Taku Watanabe, VP und Leiter der US-Operationen, Matlantis – Interview-Serie

Taku Watanabe, VP und Leiter der US-Operationen bei Matlantis, ist ein Materialwissenschaftler und AI-Spezialist mit einer Karriere, die sich über fortschrittliche Batterieforschung, computergestützte Modellierung und globale Technologieführung erstreckt. Er leitet derzeit die Expansion von Matlantis in den Vereinigten Staaten von Cambridge, Massachusetts, aus und ist auch als Principal Researcher und Leiter des globalen Kunden Erfolgs tätig, indem er erweiterte Materialien-Informatik mit realen industriellen Anwendungsfällen verbindet. Bevor er zu Matlantis kam, hatte er Führungspositionen im Samsung R&D Institute Japan inne, wo er sich auf die Entwicklung von Festkörperbatterien konzentrierte, und zuvor forschte er als Postdoktorand am Georgia Institute of Technology, nachdem er seine Graduiertenarbeit an der University of Florida im Bereich Simulationssoftware abgeschlossen hatte. Seine Karriere konzentriert sich konsequent auf die Kombination von Machine Learning, physikbasierten Simulationen und Materialwissenschaft, um Innovationen in der Energie- und Materialbranche zu beschleunigen.

Matlantis ist ein auf künstlicher Intelligenz basierendes Materialien-Informatik-Unternehmen, das darauf abzielt, die Art und Weise, wie neue Materialien entdeckt und entwickelt werden, durch Hochgeschwindigkeits-Atom-Simulationen zu revolutionieren. Seine cloudbasierte Plattform ermöglicht es Forschern, molekulare und kristalline Verhaltensweisen mit hoher Genauigkeit und Geschwindigkeit zu modellieren, wodurch Prozesse, die einst Monate dauerten, auf Sekunden reduziert werden. Basierend auf Machine-Learning-Interatom-Potentialen und computergestützter Chemie ermöglicht die Plattform es Wissenschaftlern, riesige Materialkombinationen ohne traditionelle experimentelle Einschränkungen zu erkunden, was Branchen wie Halbleiter und Energiespeicher unterstützt. Gegründet im Jahr 2021 durch eine Zusammenarbeit zwischen Preferred Networks und ENEOS, positioniert sich Matlantis als Kernschicht in der Verschiebung hin zu AI-erster Materialentdeckung und digitalen R&D-Workflows.

Sie haben Ihre Karriere an der Schnittstelle von Materialwissenschaft, Simulation und Machine Learning verbracht, von Batterieforschung bei Samsung bis hin zu Materialien-Informatik bei ENEOS und jetzt als Leiter der US-Operationen bei Matlantis. Welche Schlüsselmomente haben Sie davon überzeugt, dass simulationsgestützte Materialentdeckung fundamental umgestaltet wird?

Der Wendepunkt für mich war die Erkenntnis, dass der eigentliche Flaschenhals in der Materialentdeckung unsere begrenzte Fähigkeit war, genügend Kandidaten zu erkunden. In meiner Arbeit an Batteriematerialien und später in der Materialien-Informatik konnten wir hochwertige Erkenntnisse mit Methoden wie der Dichtefunktionaltheorie (DFT) generieren, aber nur über einen kleinen Satz von Möglichkeiten aufgrund von Kosten- und Zeitbeschränkungen.

Was sich änderte, war das Auftauchen von Machine-Learning-Potentialen, die nahezu quantenähnliche Genauigkeit bei gleichzeitiger dramatischer Erhöhung der Rechenleistung bewahren konnten. Dies entsperrte zwei wichtige Verschiebungen.

Erstens ermöglichte es beschleunigtes Trial-and-Error mit hoher Treue. Forscher können jetzt wesentlich mehr Kandidatenbewertungen pro Zeiteinheit durchführen, ohne die Genauigkeit zu opfern, was die Geschwindigkeit und den Umfang der Erkundung grundlegend ändert. Zweitens schuf es eine neue Grundlage für Data Science in der Materialentdeckung, da dieser Durchsatz das Volumen an hochwertigen Daten generiert, das erforderlich ist, um Machine-Learning-Ansätze wirklich effektiv zu machen.

Matlantis hat kürzlich die Integration mit NVIDIAs ALCHEMI-Toolkit durchgeführt, um industrielle Simulationsdurchsatzleistung zu ermöglichen. Aus Ihrer Perspektive, welche Flaschenhälse entfernt diese Integration, und wie ändert sie, was R&D-Teams heute realistisch erreichen können?

Die Integration entfernt eine fundamentale Diskrepanz zwischen AI-getriebenen Potentialen und der Infrastruktur, auf die sie angewiesen sind. Während Modelle wie PFP inhärent GPU-beschleunigt sind, bleiben traditionell wichtige Teile des Simulations-Workflows wie Orchestrierung CPU-gebunden oder lose mit verschiedenen Tools verbunden. Dies schafft Ineffizienzen bei der Datenübertragung und begrenzt die Skalierbarkeit, indem Reibung beim Ausführen großer oder verteilter Workloads eingeführt wird.

ALCHEMI adressiert dies, indem es die GPU-Beschleunigung über den gesamten Simulations-Stack erweitert, aufbauend auf früherer Integration mit NVIDIA Warp-optimierten Kernen und jetzt in ALCHEMI Toolkit-Ops für produktionsreife Ausführung. Das Ergebnis ist schnellerer Rechen- und ein kohärenteres, AI-natives Simulationsumfeld, das zuverlässig im industriellen Maßstab operieren kann.

Was dies besonders wichtig macht, ist, dass es einen Übergang von der Plattform-Vision zur realen Bereitstellung markiert. Mit Fähigkeiten wie LightPFP, die Simulationen im Bereich von Hunderttausenden von Atomen und schnelleren Inferenzen ermöglichen, ist AI-getriebene atomistische Simulation in Produktions-Workflows einsetzbar.

Für R&D-Teams ändert sich dadurch die Rolle der Simulation grundlegend. Anstatt selektiv angewendet zu werden, kann sie in die alltägliche Entscheidungsfindung eingebettet werden, indem sie bestimmt, welche Materialien priorisiert werden, noch bevor sie in die Entwicklung gelangen.

Die Bekanntgabe hebt LightPFP und die geplante Integration von PFP mit ALCHEMI hervor. Wie verbessern diese Entwicklungen die Skalierbarkeit und Stabilität im Vergleich zu herkömmlichen atomistischen Simulations-Pipelines?

LightPFP adressiert eine Schlüssel-Flaschenhals in der atomistischen Simulation: den Kommunikations-Overhead, der für die Konstruktion von Nachbarschaftslisten in verteilten Systemen erforderlich ist. Durch Ersetzen dieses Schritts während der Inferenz mit NVIDIA ALCHEMI Toolkit-Ops reduziert es die Inter-Node-Kommunikation. Dies macht große Simulationsläufe sowohl schneller als auch stabiler.

In Kombination mit seiner serverbasierten Architektur ermöglicht dies eine effizientere Skalierung, während die Infrastruktur vereinfacht und die Betriebskomplexität reduziert wird.

Die vollständige Integration von PFP erweitert diese Vorteile auf ein universelles Modell, was wichtig ist, da herkömmliche Pipelines oft Schwierigkeiten haben, konsistent über verschiedene Materialsysteme und Rechenumgebungen zu skalieren. Zusammen verbessern diese Entwicklungen sowohl die Skalierbarkeit als auch die Zuverlässigkeit, wodurch Simulationen von isolierten Forschungsanwendungsfällen zu kontinuierlicher, industrieller Einsatzbarkeit ohne typische Kompromisse zwischen Leistung und Stabilität übergehen können.

Matlantis basiert auf Preferred Potential (PFP), das auf Zehnmillionen quantenähnlicher Berechnungen trainiert wurde. Wie unterscheidet sich dieser datengetriebene Ansatz von herkömmlichen physikbasierten Simulationen, und wo liefert er die größten Leistungssteigerungen?

Her Kömmliche Simulationen berechnen Interaktionen direkt aus den Grundprinzipien heraus, was genau, aber rechenintensiv ist. PFP hingegen lernt aus einer riesigen Menge an quantenähnlichen Berechnungen und wendet dieses Wissen während der Inferenz an. Die größten Leistungssteigerungen ergeben sich in Workflows, die wiederholte Bewertung über viele Kandidaten erfordern, wie z.B. Materialien-Screening oder die Erforschung von Materialzusammensetzungen. Anstatt auf eine Handvoll Systeme beschränkt zu sein, können Forscher Tausende von Kandidaten bewerten, während sie eine sinnvolle Genauigkeit beibehalten.

Eine der überzeugendsten Behauptungen ist die Erreichung von nahezu DFT-Genauigkeit bei massiv beschleunigten Geschwindigkeiten. In praktischen Begriffen, wie ändert sich dadurch die Art und Weise, wie Unternehmen Experimente, Prototyping und Zeit bis zur Markteinführung angehen?

Traditionell war DFT der Goldstandard für Genauigkeit, aber heute begrenzt dessen Rechenkosten, wie breit es angewendet werden kann; R&D-Teams haben sich stark auf Trial-and-Error-Experimente verlassen und verwenden DFT selektiv für die Validierung. Nahe-DFT-Genauigkeit bei massiv beschleunigten Geschwindigkeiten entfernt diese Einschränkung.

Anstatt DFT zu verwenden, um nach Experimenten einige Kandidaten zu analysieren, können Unternehmen jetzt sofort eine ähnliche Ebene von Erkenntnissen über Tausende von Möglichkeiten approximieren. Dies ermöglicht es ihnen, den computergestützten Suchraum vor der Bereitstellung physischer Ressourcen zu verengen. Das Ergebnis ist weniger fehlgeschlagene Experimente, gezielteres Prototyping und wesentlich schnellere Iterationszyklen, was letztendlich die Zeit bis zur Markteinführung verkürzt, während das Vertrauen in das Vorantreiben der Produktion steigt.

Wir erleben einen Übergang hin zu simulationsgestützter Entdeckung in Branchen wie Halbleitern, Batterien und Chemikalien. Wie sieht ein vollständig simulationsgestützter R&D-Workflow in einem modernen Unternehmen aus?

Ein simulationsgestützter Workflow beginnt damit, die Forschung und Entwicklung um die gewünschten Ergebnisse herum zu konzentrieren, anstatt um vorgegebene Materialien. Teams identifizieren ihre Ziele und Herausforderungen und screenen dann große Mengen an Kandidaten-Materialien im großen Maßstab durch Optimierung, Stabilität und zunehmend durch die Erforschung ganzer chemischer oder kristalliner Räume.

Dies ist ein interaktiver Prozess. Simulationsergebnisse informieren kontinuierlich die nächste Gruppe von Kandidaten, verengen schnell den Entwurfsraum. Sobald Materialien in die Validierungsphase gelangen, wurden sie bereits durch mehrere computergestützte Schichten gefiltert, was den verschwendeten Aufwand erheblich reduziert.

Die eigentliche Verschiebung jedoch ist organisatorischer Natur. Simulation geht über eine Nischenfähigkeit hinaus und wird zu einer zentralen Entscheidungsebene. Sie bestimmt, welche Experimente durchgeführt werden, wie Ressourcen zugewiesen werden und wie Teams ihre Prioritäten setzen. Im Laufe der Zeit entsteht so ein geschlossenes System, in dem Simulation und Experimentierung einander verstärken, wodurch Teams mehr Möglichkeiten erkunden können, während sie eng auf die vielversprechendsten Pfade fokussiert bleiben.

Da AI zum Kern der Materialwissenschaft wird, wird Infrastruktur wie Rechenleistung, GPUs und Software-Stacks immer kritischer. Warum wird Infrastruktur jetzt zum limitierenden Faktor und nicht nur die Modellinnovation?

Weil viele Organisationen starke Modelle haben, aber mit fragmentierten Workflows und begrenztem Zugang zu Rechenleistung kämpfen. Die Behandlung von AI als Werkzeug, das auf Legacy-Systeme geschichtet wird, führt zu isolierter Experimentierung, und der limitierende Faktor hat sich zu Infrastruktur und der Fähigkeit von Organisationen verschoben, Rechenleistung und Simulationsdaten in ein einziges, einheitliches System zu integrieren.

Matlantis wird bereits in Branchen wie Energie und fortschrittlicher Fertigung eingesetzt. Welche Anwendungsfälle sehen die schnellste Rendite auf Investitionen heute, und wo sehen Sie die nächste Welle von Durchbrüchen entstehen?

Die schnellste Rendite auf Investitionen ist in Bereichen, in denen experimentelle Zyklen teuer und Designräume groß sind, wie z.B. Batteriematerialien, Katalysatoren und halbleiterbezogene Materialien. In diesen Bereichen schafft die Eliminierung nicht tragfähiger Kandidaten im Voraus sofortigen Wert.

Beispielsweise hatte der Chemikalienhersteller Kuraray einst einen Verifizierungsprozess, der zwei bis drei Jahre dauerte, aber mithilfe von Matlantis auf nur einen Monat und eine Hälfte reduziert wurde. In einer einzigen Simulationskampagne wurden 13 vorgeschlagene Katalysatorverbesserungen ausgewertet und alle als nicht tragfähig abgelehnt, wodurch Jahre experimenteller Anstrengung auf toten Gegenständen eingespart wurden.

Wenn man in die Zukunft blickt, wird die nächste Welle von Durchbrüchen aus der Konvergenz von Simulation und Experimentierung entstehen, nicht aus der Verbesserung dieser isoliert voneinander. Heute gibt es noch eine klare Grenze zwischen beiden, und sie werden typischerweise als sequenzielle Schritte und nicht als einheitliche Strategie behandelt.

Dennoch beginnt diese Grenze zu verschwimmen. Mit Fortschritten in Hochdurchsatz-Simulationen und Machine Learning sehen wir das Auftauchen von geschlossenen Entdeckungssystemen, in denen Simulationen Experimente in Echtzeit leiten und experimentelle Daten kontinuierlich in Modelle zurückgespeist werden. Wenn diese Systeme ausgereift sind, wird die Entdeckung kontinuierlich werden. Diese Konvergenz, in der Simulation, AI und Experimentierung als ein einheitliches System operieren, ist der Ort, an dem die nächste Generation von Durchbrüchen angetrieben wird.

Ihre Rolle umfasst sowohl tiefe technische Forschung als auch globalen Kunden-Erfolg. Welche neuen Fähigkeiten glauben Sie, dass die nächste Generation von Wissenschaftlern und Ingenieuren entwickeln muss, um in AI-getriebenen R&D-Umgebungen wettbewerbsfähig zu bleiben?

Die wichtigste Fähigkeit, die die nächste Generation verstärken muss, ist die Fähigkeit, über Disziplinen hinweg zu arbeiten. Wissenschaftler benötigen starke Domänen-Expertenwissen und die Fähigkeit, mit datengetriebenen Modellen, skalierbaren Simulationsplattformen und iterativen Workflows zu arbeiten. Ebenso wichtig ist das Verständnis, wie Simulation und Daten-Experimentierung innerhalb eines größeren Entdeckungsprozesses zusammenhängen.

Die nächste Generation wird nicht nur durch das definiert werden, was sie wissen, sondern durch die Effektivität, mit der sie dieses Wissen innerhalb moderner R&D-Umgebungen anwenden können.

Wenn AI-getriebene Simulationen reale Materialentdeckung in Echtzeit erreichen, wie nahe sind wir an einer Welt, in der ganze Klassen von Materialien vollständig in silico entworfen, validiert und optimiert werden, bevor irgendein physisches Experiment durchgeführt wird, und was bedeutet dies für die Zukunft der Innovation?

Wir nähern uns dieser Fähigkeit in bestimmten Bereichen, aber noch nicht universell. Für viele Systeme kann Simulation bereits große Teile des Entwurfsraums eliminieren und vielversprechende Kandidaten identifizieren, bevor irgendein Experiment durchgeführt wird.

Dennoch bleibt es herausfordernd, reale Komplexität wie Synthesebedingungen und Skaleneffekte vollständig zu erfassen. Als Ergebnis ändert sich die Rolle der Experimentierung. Anstatt der primären Methode der Erkundung zu dienen, werden Experimente gezielter und zweckmäßiger, fokussiert auf die Validierung und Verfeinerung der vielversprechendsten computergestützten Ergebnisse. Die meisten Frühphasen-Bemühungen der Entdeckung verlagern sich in die Simulation, was es ermöglicht, physische Tests mit weit größerer Präzision und Effizienz durchzuführen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Matlantis besuchen.