Taku Watanabe, VP og leder af US-operations, Matlantis – Intervieuserie

Taku Watanabe, VP og leder af US-operations, Matlantis, er en specialist i materialsvidenskab og kunstig intelligens med en karriere, der spænder over avanceret batteriforskning, computermæssig modeling og global teknologiledelse. Han leder i øjeblikket Matlantis’ udvidelse i USA fra Cambridge, Massachusetts, mens han også fungerer som principal researcher og leder af global kundesucces, og forbinder avanceret materialsinformationsvidenskab med virkelige industrielle anvendelsesområder. Før han kom til Matlantis, havde han seniorterminaler på Samsung R&D Institute Japan, der fokuserede på udviklingen af faststofsbatterier, og tidligere havde han udført postdoc-forskning på Georgia Institute of Technology efter at have afsluttet sin graduate-uddannelse i simulationssoftware på University of Florida. Hans karriere er konstant centreret om at kombinere maskinlæring, fysikbaseret simulation og materialsvidenskab for at accelerere innovation i energi og avancerede materialer.

Matlantis er et AI-drevet materialsinformationsvirksomhed, der fokuserer på at transformere, hvordan nye materialer opdages og udvikles gennem højhastighedsatomistisk simulation. Dens cloud-baserede platform giver forskere mulighed for at modellere molekylær og krystaladfærd med både høj nøjagtighed og hastighed, og reducerer processer, der tidligere tog måneder, til sekunder. Bygget på maskinlæringsinteratomiske potentialer og computermæssig kemi, giver platformen videnskabsmænd mulighed for at udforske store materialsammensætninger uden traditionelle eksperimentelle begrænsninger, og understøtter brancher som halvledere og energilagring. Grundlagt i 2021 gennem et samarbejde mellem Preferred Networks og ENEOS, positionerer Matlantis sig selv som en kernekomponent i skiftet mod AI-først materialsopdagelse og digital R&D-arbejdsgange.

Du har brugt din karriere på skæringen af materialsvidenskab, simulation og maskinlæring, fra batteriforskning på Samsung til materialsinformationsvidenskab på ENEOS og nu leder af US-operations på Matlantis. Hvad var de nøglemomenter, der overbeviste dig om, at AI-drevet simulation ville grundlæggende omforme materialsopdagelse?

Vendepunktet for mig var, da jeg indså, at den virkelige flaskehals i materialsopdagelse var vores begrænsede evne til at udforske nok kandidater. I mit arbejde med batterimaterialer og senere i materialsinformationsvidenskab, kunne vi generere højkvalitetsindsigter ved hjælp af metoder som tæthedsfunktionalteori (DFT), men kun på tværs af et lille sæt muligheder på grund af omkostnings- og tidsbegrænsninger.

Hvad ændrede sig, var opkomsten af maskinlæringspotentialer, der kunne bevare næsten kvantum-niveau nøjagtighed, mens de dramatisk øgede beregningsgennemstrømningen. Dette låste to vigtige skift op.

Først gjorde det muligt at accelerere trial-and-error på høj fidusialitet. Forskere kan nu køre betydeligt flere kandidatvurderinger per tidsenhed uden at ofre nøjagtighed, og dette ændrer grundlæggende tempo og omfang af udforskningen. Anden, det skabte en ny grundlag for datavidenskab i materialsopdagelse, fordi det niveau af gennemstrømning genererer den mængde af højkvalitetsdata, der er nødvendig for at gøre maskinlæringsmetoder virkelig effektive.

Matlantis har nyligt integreret med NVIDIA’s ALCHEMI Toolkit for at aktivere industriel-skala simulation-gennemstrømning. Fra din synsvinkel, hvilke specifikke flaskehalse fjerner denne integration, og hvordan ændrer det, hvad R&D-hold kan realistisk opnå i dag?

Integrationen fjerner en grundlæggende misligning mellem AI-drevne potentialer og den infrastruktur, de afhænger af. Mens modeller som PFP er inherent GPU-accelereret, har nøgledele af simulationsarbejdsgangen, såsom orkestrering, traditionelt forblevet CPU-bundne eller løst forbundet på tværs af forskellige værktøjer. Dette skaber ineffektiviteter i dataforskydning og begrænser skalerbarhed ved at introducere friktion, når der køres store eller distribuerede arbejdsbyrder.

ALCHEMI løser dette problem ved at udvide GPU-acceleration på tværs af hele simulationsstakken, bygget på tidligere integration med NVIDIA Warp-optimerede kerne og nu flytter ind i ALCHEMI Toolkit-Ops for produktions-skala-kørsel. Resultatet er hurtigere beregning og en mere samlet, AI-nativ simulationsmiljø, der kan operere pålideligt på industriel skala.

Hvad gør dette særligt vigtigt nu, er, at det markerer en overgang fra platformvision til reel implementering. Med funktioner som LightPFP, der muliggør simulationer på skalaen af hundredtusinder af atomer og hurtigere slutning, er AI-drevet atomistisk simulation brugbar i produktionsarbejdsgange.

For R&D-hold ændrer det rollen af simulation helt. I stedet for at blive anvendt selektivt, kan det indlejres i daglige beslutninger, og forme, hvilke materialer der prioriteres tidligt i udviklingen.

Meddelelsen højlighter LightPFP og kommende PFP-integration med ALCHEMI. Hvordan forbedrer disse udviklinger skalerbarhed og stabilitet i forhold til traditionelle atomistiske simulationsrørledninger?

LightPFP løser en nøgleflaskehals i atomistisk simulation: kommunikationsoverheadet, der kræves for nabo-listekonstruktion i distribuerede systemer. Ved at erstatte dette trin under slutning med NVIDIA ALCHEMI Toolkit-Ops, reduceres inter-nodeskommunikation. Dette gør store simulations både hurtigere og mere stabile.

Kombineret med dens server-baserede arkitektur, giver det mulighed for simulationer til at skale mere effektivt, mens det simplificerer infrastruktur og reducerer operationskompleksitet.

Full PFP-integration udvider disse fordele til en universel model, der er vigtig, fordi traditionelle rørledninger ofte kæmper med at skale konsekvent på tværs af forskellige materialsystemer og beregningsmiljøer. Sammen forbedrer disse udviklinger både skalerbarhed og pålidelighed, og giver mulighed for simulation til at flytte fra isolerede forskningssager til kontinuerlig, industriel-skala-deployment uden de typiske kompromiser mellem ydeevne og stabilitet.

Matlantis er bygget på Preferred Potential (PFP), der er trænet på titusinder af kvantum-niveau-beregninger. Hvordan adskiller denne data-drevne tilgang sig fra konventionel fysik-baseret simulation, og hvor leverer den de største ydeevneforbedringer?

Konventionel simulation beregner interaktioner direkte fra første principper hver gang, hvilket er nøjagtigt, men beregningsmæssigt dyrt. PFP lærer i stedet fra et stort sæt af kvantum-beregninger og anvender denne viden under slutning. De største ydeevneforbedringer kommer i arbejdsgange, der kræver gentagen vurdering på tværs af mange kandidater, såsom screeningsmaterialer eller udforskning af materialsammensætning. I stedet for at være begrænset til et lille antal systemer, kan forskere nu evaluere tusinder af kandidater, mens de opretholder meningsfuld nøjagtighed.

En af de mest overbevisende påstande er at opnå næsten DFT-nøjagtighed ved massivt accelererede hastigheder. I praktiske termer, hvordan ændrer dette, hvordan virksomheder nærmer sig eksperimentation, prototypering og tid til marked?

Traditionelt har DFT været standarden for nøjagtighed, men i dag begrænser dens beregningsomkostninger, hvor bredt det kan anvendes; R&D-hold har været meget afhængige af trial-and-error-eksperimentation og bruger DFT selektivt til validering. Næsten DFT-nøjagtighed ved massivt accelererede hastigheder fjerner denne begrænsning.

I stedet for at bruge DFT til at analysere få kandidater efter eksperimenter, kan virksomheder nu umiddelbart approksimere det niveau af indsigt på tværs af tusinder af muligheder. Dette giver dem mulighed for at indsnævre det beregningsmæssige søgningsspace, før de engagerer fysiske ressourcer. Resultatet er færre fejl-eksperimenter, mere målrettet prototypering og betydeligt hurtigere iterationscykler, og reducerer tiden til marked, mens det øger tilliden til, hvad der driver produktionen fremad.

Vi ser en overgang mod simulation-først-opdagelse på tværs af brancher som halvledere, batterier og kemikalier. Hvad ser en fuldstændig simulation-først R&D-arbejdsgang ud til i en moderne virksomhed?

En simulation-først-arbejdsgang begynder med at fæstne R&D omkring ønskede resultater i stedet for forudbestemte materialer. Hold identificerer deres mål og udfordringer, og derefter screener store antal materialskandidater i skala ved hjælp af optimering, stabilitet og stadig mere, udforskning af hele kemiske eller krystalrum.

Dette er en interaktiv proces. Simulationsresultater informerer kontinuerligt om det næste sæt af kandidater, og hurtigt indsnævrer designrummet. Ved den tid, materialer flytter ind i valideringsfasen, er de allerede blevet filtreret gennem flere computermæssige lag, og reducerer betydeligt spildt arbejde.

Den virkelige ændring er dog organisatorisk. Simulation flytter sig ud over en niche-funktion til at blive en central beslutningslag. Det vejleder, hvilke eksperimenter der køres, hvordan ressourcer allokeres, og hvordan hold prioriterer deres prioriteringer. Over tid skaber dette en lukket system, hvor simulation og eksperimentation forstærker hinanden, og giver hold mulighed for at udforske flere muligheder, mens de forbliver tæt fokuseret på de mest viable stier.

Som AI bliver central i materialsvidenskab, bliver infrastruktur som beregning, GPU’er og software-stacks stadig mere kritisk. Hvorfor er infrastruktur nu den begrænsende faktor i stedet for model-innovation alene?

Fordi mange organisationer har stærke modeller, men kæmper med fragmenterede arbejdsgange og begrænsede beregningsadgange. At behandle AI som et værktøj lagt på legacy-systemer fører til isoleret eksperimentation, og den begrænsende faktor er skiftet til infrastruktur og, hvor effektivt organisationer kan integrere beregning og datasimulation i et enkelt, samlet system.

Matlantis bliver allerede brugt på tværs af brancher fra energi til avanceret fremstilling. Hvilke anvendelsesområder ser den hurtigste afkast på investeringen i dag, og hvor ser du den næste bølge af gennembrud komme fra?

Den hurtigste afkast på investeringen er i områder, hvor eksperimentelle cyklusser er dyre og designrummet er stort, såsom batterimaterialer, katalysatorer og halvleder-relaterede materialer. I disse domæner skaber eliminering af ikke-viable kandidater tidligt umiddelbar værdi.

For eksempel havde kemikaliefabrikanten Kuraray tidligere en verificeringsproces, der tog to til tre år, men blev reduceret til kun en måned og en halv med Matlantis. I en enkelt simulationskampagne blev 13 foreslåede katalysatorforbedringer evalueret, og alle blev afvist som ikke-viable og sparede år af eksperimentelt arbejde på døde ideer.

At se fremad, vil den næste bølge af gennembrud komme fra konvergen af simulation og eksperimentation, og ikke fra forbedring af dem i isolation. I dag er der stadig en klar grænse mellem de to, og de behandles typisk som sekventielle trin i stedet for en samlet strategi.

Men denne grænse begynder at opløse sig. Med fremskridt i høj-gennemstrømnings-simulation og maskinlæring, ser vi opkomsten af lukkede opdagelsessystemer, hvor simulation vejleder eksperimenter i realtid, og eksperimentelle data konsekvent føder tilbage til modeller. Da disse systemer modnes, bliver opdagelse kontinuerlig. Denne konvergens, hvor simulation, AI og eksperimentation opererer som et samlet system, er, hvor den næste generations gennembrud vil blive drevet.

Din rol spænder over både dyb teknisk forskning og global kundesucces. Hvad nye kompetencer tror du, at den næste generation af videnskabsmænd og ingeniører skal udvikle for at forblive konkurrencedygtige i AI-drevne R&D-miljøer?

Den vigtigste kompetence, den næste generation har brug for at styrke, er evnen til at operere på tværs af discipliner. Videnskabsmænd kræver stærk domæneekspertise og evnen til at arbejde med data-drevne modeller, skalerbare simulationsplatforme og iterative arbejdsgange. Lige så vigtigt er det at forstå, hvordan simulation og data-eksperimentation forbinder sig inden for en større opdagelsesproces.

Den næste generation vil blive defineret ikke kun af, hvad de ved, men af, hvor effektivt de kan integrere og anvende denne viden inden for moderne R&D-miljøer.

At se fremad, da AI-drevet simulation nærmer sig realtids-materialopdagelse, hvor tæt er vi på en verden, hvor hele klasser af materialer designes, valideres og optimeres fuldstændigt in silico, før nogen fysisk eksperiment foretages, og hvad betyder det for fremtidens innovation?

Vi nærmer os denne kapacitet i bestemte domæner, men ikke endnu universelt. For mange systemer kan simulation allerede eliminere store dele af designrummet og identificere meget lovende kandidater, før nogen eksperiment er udført.

Men fuldt at fange virkelige kompleksiteter, såsom syntesebetingelser og skalaeffekter, forbliver udfordrende. Som følge heraf udvikler eksperimentationens rol sig. I stedet for at fungere som den primære metode til udforskning, bliver eksperimenter mere målrettede og formålsspecifikke, fokuseret på at validerer og forfine de mest lovende computermæssige resultater. De fleste af de tidlige indsatsers opdagelse flytter ind i simulation, og giver fysisk test mulighed for at operere med langt større præcision og effektivitet. Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Matlantis.