Interviews
Mathias Ingvarsson, Gründer und CEO von Holyvolt – Interviewreihe

Wichtige PunkteHolyvolts Vorteil sind 18 Jahre proprietärer Batteriedaten, die Wettbewerber nicht…
Mehr anzeigen
- Holyvolts Vorteil sind 18 Jahre proprietärer Batteriedaten, die Wettbewerber nicht einfach herunterladen können.
- Fehlgeschlagene Formulierungen werden nur dann zu Trainingsdaten, wenn reproduzierbare Laborprozesse echte chemische Fehler von Testanomalien trennen.
- KI verkürzte eine experimentelle Designaufgabe von sechs Wochen auf acht Minuten, aber Wissenschaftler entwerfen und beurteilen Experimente weiterhin.
Mathias Ingvarsson ist Gründer und CEO von Holyvolt, das er 2022 ins Leben rief, um neue Ansätze für die Batterietechnologie zu verfolgen. Seine Karriere umfasst die internationale Expansion von Tempur-Pedic und unternehmerische Projekte in verschiedenen Branchen. Bei Holyvolt konzentriert er sich darauf, wissenschaftliche Expertise, experimentelle Daten und Fertigungskapazitäten zusammenzuführen, um die Entwicklung von Batteriematerialien zu beschleunigen – unter anderem durch die Übernahme von Wildcat Discovery Technologies.
Holyvolt entwickelt Technologien zur Energieerzeugung und -speicherung und verbindet die Materialforschung im Hochdurchsatzverfahren mit präzisen Siebdruckverfahren für die Fertigung. Über Wildcat Discovery Technologies führt die Forschungsplattform für Batterien Laborexperimente, historische Testdaten und KI-gestützte Materialentwicklung zusammen. In diesem Interview spricht Ingvarsson darüber, wie Wissenschaftler maschinelles Lernen neben physikalischen Experimenten einsetzen, warum fehlgeschlagene Rezepturen wertvolle Daten liefern können und was nötig ist, um von schnelleren Prognosen zu validierten Materialien und einer skalierbaren Produktion zu gelangen.
Ihre Karriere umfasst die internationale Expansion von Tempur-Pedic und mehrere unternehmerische Projekte. Was hat Sie dazu bewogen, 2022 Holyvolt zu gründen, und welche Chance in der Batterietechnologie hat Sie davon überzeugt, ein Unternehmen in einer so technisch anspruchsvollen Branche aufzubauen?
Ich habe Unternehmen in ganz unterschiedlichen Bereichen aufgebaut, von Matratzen bis hin zu Unterwäsche. Batterien mögen daher wie ein ungewöhnlicher nächster Schritt erscheinen. Doch mich haben schon immer Branchen angezogen, in denen ich eine Chance sehe, die anderen entgeht.
Als ich Holyvolt gründete, wusste ich nur sehr wenig über Batteriechemie, und ich glaube tatsächlich, dass mir das geholfen hat. Manchmal ist es eine besondere Stärke, nicht alle Gründe zu kennen, aus denen etwas angeblich nicht möglich ist. Jensen Huang sagte einmal, wenn er gewusst hätte, wie schwierig der Aufbau von Nvidia werden würde, hätte er wahrscheinlich gar nicht erst angefangen. Das kann ich nachvollziehen.
Was ich sah, war eine westliche Batterieindustrie, die China in einem Wettbewerb schlagen wollte, den China bereits gewonnen hatte. Die Branche investierte Milliarden, um Technologien nachzubilden, die China über Jahrzehnte hinweg perfektioniert hatte. Ich verstand nicht, warum wir nicht genauso viel Energie darauf verwendeten, etwas Besseres zu entwickeln. Batterien werden fast alles in unserer Umgebung mit Energie versorgen, und ich sah eine enorme Chance, die Art und Weise, wie wir sie entwickeln, neu zu denken. Das brachte mich dazu, Holyvolt zu gründen.
Als Sie die Übernahme von Wildcat prüften: Was überzeugte Sie davon, dass die dortige Versuchshistorie zur Grundlage einer KI-gestützten Entdeckungsplattform werden könnte? Was mussten Sie über die Daten herausfinden, abgesehen von ihrem schieren Umfang?
Die schiere Datenmenge fiel mir sofort auf: mehr als 500.000 Batteriezellen, die über 18 Jahre hinweg getestet wurden, und 165 Millionen Zyklen. Je genauer wir hinsahen, desto beeindruckter waren wir von der Sorgfalt der Experimente und den Durchbrüchen, die Wildcat bereits erzielt hatte. Solche Daten, die über Jahrzehnte hinweg konsequent erhoben wurden, lassen sich unglaublich schwer reproduzieren.
Ich bin kein Batteriewissenschaftler und holte deshalb Menschen an Bord, die deutlich mehr wussten als ich. Experten für Batterien, KI und Materialwissenschaft kamen ins Labor – und ehrlich gesagt waren sie überwältigt.
Dann sieht man sich die Unternehmen an, die zu Wildcat kommen, darunter BMW und andere weltweit renommierte Unternehmen aus der gesamten Wertschöpfungskette. Diese Unternehmen verfügen über enorme F&E-Budgets und einige der besten Wissenschaftler der Welt, und sie wandten sich an Wildcat, um Unterstützung zu erhalten. Das war für mich der entscheidende Beleg. Ich war überzeugt, dass Wildcat die begehrteste Plattform für die Batterieentdeckung weltweit aufgebaut hatte. Und ich glaube, dass wir mit KI erst an der Oberfläche dessen kratzen, was sie leisten kann.
Fehlgeschlagene Experimente sind ein zentraler Bestandteil Ihres Datenvorsprungs. Können Sie ein Beispiel dafür nennen, was ein Modell aus einer misslungenen Batterierezeptur lernen kann und wie Ihr Team unterscheidet, ob ein chemischer Versuch aussagekräftig gescheitert ist oder ob bei der Durchführung des Experiments ein Problem aufgetreten ist?
Scheitern gehört zur Chemie. So haben wir über Hunderte von Jahren wissenschaftliche Fortschritte erzielt: Man probiert etwas aus, es funktioniert nicht, man lernt daraus und versucht es erneut. KI muss auf dieselbe Weise lernen.
Seit 18 Jahren führen wir Batterieexperimente im Hochdurchsatzverfahren durch. Unsere Daten umfassen daher alles – von fehlgeschlagenen Rezepturen bis hin zu Materialien, die wir erfolgreich optimiert haben. Das ist für das Training eines Modells äußerst wertvoll.
Lithium-Metall-Batterien etwa können im Gegensatz zu herkömmlichen Graphitbatterien einen plötzlichen Kapazitätsabfall erleiden, der sich nur sehr schwer vorhersagen lässt. Wir haben maschinelle Lernmodelle entwickelt, die auf realen Daten aus Ladezyklen mit unterschiedlichen Elektrolytrezepturen, Elektrodendesigns und Prüfprotokollen basieren, um vorherzusagen, wann ein solcher Abfall auftreten könnte.
Unsere ersten Modelle können diese Abfälle mit hinreichender Zuverlässigkeit vorhersagen. Um die Prognosen zu verfeinern, planen wir gezieltere Experimente und testen Batterien unter verschiedenen Bedingungen.
Natürlich sind diese Daten nur dann wertvoll, wenn wir den Ergebnissen vertrauen können. Wir haben jahrelang unsere Laborprozesse verfeinert, damit Experimente hochgradig reproduzierbar sind und Fehler minimiert werden. Außerdem führen wir dasselbe Experiment mehrfach durch. So können wir feststellen, ob ein schlechtes Ergebnis auf ein tatsächliches Problem mit dem Material oder auf eine Unregelmäßigkeit im Testprozess zurückzuführen ist. Auf diese Weise bringen wir unseren Modellen nicht aufgrund eines einzelnen, nicht repräsentativen Ergebnisses die falschen Schlussfolgerungen bei.
Könnten Sie uns den Ablauf eines Entdeckungszyklus erläutern – von einem Materialvorschlag durch ein Modell über die Prüfung im Labor bis hin zur Einbeziehung der Ergebnisse? Welche Entscheidungen trifft die KI, und an welchen Stellen bleibt das Urteilsvermögen eines Wissenschaftlers unverzichtbar?
Am Anfang stehen unsere Wissenschaftler. Sie entwerfen ein Experiment, das darauf ausgerichtet ist, eine bestimmte Frage zu beantworten, und unsere Hochdurchsatzplattform führt die Tests durch. Anschließend nutzen unsere Machine-Learning-Ingenieure diese ersten Daten, um ein Modell zu erstellen und zu prüfen, ob es die Ergebnisse künftiger Experimente vorhersagen kann.
Anschließend überprüfen wir diese Vorhersagen im Labor. Stimmen die Ergebnisse überein, vertrauen wir dem Modell stärker und können es zur Bewertung neuer Zusammensetzungen einsetzen. Ist das nicht der Fall, untersuchen unsere Wissenschaftler die Gründe. Manchmal benötigt das Modell mehr Daten. Dann müssen wir völlig neue Experimente entwerfen oder Tests unter anderen Bedingungen durchführen. Wir speisen die Ergebnisse wieder in das Modell ein, verfeinern es und wiederholen den Prozess.
Die Vorstellung, dass KI eigenständig neue Materialien entdeckt, sorgt für große Begeisterung. Bei unseren Aussagen dazu sind wir jedoch vorsichtig. Zum jetzigen Zeitpunkt entwerfen unsere Wissenschaftler weiterhin die Experimente und treffen die entscheidenden Entscheidungen. Die KI hilft uns bei Vorhersagen, während unser Labor zeigt, ob diese sich tatsächlich bestätigen. Indem wir das Fachwissen unserer Wissenschaftler mit KI verbinden, konnten wir den Zeitaufwand für bestimmte Aufgaben des Versuchsdesigns bereits drastisch reduzieren – von Wochen auf nur wenige Minuten.
Ein historischer Datensatz spiegelt die Materialien wider, die Forscher früher für Untersuchungen ausgewählt haben. Wie verhindern Sie, dass Ihre Modelle auf diesen vertrauten Bereichen beharren, und wie bestimmen Sie, wann eine unbekannte Chemie so vielversprechend ist, dass sich eine praktische Prüfung lohnt?
Das ist genau die richtige Frage. Deshalb glaube ich, dass unser Labor sogar noch wertvoller ist als unser Datensatz.
Ein Modell lernt aus den Daten, die man ihm zur Verfügung stellt. Daher sind seine Vorhersagen naturgemäß zuverlässiger, wenn es um Dinge geht, die es bereits kennt. Die eigentliche Chance besteht darin, mithilfe von KI völlig neue Bereiche der Chemie zu erkunden, für die möglicherweise keine historischen Daten vorliegen.
Hier verschafft uns unsere Hochdurchsatzplattform einen enormen Vorteil. Wir können schnell neue, zuverlässige Versuchsdaten zu Hunderten von Zusammensetzungen generieren und unseren Modellen so auch in unbekannten Bereichen der Chemie eine Lernbasis bieten.
Da wir Vorhersagen im Labor testen, die Ergebnisse in unsere Modelle zurückführen und den Prozess wiederholen können, verbessern wir deren Genauigkeit kontinuierlich. Jedes Experiment liefert eine fundiertere Grundlage für die nächste Vorhersage.
Ich glaube, das ist unser größter Wettbewerbsvorteil. Wir verfügen über historische Daten aus 18 Jahren, sind aber nicht darauf beschränkt. Wir können die neuen Daten generieren, die wir benötigen, um chemische Systeme zu erkunden, die bislang nicht gründlich untersucht wurden.
Wie messen Sie den spezifischen Beitrag der KI zu Verbesserungen, die über das hinausgehen, was automatisierte Hochdurchsatzexperimente bereits ermöglichen? Welche Vergleiche zeigen, dass die Modelle bessere Kandidaten finden oder die Zahl der Experimente verringern, die nötig sind, um ein brauchbares Ergebnis zu erzielen?
Das ist tatsächlich eine schwierige Frage, denn wissenschaftliche Entdeckungen sind Teamarbeit.
Stellen Sie sich eine Gruppe von Wissenschaftlern vor, die gemeinsam über ein Problem nachdenkt. Vielleicht findet schließlich eine Person die Lösung, doch die Idee könnte aus stundenlangen Gesprächen mit allen anderen im Raum hervorgegangen sein. Wem gebührt dann die Anerkennung?
Ich denke, wir sollten KI ähnlich betrachten. Sie ist ein weiteres Mitglied des Forschungsteams. Sie kann Wissenschaftlern dabei helfen, relevante Informationen schneller zu finden, Muster in Versuchsdaten zu erkennen und ein Problem besser zu verstehen.
Unsere Hochdurchsatzplattform verschafft uns bereits einen enormen Vorteil, weil wir Experimente sehr schnell durchführen können. Jetzt arbeiten wir daran herauszufinden, wie viel mehr KI noch ermöglichen kann. Ich möchte keine Zahl nennen, die wir nicht angemessen belegen können. Entscheidend ist, ob wir unseren Wissenschaftlern dabei helfen, in kürzerer Zeit und mit weniger Experimenten zu besseren Antworten zu gelangen.
Bei der Entwicklung von Batterien müssen konkurrierende Ziele gegeneinander abgewogen werden, darunter Energiedichte, Zyklenlebensdauer, Sicherheit, Kosten und Herstellbarkeit. Wie übersetzen Sie diese Zielkonflikte in Vorgaben für die KI, und kann eine Änderung des vorgesehenen Anwendungszwecks sie zu grundlegend anderen Materialien führen?
Das hängt wirklich davon ab, wofür die Batterie eingesetzt werden soll. Eine Drohnenbatterie muss ganz andere Anforderungen erfüllen als eine Batterie für ein Elektrofahrzeug. Je nach Anwendung kann beispielsweise die Energiedichte oder aber die Zyklenlebensdauer oder der Preis Vorrang haben.
Diese Zielvorgaben können wir recht genau definieren. Energiedichte, Zyklenlebensdauer, Sicherheit und Kosten lassen sich messen. Deshalb können wir dem Modell konkrete Leistungsziele vorgeben, die auf die jeweilige Anwendung abgestimmt sind.
Schwierig ist es, ausgehend von diesen Zielvorgaben rückwärts zu einem Material zu gelangen, das sie tatsächlich erfüllen kann.
Eine Änderung der Anwendung kann durchaus beeinflussen, welche Materialien wir untersuchen. Doch unsere Wissenschaftler müssen weiterhin feststellen, welche chemischen Zusammensetzungen vielversprechend sind, die Experimente entwerfen und prüfen, ob diese Materialien die Leistungsziele erreichen können.
Holyvolt bringt ungeordnete Steinsalz-Kathodenmaterialien ohne Nickel und Kobalt bis zur Kommerzialisierung voran. Welche Rolle hat KI dabei gespielt, und welche verbleibenden Hürden erfordern Lösungen in der Fertigung oder im Engineering, die über die Materialentdeckung hinausgehen?
DRX ist ein hervorragendes Beispiel dafür, warum unser Ansatz wichtig ist. Es gibt eine enorme Zahl möglicher Materialkombinationen, und sie einzeln zu testen, würde Jahre dauern.
Bei Holyvolt können wir mit unserer Hochdurchsatzplattform rasch Hunderte verschiedener Rezepturen testen und nachvollziehen, wie sich Veränderungen der chemischen Zusammensetzung auf Energiedichte, Spannung, Batterielebensdauer und Leistung auswirken. So konnten wir vielversprechende Materialien deutlich schneller identifizieren, als es mit herkömmlichen Forschungsmethoden möglich wäre.
Nun kombinieren wir diese experimentellen Daten mit maschinellem Lernen, um Muster zu erkennen und unseren Wissenschaftlern dabei zu helfen, zu entscheiden, welche Rezepturen sie als Nächstes untersuchen sollten. Je mehr wir testen, desto mehr lernen wir und desto besser können wir künftige Experimente steuern.
Wir machen bereits Fortschritte auf dem Weg zur Produktion im industriellen Maßstab. Einer unserer größten Vorteile besteht darin, dass wir etablierte Fertigungsverfahren nutzen. Wir müssen weder völlig neue Anlagen entwickeln noch die Herstellungsverfahren für diese Materialien grundlegend neu erfinden. Unser Schwerpunkt liegt darauf, die Produktion gemeinsam mit unseren Partnern auszuweiten und dabei eine gleichbleibende Leistung sowie wettbewerbsfähige Kosten sicherzustellen.
Sie haben argumentiert, dass proprietäre wissenschaftliche Daten einen stärkeren Wettbewerbsvorteil bieten können als die Modelle selbst. Was lässt diesen Vorteil mit der Zeit wachsen, und wie verbinden Sie Erkenntnisse aus Kundenprojekten mit dem Schutz der vertraulichen Forschung und des geistigen Eigentums jedes Kunden?
Einige der leistungsfähigsten KI-Modelle, die heute verfügbar sind, sind quelloffen und werden immer besser. Doch 18 Jahre Batterieforschung lassen sich nicht einfach herunterladen. Genau das macht unsere Daten so wertvoll.
Bei Holyvolt haben wir mehr als 500.000 Batteriezellen in über 165 Millionen Zyklen getestet. Wir wissen, welche Materialien verwendet wurden, wie sie verarbeitet wurden, wie sie sich bewährt haben und woran sie gescheitert sind. Da wir all diese Jahre hindurch einheitliche Testmethoden angewandt haben, können wir die Ergebnisse tatsächlich miteinander vergleichen. Das lässt sich für andere nur äußerst schwer nachbilden.
Jedes Experiment lehrt uns etwas. Dieses Wissen hilft uns, unsere Modelle zu verbessern, genauere Vorhersagen zu treffen und zu entscheiden, was als Nächstes getestet werden soll. Und je mehr Experimente wir durchführen, desto wertvoller wird diese Wissensgrundlage.
Außerdem arbeiten wir mit einigen der weltweit führenden Unternehmen zusammen, die uns ihre vertrauliche Forschung anvertrauen. Wir nehmen diese Verantwortung ernst und haben wirksame Schutzmaßnahmen eingerichtet, um vertrauliche Informationen und geistiges Eigentum zu sichern.
Was ist bei der Weiterentwicklung der Plattform heute der größte Engpass für eine schnellere Entdeckung: die Leistungsfähigkeit der Modelle, die Experimentierkapazität, der Zeitaufwand für die Validierung der Batterielebensdauer oder etwas anderes? Welcher messbare Meilenstein innerhalb der nächsten zwei Jahre würde zeigen, dass KI die Wirtschaftlichkeit der Batterieentwicklung verändert?
Ich denke, der größte Engpass ist heute die Zeit, die Wissenschaftler für die Planung von Experimenten und die Analyse der Ergebnisse aufwenden.
Betrachten wir den herkömmlichen Ablauf. Ein Wissenschaftler stellt eine Frage, entwirft ein Experiment, führt die Tests durch, analysiert die Daten und entscheidet anschließend, was als Nächstes ausprobiert werden soll. Einen großen Teil der praktischen Tests haben wir mit unserer Hochdurchsatzplattform bereits automatisiert. Das Nachdenken zwischen diesen Schritten nimmt jedoch weiterhin sehr viel Zeit in Anspruch.
Kürzlich haben wir ein relativ einfaches KI-Modell auf einen Teil des Versuchsplanungsprozesses angewendet. Eine Aufgabe, die normalerweise sechs Wochen dauern würde, war in acht Minuten erledigt. Das ist ein außergewöhnliches Ergebnis und zeigt, was möglich ist.
Doch die Versuchsplanung zu beschleunigen, ist erst der Anfang. Wenn KI uns hilft, schneller zu erkennen, was getestet werden sollte, müssen wir auch die Durchführung der Experimente beschleunigen. Deshalb planen wir, unsere Laborkapazitäten auszubauen und weiter in Automatisierung zu investieren.
In den nächsten zwei Jahren möchte ich sehen, dass wir den gesamten Entdeckungsprozess deutlich beschleunigen – von der ersten Idee bis zum validierten Material. Wenn wir schnellere Entscheidungen mit der Möglichkeit verbinden können, mehr Experimente durchzuführen, können wir neue chemische Zusammensetzungen in einem Tempo erforschen, das zuvor schlicht unmöglich war. So kann KI die Wirtschaftlichkeit der Batterieentwicklung grundlegend verändern.
Vielen Dank für das großartige Interview. Leserinnen und Leser, die mehr über Batteriematerialien, Hochdurchsatzexperimente und die Entwicklung KI-gestützter Energietechnologie erfahren möchten, sollten Holyvolt besuchen.












