležitý, protože tradiční pipeline často bojují se škálováním konzistentně napříč různými materiálovými systémy a výpočetními prostředími. Společně, tyto vývoj zlepšují jak škálovatelnost, tak spolehlivost, umožňující simulační modelování přesunout se z izolovaných výzkumných použití do kontinuálního, průmyslového nasazení bez typických kompromisů mezi výkonem a stabilitou.

Matlantis je postaven na Preferred Potential (PFP), trénovaný na desítkách milionů kvantových úrovní výpočtů. Jak se tento datový přístup liší od konvenčního fyzikálně založeného simulačního modelování, a kde dosahuje největších výkonových zisků?

Konvenční simulační modelování počítá interakce přímo z prvních principů každým časem, což je přesné, ale výpočetně nákladné. PFP se místo toho učí z rozsáhlé sady kvantových výpočtů a aplikuje toto poznání během inference. Největší výkonové zisky přicházejí ve workflow, které vyžadují opakované hodnocení napříč mnoha kandidáty, jako je screening materiálů nebo prozkoumání materiálové kompozice. Místo toho, aby byli omezeni na malou sadu systémů, výzkumníci mohou vyhodnotit tisíce kandidátů, zatímco zachovávají smysluplnou přesnost.

Jedním z nejvíce přesvědčivých tvrzení je dosažení téměř DFT přesnosti při masivně urychlených rychlostech. V praktických termínech, jak tohle mění způsob, jakým společnosti přistupují k experimentování, prototypování a času na trh?

Tradičně, DFT bylo zlatým standardem pro přesnost, ale dnes, jeho výpočetní náklad omezuje, jak široce může být aplikován; R&D týmy spoléhají silně na pokusy a omyly a používají DFT selektivně pro validaci. Blízká DFT přesnost při masivně urychlených rychlostech odstraňuje toto omezení.

Místo toho, aby používali DFT k analýze několika kandidátů po experimentech, společnosti mohou nyní okamžitě aproximovat tu úroveň poznatků napříč tisíci možností. To umožňuje jim zúžit výpočetní prostor předtím, než se zavážou fyzickými zdroji. Výsledkem je méně neúspěšných experimentů, více cíleného prototypování a významně rychlejších iterativních cyklů, nakonec snižujících čas na trh, zatímco zvyšujících důvěru v to, co pohání produkci vpřed.

Jsme svědky přechodu směrem k simulačnímu objevu napříč odvětvími, jako jsou polovodiče, baterie a chemikálie. Jak vypadá plně simulační R&D workflow uvnitř moderního podniku?

Simulační workflow začíná ukotvením R&D kolem požadovaných výsledků, spíše než předem definovaných materiálů. Týmy identifikují své cíle a výzvy, a poté procházejí velké množství kandidátských materiálů ve velkém měřítku pomocí optimalizace, stability a stále více, průzkumu celého chemického nebo krystalického prostoru.

To je interaktivní proces. Simulační výsledky neustále informují další sadu kandidátů, rychle zužují návrhový prostor. Do doby, kdy materiály vstupují do validační fáze, již byly filtrovány skrze několik výpočetních vrstev, významně snižujících zbytečnou snahu.

Skutečný posun, však, je organizační. Simulační modelování se přesouvá za hranice specializované schopnosti a stává se centrální rozhodovací vrstvou. Řídí, které experimenty jsou spuštěny, jak jsou zdroje přidělovány, a jak týmy priorizují své priority. V průběhu času, tohle vytváří uzavřený systém, kde simulační modelování a experimentování se vzájemně posilují, umožňujícím týmům prozkoumat více možností, zatímco zůstávají pevně zaměřeny na nejvíce životaschopné cesty.

Jako umělá inteligence se stává centrální v materiálové vědě, infrastruktura, jako je výpočet, GPU a software stack, je stále kritičtější. Proč se infrastruktura nyní objevuje jako omezující faktor, spíše než inovace modelu samotného?

Protože mnoho organizací má silné modely, ale bojují s fragmentovanými workflow a omezeným přístupem k výpočtu. Léčba AI jako nástroje vrstveného na legacy systémy vede k izolovanému experimentování, a omezující faktor se přesunul na infrastrukturu a to, jak efektivní organizace mohou integrovat výpočet a simulační data do jednoho, uceleného systému.

Matlantis je již používán napříč odvětvími, od energie po pokročilou výrobu. Které použití případů vidí nejrychlejší návratnost investic dnes, a kde vidíte příští vlnu průlomů?

Nejrychlejší návratnost investic je v oblastech, kde jsou experimentální cykly drahé a návrhový prostor je velký, jako jsou materiály pro baterie, katalyzátory a materiály související s polovodiči. V těchto doménách, odstranění nevhodných kandidátů brzy vytváří okamžitou hodnotu.

Například, chemický výrobce Kuraray dříve měl validační proces, který trval dva až tři roky, ale byl snížen na pouhý měsíc a půl pomocí Matlantis. V jediné simulační kampani, 13 navrhovaných zlepšení katalyzátorů bylo vyhodnoceno a vše bylo vyřazeno jako nevhodné, a ušetřilo roky experimentální snahy na zbytečné nápady.

Při pohledu do budoucna, příští vlna průlomů přijde z konvergence simulačního modelování a experimentování, ne z jejich zlepšování v izolaci. Dnes, stále existuje jasná hranice mezi nimi, a jsou typicky léčeny jako sekvenční kroky, spíše než jako ucelená strategie.

Avšak, tato hranice začíná mizet. S pokroky v high-throughput simulačním modelování a strojovém učení, vidíme vznik uzavřených discover systémů, kde simulační modelování řídí experimenty v reálném čase, a experimentální data konzistentně krmí zpět do modelů. Jak tyto systémy zrají, objev se stane kontinuálním. Ta konvergence, kde simulační modelování, AI a experimentování fungují jako ucelený systém, je tam, kde bude poháněna příští generace průlomů.

Vaše role zahrnuje hluboký technický výzkum a globální zákaznický úspěch. Jaké nové dovednosti věříte, že příští generace vědců a inženýrů musí vyvinout, aby zůstali konkurenceschopní v AI-poháněných R&D prostředích?

Nejdůležitější dovedností, kterou příští generace potřebuje posílit, je schopnost fungovat napříč disciplínami. Vědci vyžadují silné odborné znalosti a schopnost pracovat s daty-poháněnými modely, škálovatelnými simulačními platformami a iterativními workflow. Stejně důležité je porozumění, jak simulační modelování a datové experimentování spojují se v rámci většího discover procesu.

Příští generace bude definována ne jen tím, co vědí, ale také tím, jak efektivní budou moci integrovat a aplikovat své znalosti v moderních R&D prostředích.

Při pohledu dopředu, jako simulační modelování poháněné umělou inteligencí se blíží reálnému materiálovému objevu, jak blízko jsme k světu, kde celé třídy materiálů jsou navrženy, validovány a optimalizovány zcela in silico, předtím, než se provede jakýkoli fyzický experiment, a co to znamená pro budoucnost inovací?

Blížíme se k této schopnosti v konkrétních doménách, ale ne ještě univerzálně. Pro mnoho systémů, simulační modelování může již eliminovat velké části návrhového prostoru a identifikovat vysoce slibné kandidáty, předtím, než se provede jakýkoli experiment.

Ale plně zachytit reálnou složitost, jako jsou podmínky syntézy a efektů škálování, zůstává výzvou. Jako resultado, role experimentování se vyvíjí. Místo toho, aby sloužily jako primární metoda průzkumu, experimenty se stávají více cílenými a účelnými, zaměřenými na validaci a rafinaci nejvíce slibných výpočetních výsledků. Most早ních úsilí objevu se přesunou do simulačního modelování, umožňujícím fyzické testování fungovat s mnohem větší přesností a efektivitou.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Matlantis.