Interviews

Mathias Ingvarsson, stifter og administrerende direktør for Holyvolt – interviewserie

Antoine Tardif
Føj Unite.AI til dine foretrukne kilder på Google
Mathias Ingvarsson, Founder and CEO of Holyvolt
NøglepunkterHolyvolts fordel er 18 års proprietære batteridata, som konkurrenter ikke bare kan…
Vis mere
  • Holyvolts fordel er 18 års proprietære batteridata, som konkurrenter ikke bare kan downloade.
  • Mislykkede formuleringer bliver kun træningsdata, når reproducerbare laboratorieprocesser adskiller egentlige kemiske fejl fra testanomalier.
  • AI reducerede en eksperimentel designopgave fra seks uger til otte minutter, men forskere designer og vurderer stadig eksperimenter.

Mathias Ingvarsson er stifter og administrerende direktør for Holyvolt, som han grundlagde i 2022 for at forfølge nye tilgange til batteriteknologi. Hans karriere spænder over Tempur-Pedics internationale ekspansion og iværksættervirksomheder i flere brancher. Hos Holyvolt fokuserer han på at forene videnskabelig ekspertise, forsøgsdata og produktionskapacitet for at fremskynde udviklingen af batterimaterialer, blandt andet gennem opkøbet af Wildcat Discovery Technologies.

Holyvolt udvikler teknologier til energiproduktion og -lagring og kombinerer materialeforskning med høj gennemstrømning med præcise serigrafimetoder i produktionen. Gennem Wildcat Discovery Technologies forbinder virksomhedens batteriforskningsplatform laboratorieforsøg, historiske testdata og AI-understøttet materialeudvikling. I dette interview fortæller Ingvarsson om, hvordan forskere bruger maskinlæring sideløbende med fysiske forsøg, hvorfor mislykkede formuleringer kan være værdifulde data, og hvad der skal til for at gå fra hurtigere forudsigelser til validerede materialer og produktion i stor skala.

Din karriere spænder over Tempur-Pedics internationale ekspansion og flere iværksættervirksomheder. Hvad fik dig til at stifte Holyvolt i 2022, og hvilken mulighed inden for batteriteknologi overbeviste dig om at starte en virksomhed i en så teknisk krævende branche?

Jeg har opbygget virksomheder inden for alt fra madrasser til undertøj, så batterier kan virke som et usædvanligt næste skridt. Men jeg har altid været tiltrukket af brancher, hvor jeg ser muligheder, som andre overser.

Jeg vidste meget lidt om batterikemi, da jeg startede Holyvolt, og jeg tror faktisk, at det hjalp. Nogle gange er det en superkraft ikke at kende alle grundene til, at noget ikke kan lade sig gøre. Jensen Huang har engang sagt, at hvis han havde vidst, hvor svært det ville være at bygge Nvidia, havde han nok ikke gjort det. Det kan jeg godt forstå.

Det, jeg så, var en vestlig batteribranche, der forsøgte at slå Kina i et spil, som Kina allerede havde vundet. Branchen investerede milliarder i at forsøge at kopiere teknologi, som Kina havde brugt årtier på at perfektionere. Jeg kunne ikke forstå, hvorfor vi ikke brugte den samme energi på at udvikle noget bedre. Batterier kommer til at drive næsten alt omkring os, og jeg så en enorm mulighed for at gentænke, hvordan vi udvikler dem. Det var det, der fik mig til at starte Holyvolt.

Da du overvejede at købe Wildcat, hvad overbeviste dig om, at virksomhedens forsøgsdata kunne danne grundlag for en AI-platform til opdagelser? Hvad skulle du fastslå om dataene ud over deres enorme omfang?

Den enorme datamængde fangede straks min opmærksomhed. Mere end 500.000 battericeller var blevet testet over 18 år og 165 millioner cyklusser. Og jo mere vi undersøgte materialet, desto mere imponerede blev vi over forsøgenes grundighed og de gennembrud, Wildcat allerede havde opnået. Den slags data, der er indsamlet konsekvent gennem årtier, er utrolig vanskelig at genskabe.

Jeg er ikke batteriforsker, så jeg hentede folk ind, der vidste langt mere end mig. Eksperter i batterier, AI og materialevidenskab kom for at se laboratoriet, og helt ærligt var de blæst bagover.

Så ser man på de virksomheder, der henvender sig til Wildcat, herunder BMW og andre verdenskendte virksomheder fra hele værdikæden. Det er virksomheder med enorme forsknings- og udviklingsbudgetter og nogle af verdens bedste forskere, og de søgte hjælp hos Wildcat. Det var den ultimative bekræftelse for mig. Jeg blev overbevist om, at Wildcat havde opbygget verdens mest efterspurgte platform til opdagelse af batterimaterialer. Og med AI tror jeg kun, at vi har kradset i overfladen af, hvad teknologien kan.

Mislykkede forsøg er en central del af jeres datafordel. Kan du give et eksempel på, hvad en model kan lære af en mislykket batteriformulering, og hvordan jeres team skelner mellem en betydningsfuld kemisk fejl og et problem med forsøgets udførelse?

Fejl er en del af kemien. Sådan har vi gjort videnskabelige fremskridt i flere hundrede år. Man prøver noget, det virker ikke, man lærer af det og prøver igen. AI skal lære på samme måde.

Vi har gennemført højkapacitetsforsøg med batterier i 18 år, så vores data omfatter alt fra mislykkede formuleringer til materialer, som vi har optimeret med succes. Det er utrolig værdifuldt, når en model skal trænes.

Tag lithium-metalbatterier. I modsætning til traditionelle grafitbatterier kan de opleve et pludseligt kapacitetstab, som er meget vanskeligt at forudsige. Vi har udviklet maskinlæringsmodeller ved hjælp af faktiske data fra battericyklusser med forskellige elektrolytformuleringer, elektrodedesign og testprotokoller for at forudsige, hvornår et sådant tab kan opstå.

Vores første modeller kan forudsige disse tab med rimelig sikkerhed, og vi udformer mere målrettede forsøg og tester batterier under forskellige forhold for at forbedre forudsigelserne.

Disse data er naturligvis kun værdifulde, hvis vi kan stole på resultaterne. Vi har brugt flere år på at forfine vores laboratorieprocesser, så forsøgene bliver meget reproducerbare, og fejl minimeres. Vi udfører også flere gentagelser af det samme forsøg, så vi kan afgøre, om et dårligt resultat skyldes et reelt problem med materialet eller en afvigelse i testprocessen. På den måde lærer vi ikke vores modeller de forkerte ting på baggrund af et enkelt resultat, der ikke er repræsentativt.

Kan du føre os gennem et opdagelsesforløb, fra en model foreslår et materiale, til laboratoriet tester det og resultaterne indarbejdes? Hvilke beslutninger træffer AI’en, og hvor er forskerens vurdering stadig afgørende?

Det begynder med vores forskere. De udformer et forsøg ud fra det, de gerne vil finde ud af, og vores platform til højkapacitetsforsøg udfører testene. Derefter bruger vores maskinlæringsingeniører de indledende data til at opbygge en model og undersøge, om den kan forudsige resultaterne af fremtidige forsøg.

Derefter tester vi forudsigelserne i laboratoriet. Hvis resultaterne stemmer overens, får vi større tillid til modellen og kan bruge den til at vurdere nye formuleringer. Hvis de ikke gør, undersøger vores forskere hvorfor. Nogle gange har modellen brug for flere data, hvilket betyder, at vi må udforme helt nye forsøg eller teste under andre betingelser. Vi fører resultaterne tilbage til modellen, forfiner den og gentager processen.

Der er stor begejstring for, at AI på egen hånd opdager nye materialer, men vi er forsigtige med, hvad vi påstår. På nuværende tidspunkt er det stadig vores forskere, der udformer forsøgene og træffer de vigtigste beslutninger. AI hjælper os med at lave forudsigelser, mens laboratoriet viser os, om de faktisk holder stik. Ved at kombinere vores forskeres ekspertise med AI har vi allerede kunnet reducere den tid, der kræves til visse opgaver inden for forsøgsdesign, markant – fra uger til blot minutter.

Et historisk datasæt afspejler de materialer, som forskere tidligere har valgt at undersøge. Hvordan undgår I, at jeres modeller holder sig inden for disse velkendte områder, og hvordan afgør I, hvornår en ukendt kemi er lovende nok til at retfærdiggøre fysiske forsøg?

Det er netop det rigtige spørgsmål, og derfor mener jeg, at vores laboratorium er endnu mere værdifuldt end vores datasæt.

En model lærer af de data, man giver den, så den vil naturligvis være mere pålidelig, når den forudsiger noget, den allerede har set. Den virkelige mulighed ligger i at bruge AI til at udforske helt nye områder af kemien, hvor der måske ikke findes historiske data.

Det er her, vores platform til højkapacitetsforsøg giver os en enorm fordel. Vi kan hurtigt generere nye, pålidelige forsøgsdata på tværs af hundredvis af formuleringer og dermed give vores modeller et grundlag at lære ud fra, selv inden for ukendte områder af kemien.

Og fordi vi kan teste forudsigelser i laboratoriet, føre resultaterne tilbage til vores modeller og gentage processen, kan vi løbende forbedre deres nøjagtighed. Hvert forsøg gør den næste forudsigelse bedre underbygget.

Jeg mener, at det er vores største konkurrencefordel. Vi har historiske data fra 18 år, men vi er ikke begrænset af dem. Vi kan generere de nye data, vi har brug for, til at udforske kemiske sammensætninger, som ikke tidligere er blevet undersøgt grundigt.

Hvordan måler I den forbedring, der specifikt skyldes AI, ud over det, som automatiserede højkapacitetsforsøg allerede giver? Hvilke sammenligninger viser, at modellerne finder bedre kandidater eller reducerer antallet af forsøg, der kræves for at nå frem til et brugbart resultat?

Det er faktisk et svært spørgsmål, for videnskabelige opdagelser er et teamwork.

Forestil dig en gruppe forskere, der brainstormer over et problem. Én person finder måske til sidst løsningen, men idéen kan være opstået efter flere timers diskussion med alle de andre i rummet. Hvem får æren?

Jeg synes, vi bør betragte AI på samme måde. Den er endnu et medlem af forskerholdet. Den kan hjælpe forskere med hurtigere at finde relevante oplysninger, genkende mønstre i forsøgsdata og få en dybere forståelse af et problem.

Vores platform til højkapacitetsforsøg giver os allerede en enorm fordel, når det gælder, hvor hurtigt vi kan udføre forsøg. Nu arbejder vi på at forstå, hvor meget længere AI kan bringe os. Jeg vil ikke komme med et tal, som vi ikke kan underbygge ordentligt. Det afgørende er, om vi hjælper vores forskere med at nå frem til bedre svar på kortere tid og med færre forsøg.

Udvikling af batterier indebærer modstridende mål, herunder energitæthed, cykluslevetid, sikkerhed, pris og fremstillingsegnethed. Hvordan omsætter I disse afvejninger til mål for AI’en, og kan en ændring af den tilsigtede anvendelse lede den frem mod helt andre materialer?

Det afhænger i høj grad af, hvad batteriet skal bruges til. Et batteri til en drone har helt andre krav end et batteri til et elektrisk køretøj. I én anvendelse prioriterer man måske energitæthed, mens cykluslevetid eller pris kan være vigtigere i en anden.

Vi kan definere disse mål ret præcist. Energ tæthed, cykluslevetid, sikkerhed og pris kan alle måles, så vi kan give modellen konkrete præstationsmål, der afhænger af anvendelsen.

Det svære er at gå baglæns fra målene og finde et materiale, der faktisk kan opfylde dem.

Ændringer i anvendelsen kan bestemt påvirke, hvilke materialer vi undersøger. Men vores forskere skal stadig afgøre, hvilke kemiske sammensætninger der er lovende, tilrettelægge forsøgene og teste, om materialerne kan leve op til præstationsmålene.

Holyvolt arbejder på at bringe nikkel- og koboltfrie katodematerialer med uordnet rocksaltstruktur tættere på kommercialisering. Hvilken rolle har AI spillet i denne udvikling, og hvilke resterende udfordringer kræver løsninger inden for produktion eller ingeniørarbejde ud over materialeopdagelse?

DRX er et godt eksempel på, hvorfor vores tilgang er vigtig. Der findes et enormt antal mulige materialekombinationer, og det ville tage årevis at teste dem én ad gangen.

Hos Holyvolt gør vores platform til højkapacitetstest det muligt hurtigt at teste hundredvis af forskellige formuleringer og forstå, hvordan ændringer i den kemiske sammensætning påvirker energitæthed, spænding, batterilevetid og ydeevne. Vi har kunnet finde lovende materialer langt hurtigere, end traditionelle forskningsmetoder ville have gjort muligt.

Nu kombinerer vi disse forsøgsdata med maskinlæring for at finde mønstre og hjælpe vores forskere med at beslutte, hvilke formuleringer de skal undersøge som det næste. Jo mere vi tester, desto mere lærer vi, og desto bedre kan vi tilrettelægge fremtidige forsøg.

Vi gør allerede fremskridt hen imod produktion i kommerciel skala, og en af vores største fordele er, at vi bruger veletablerede fremstillingsprocesser. Vi behøver ikke at udvikle helt nyt udstyr eller opfinde nye måder at fremstille disse materialer på. Vores fokus er at opskalere produktionen sammen med vores partnere og samtidig opretholde en ensartet ydeevne og konkurrencedygtige omkostninger.

Du har argumenteret for, at proprietære videnskabelige data kan være en stærkere konkurrencefordel end selve modellerne. Hvad får denne fordel til at vokse over tid, og hvordan balancerer I læring på tværs af kundeprojekter med beskyttelsen af hver enkelt kundes fortrolige forskning og intellektuelle ejendom?

Nogle af de mest avancerede AI-modeller, der findes i dag, er open source, og de bliver stadig bedre. Men man kan ikke bare downloade 18 års batteriforskning. Det er det, der gør vores data så værdifulde.

Hos Holyvolt har vi testet mere end 500.000 battericeller gennem mere end 165 millioner cyklusser. Vi ved, hvilke materialer der blev brugt, hvordan de blev behandlet, hvordan de fungerede, og hvor de svigtede. Og fordi vi har fulgt ensartede testmetoder gennem alle disse år, kan vi faktisk sammenligne resultaterne. Det er utroligt svært for andre at efterligne.

Hvert forsøg lærer os noget. Den viden hjælper os med at forbedre vores modeller, lave bedre forudsigelser og beslutte, hvad vi skal teste som det næste. Jo flere forsøg vi udfører, desto mere værdifuldt bliver dette grundlag.

Vi samarbejder også med nogle af verdens førende virksomheder, som betror os følsom forskning. Vi tager det ansvar alvorligt og har stærke sikkerhedsforanstaltninger på plads for at beskytte fortrolige oplysninger og intellektuel ejendom.

Efterhånden som I udvider platformen, hvad er så den største begrænsning for hurtigere opdagelser i dag: modellernes kapacitet, forsøgsfaciliteterne, den tid, det tager at validere batterilevetid, eller noget helt andet? Hvilken målbar milepæl i løbet af de næste to år vil vise, at AI ændrer økonomien i batteriudvikling?

Jeg tror, at den største flaskehals i dag er den tid, forskerne bruger på at tilrettelægge forsøg og analysere resultaterne.

Tænk på den traditionelle proces. En forsker stiller et spørgsmål, tilrettelægger et forsøg, udfører testene, analyserer dataene og beslutter derefter, hvad der skal prøves som det næste. Vi har allerede automatiseret en stor del af det praktiske testarbejde med vores platform til højkapacitetstest, men det kræver stadig enormt meget tid at tænke sig igennem trinnene imellem.

Vi anvendte for nylig en forholdsvis enkel AI-model på en del af processen med at tilrettelægge forsøg. Noget, der normalt ville tage seks uger, tog otte minutter. Det er et ganske ekstraordinært resultat, som viser, hvad der er muligt.

Men det er kun begyndelsen at fremskynde tilrettelæggelsen af forsøg. Efterhånden som AI hjælper os med hurtigere at finde ud af, hvad vi skal teste, skal vi også øge tempoet, hvormed vi kan udføre forsøgene. Derfor planlægger vi at udvide laboratoriekapaciteten og investere yderligere i automatisering.

I løbet af de næste to år vil jeg gerne se os sætte hele opdagelsesprocessen markant op i tempo, fra den første idé til et valideret materiale. Hvis vi kan kombinere hurtigere beslutningstagning med muligheden for at udføre flere forsøg, kan vi undersøge nye kemiske sammensætninger i et tempo, der simpelthen ikke var muligt før. Sådan kan AI grundlæggende ændre økonomien i batteriudvikling.

Tak for et godt interview. Læsere, der ønsker at lære mere om batterimaterialer, forsøg med høj kapacitet og udvikling af energiteknologi ved hjælp af AI, bør besøge Holyvolt.

Antoine er en visionær leder og stiftende partner i Unite.AI, drevet af en urokkelig passion for at forme og fremme fremtiden for AI og robotteknologi. Som serieiværksætter mener han, at AI vil forandre samfundet lige så grundlæggende som elektriciteten, og han taler ofte begejstret om potentialet i banebrydende teknologier og kunstig generel intelligens (AGI).

Som fremtidsforsker er han optaget af at undersøge, hvordan disse innovationer vil forme vores verden. Han er desuden grundlægger af Securities.io, en platform med fokus på investering i avancerede teknologier, der omdefinerer fremtiden og omformer hele brancher.