Τaku Watanabe, VP και Διευθυντής Επιχειρήσεων ΗΠΑ, Matlantis – Σειρά Συνεντεύξεων

Τaku Watanabe, VP και Διευθυντής Επιχειρήσεων ΗΠΑ, Matlantis, είναι ειδικός στην επιστήμη των υλικών και την τεχνητή νοημοσύνη με καριέρα που εκτείνεται σε προηγμένα έρευνα 배터ιών, υπολογιστικά μοντέλα και παγκόσμια τεχνολογική ηγεσία. Ηγείται της επέκτασης της Matlantis στις Ηνωμένες Πολιτείες από το Κέιμπριτζ, Μασαχουσέτη, ενώ επίσης υπηρετεί ως αρχικός ερευνητής και διευθυντής παγκόσμιας επιτυχίας πελατών, συνδέοντας προηγμένα υλικά informatics με πραγματικές βιομηχανικές περιπτώσεις. Πριν από την ένταξή του στη Matlantis, κατέχει υψηλές θέσεις στο Samsung R&D Institute Japan με επίκεντρο την ανάπτυξη all-solid-state μπαταριών και νωρίτερα πραγματοποίησε μεταδιδακτορική έρευνα στο Georgia Institute of Technology μετά την ολοκλήρωση μεταπτυχιακών σπουδών σε λογισμικό προσομοίωσης στο Πανεπιστήμιο της Φλόριντα. Η καριέρα του επικεντρώνεται συνεχώς στην συνδυασμένη χρήση της τεχνητής νοημοσύνης, της φυσικής προσομοίωσης και της επιστήμης των υλικών για την επιτάχυνση της καινοτομίας στην ενέργεια και τα προηγμένα υλικά.

Matlantis είναι μια εταιρεία informatics υλικών που οδηγείται από την τεχνητή νοημοσύνη, επικεντρωμένη στη μεταμόρφωση του τρόπου με τον οποίο ανακαλύπτονται και αναπτύσσονται νέα υλικά μέσω υψηλής ταχύτητας ατομικής προσομοίωσης. Η cloud- आधική πλατφόρμα της επιτρέπει στους ερευνητές να μοντελοποιούν молекуляр και κρυσταλλική συμπεριφορά με υψηλή ακρίβεια και ταχύτητα, μειώνοντας τις διαδικασίες που απαιτούσαν μηνών σε δευτερόλεπτα. Βασισμένη σε interatomic δυναμικά της μηχανικής μάθησης και υπολογιστική χημεία, η πλατφόρμα επιτρέπει στους επιστήμονες να εξερευνούν τεράστιους συνδυασμούς υλικών χωρίς παραδοσιακές πειραματικές περιορισμοί, υποστηρίζοντας βιομηχανίες όπως ημιαγωγοί και αποθήκευση ενέργειας. Ιδρυθείσα το 2021 μέσω της συνεργασίας μεταξύ Preferred Networks και ENEOS, η Matlantis θέτει τον εαυτό της ως βασικό слой στη μετατόπιση προς την ανακάλυψη υλικών με τεχνητή νοημοσύνη και ψηφιακές ροές R&D.

Έχετε περάσει την καριέρα σας στο交ση της επιστήμης των υλικών, προσομοίωσης και μηχανικής μάθησης, από έρευνα μπαταριών στο Samsung έως υλικά informatics στο ENEOS και τώρα ηγείστε τις επιχειρήσεις ΗΠΑ στη Matlantis. Ποια κρίσιμα σημεία σας έκαναν να πιστεύετε ότι η προσομοίωση με τεχνητή νοημοσύνη θα μεταμορφώσει θεμελιωδώς την ανακάλυψη υλικών;

Το σημείο καμπής για μένα ήταν η συνειδητοποίηση ότι ο πραγματικός φραγμός στην ανακάλυψη υλικών ήταν η περιορισμένη μας ικανότητα να εξερευνήσουμε αρκετούς υποψήφιους. Στο έργο μου για υλικά μπαταριών και αργότερα στα υλικά informatics, μπορούσαμε να παράγουμε υψηλής ποιότητας ερευνες χρησιμοποιώντας μεθόδους όπως η θεωρία της πυκνότητας των funktionals (DFT), αλλά μόνο σε ένα μικρό σύνολο δυνατοτήτων λόγω περιορισμών κόστους και χρόνου.

Τι άλλαξε ήταν η εμφάνιση των δυναμικών της μηχανικής μάθησης που θα μπορούσαν να διατηρήσουν近 quantum-επίπεδο ακρίβεια ενώ αυξάνοντας δραματικά την υπολογιστική απόδοση. Αυτό ξεκλείδωσε δύο σημαντικές μετατοπίσεις.

Πρώτον, επέτρεψε την επιταχυνόμενη δοκιμή και λάθος με υψηλή πιστότητα. Οι ερευνητές μπορούν τώρα να εκτελούν σημαντικά περισσότερες αξιολογήσεις υποψηφίων ανά μονάδα χρόνου χωρίς να θυσιάζουν την ακρίβεια, μεταμορφώνοντας θεμελιωδώς το ρυθμό και το εύρος της εξερεύνησης. Δεύτερον, δημιούργησε μια νέα βάση για την επιστήμη δεδομένων στην ανακάλυψη υλικών, επειδή αυτό το επίπεδο απόδοσης γεννά το όγκο υψηλής ποιότητας δεδομένων που απαιτούνται για να κάνουν τις προσεγγίσεις της μηχανικής μάθησης πραγματικά αποτελεσματικές.

Η Matlantis πρόσφατα ενσωμάτωσε με το NVIDIA’s (NVDA ) ALCHEMI Toolkit για να ενεργοποιήσει την προσομοίωση σε βιομηχανικό επίπεδο. Από την οπτική σας, ποια συγκεκριμένα φράγματα αφαιρεί αυτή η ενσωμάτωση, και πώς αλλάζει αυτό το τι μπορούν να επιτύχουν οι ομάδες R&D σήμερα;

Η ενσωμάτωση αφαιρεί μια θεμελιώδη ανισορροπία μεταξύ δυναμικών της τεχνητής νοημοσύνης και της υποδομής στην οποία βασίζονται. Ενώ μοντέλα όπως το PFP είναι εγγενώς επιταχυνόμενα από GPU, κρίσιμα μέρη του workflow προσομοίωσης, όπως η ορχήστρα, παραμένουν παραδοσιακά CPU-δένδενα ή χαλαρά συνδεδεμένα σε διαφορετικά εργαλεία. Αυτό δημιουργεί ανεπάρκειες στη μετακίνηση δεδομένων και περιορίζει την κλιμάκωση εισάγοντας τριβή όταν εκτελούνται μεγάλες ή κατανεμημένες εργασίες.

Το ALCHEMI αντιμετωπίζει αυτό επεκτείνοντας την επιτάχυνση GPU σε ολόκληρο το στάδιο προσομοίωσης, βασισμένο σε προηγούμενη ενσωμάτωση με NVIDIA Warp-βελτιωμένα πυρήνες και τώρα μετακινούμενο στο ALCHEMI Toolkit-Ops για εκτέλεση σε παραγωγή. Το αποτέλεσμα είναι ταχύτερη υπολογιστική απόδοση και ένα πιο συνεκτικό, αυτοτελές περιβάλλον προσομοίωσης που μπορεί να λειτουργήσει αξιόπιστα σε βιομηχανικό επίπεδο.

Τι κάνει αυτό ιδιαίτερα σημαντικό τώρα είναι ότι σηματοδοτεί μια μετάβαση από οπτική πλατφόρμας σε πραγματική ανάπτυξη. Με ικανότητες όπως το LightPFP που επιτρέπει προσομοιώσεις σε κλίμακα εκατοντάδων χιλιάδων ατόμων και ταχύτερη εύνοια, η προσομοίωση ατομικής με τεχνητή νοημοσύνη είναι χρηστική σε ροές εργασίας παραγωγής.

Για τις ομάδες R&D, αυτό αλλάζει完全 το ρόλο της προσομοίωσης. Αντί να εφαρμόζεται επιλεκτικά, μπορεί να ενσωματωθεί στην καθημερινή λήψη αποφάσεων, διαμορφώνοντας ποια υλικά προτεραιοποιούνται νωρίς στην ανάπτυξη.

Η ανακοίνωση υπογραμμίζει το LightPFP και την επικείμενη ενσωμάτωση PFP με ALCHEMI. Πώς αυτές οι εξελίξεις βελτιώνουν την κλιμάκωση και τη σταθερότητα σε σύγκριση με τις παραδοσιακές πipelines προσομοίωσης ατομικής;

Το LightPFP αντιμετωπίζει ένα κρίσιμο φράγμα στην προσομοίωση ατομικής: την επικοινωνιακή υπερβολική κατασκευή σε συστήματα κατανεμημένα. Αντικαθιστώντας αυτό το βήμα κατά την εύνοια με NVIDIA ALCHEMI Toolkit-Ops, μειώνει την επικοινωνία μεταξύ κόμβων. Αυτό κάνει τις μεγάλης κλίμακας προσομοιώσεις ταχύτερες και πιο σταθερές.

Συνδυασμένο με την αρχιτεκτονική του διακομιστή, αυτό επιτρέπει τις προσομοιώσεις να κλιμακώνονται πιο αποτελεσματικά ενώ απλοποιεί την υποδομή και μειώνει την λειτουργική πολυπλοκότητα.

Η πλήρης ενσωμάτωση PFP επεκτείνει αυτά τα οφέλη σε ένα καθολικό μοντέλο, το οποίο είναι σημαντικό επειδή οι παραδοσιακές πipelines συχνά αγωνίζονται να κλιμακωθούν σταθερά σε διαφορετικά συστήματα υλικών και περιβάλλοντα υπολογισμού. Μαζί, αυτές οι εξελίξεις βελτιώνουν και την κλιμάκωση και την αξιοπιστία, επιτρέποντας την προσομοίωση να μετατοπίζεται από απομονωμένες περιπτώσεις έρευνας σε συνεχείς, βιομηχανικές ανάπτυξης χωρίς τις τυπικές ανταλλαγές μεταξύ απόδοσης και σταθερότητας.

Η Matlantis είναι χτισμένη πάνω στη Preferred Potential (PFP), εκπαιδευμένη σε δεκάδες εκατομμύρια quantum-επίπεδο υπολογισμών. Πώς αυτή η προσεγγισή δεδομένων διαφέρει από την παραδοσιακή φυσική-βασισμένη προσομοίωση, και πού παρέχει τις μεγαλύτερες επιδόσεις;

Η παραδοσιακή προσομοίωση υπολογίζει τις αλληλεπιδράσεις απευθείας από τις αρχές κάθε φορά, που είναι ακριβής αλλά υπολογιστικά ακριβή. Η PFP αντίθετα μαθαίνει από ένα τεράστιο σύνολο quantum-υπολογισμών και εφαρμόζει αυτήν την γνώση κατά την εύνοια. Οι μεγαλύτερες επιδόσεις προέρχονται σε ροές εργασίας που απαιτούν επαναλαμβανόμενη αξιολόγηση σε πολλά υποψήφια, όπως η οθόνη υλικών ή η εξερεύνηση σύνθεσης υλικών. Αντί να περιορίζονται σε ένα χέρι συστημάτων, οι ερευνητές μπορούν να αξιολογήσουν χιλιάδες υποψήφιους διατηρώντας σημαντική ακρίβεια.

Μια από τις πιο πειστικές αξιώσεις είναι η επίτευξη近 DFT ακρίβειας σε ταχύτητες που έχουν επιταχυνθεί μαζικά. Σε πρακτικούς όρους, πώς αυτή η μετατόπιση αλλάζει τον τρόπο με τον οποίο οι εταιρείες προσεγγίζουν πειράματα, προτυποποίηση και χρόνο στην αγορά;

Παραδοσιακά, η DFT έχει sido το χρυσό πρότυπο για ακρίβεια, αλλά σήμερα, το υπολογιστικό της κόστος περιορίζει πόσο ευρέως μπορεί να εφαρμοστεί· οι ομάδες R&D έχουν βασιστεί πολύ στην πειραματική δοκιμή και λάθος και χρησιμοποιούν DFT επιλεκτικά για επικύρωση. Η近 DFT ακρίβεια σε ταχύτητες που έχουν επιταχυνθεί μαζικά αφαιρεί αυτόν τον περιορισμό.

Αντί να χρησιμοποιούν DFT για την ανάλυση quelques υποψηφίων μετά από πειράματα, οι εταιρείες μπορούν τώρα να προσεγγίσουν αμέσως αυτό το επίπεδο εύστοχης έμπνευσης σε χιλιάδες δυνατότητες. Αυτό τους επιτρέπει να στενεύουν το υπολογιστικό χώρο αναζήτησης πριν από την αφιέρωση φυσικών πόρων. Το αποτέλεσμα είναι λιγότερα αποτυχημένα πειράματα, πιο στοχευμένη προτυποποίηση και σημαντικά ταχύτεροι κύκλοι επανάληψης, في النهاية μειώνοντας τον χρόνο στην αγορά ενώ αυξάνει την εμπιστοσύνη σε τι προωθεί την παραγωγή.

Βλέπουμε μια μετάβαση προς προσομοίωση-πρώτη ανακάλυψη σε βιομηχανίες όπως ημιαγωγοί, μπαταρίες και χημικά. Τι μοιάζει μια πλήρως προσομοίωση-πρώτη ροή R&D μέσα σε μια σύγχρονη επιχείρηση;

Μια προσομοίωση-πρώτη ροή R&D αρχίζει με την άγκυρα R&D γύρω από επιθυμητά αποτελέσματα而不是 προκαθορισμένα υλικά. Οι ομάδες αναγνωρίζουν τους στόχους και τις προκλήσεις τους και στη συνέχεια οθονίζουν μεγάλους αριθμούς υποψηφίων υλικών σε κλίμακα μέσω βελτιστοποίησης, σταθερότητας και όλο και περισσότερο, εξερεύνησης ολόκληρων χημικών ή κρυσταλλικών χώρων.

Αυτή είναι μια διαδραστική διαδικασία. Τα αποτελέσματα προσομοίωσης συνεχώς ενημερώνουν το επόμενο σύνολο υποψηφίων, γρήγορα στενεύοντας το σχεδιαστικό χώρο. Μέχρι την στιγμή που τα υλικά μετακινούνται στη φάση επικύρωσης, έχουν ήδη φιλτραριστεί μέσω πολλών υπολογιστικών στρωμάτων, μειώνοντας σημαντικά την απώλεια προσπάθειας.

Η πραγματική μετατόπιση, ωστόσο, είναι οργανωτική. Η προσομοίωση μετατοπίζεται πέρα από μια νіш κατηγορία σε μια κεντρική στρώση λήψης αποφάσεων. Οδηγεί ποια πειράματα εκτελούνται, πώς οι πόροι κατανέμονται και πώς οι ομάδες προτεραιοποιούν τις προτεραιότητές τους. Με τον καιρό, αυτό δημιουργεί ένα κλειστό σύστημα όπου η προσομοίωση και το πείραμα ενισχύουν ο ένας τον άλλον, επιτρέποντας στις ομάδες να εξερευνήσουν περισσότερες δυνατότητες ενώ παραμένουν στενά εστιασμένες στις πιο βιώσιμες διαδρομές.

Ως η τεχνητή νοημοσύνη γίνεται κεντρική στην επιστήμη των υλικών, η υποδομή όπως η υπολογιστική, οι GPU και τα στοιχεία του λογισμικού γίνονται όλο και πιο κρίσιμα. Γιατί η υποδομή εμφανίζεται τώρα ως ο περιορισμός παρά η καινοτομία του μοντέλου μόνο;

Επειδή πολλές οργανώσεις έχουν ισχυρά μοντέλα, αλλά αγωνίζονται με αποσυνδεδεμένα workflows και περιορισμένη πρόσβαση σε υπολογιστική. Η αντιμετώπιση της τεχνητής νοημοσύνης ως εργαλείου στρωμένο σε legacy συστήματα οδηγεί σε απομονωμένη πειραματική, και ο περιορισμός έχει μετατοπιστεί στην υποδομή και πώς αποτελεσματικά οι οργανώσεις μπορούν να ενσωματώσουν υπολογιστική και προσομοίωση δεδομένων σε ένα ενιαίο, ενιαίο σύστημα.

Η Matlantis χρησιμοποιείται ήδη σε βιομηχανίες που κυμαίνονται από ενέργεια σε προηγμένη παραγωγή. Ποια περιπτώσεις χρήσης βλέπουν την ταχύτερη απόδοση επένδυσης σήμερα, και πού βλέπετε την επόμενη κυμαία των καινοτομιών να εμφανίζεται;

Η ταχύτερη απόδοση επένδυσης είναι σε περιοχές όπου οι πειραματικές κύκλοι είναι ακριβές και οι χώροι σχεδιασμού είναι μεγάλοι, όπως υλικά μπαταριών, καταλύτες και υλικά σχετικά με ημιαγωγοί. Σε αυτά τα πεδία, η απομάκρυνση μη βιώσιμων υποψηφίων νωρίς δημιουργεί άμεση αξία.

Για παράδειγμα, ο χημικός κατασκευαστής Kuraray είχε μια διαδικασία επικύρωσης που διάρκεσε δύο έως τρία χρόνια αλλά μειώθηκε σε μόλις ένα μήνα και μισό χρησιμοποιώντας Matlantis. Σε μια seule προσομοίωση εκστρατεία, 13 προτεινόμενα βελτιώσεις καταλυτών αξιολογήθηκαν και όλα απορρίφθηκαν ως μη βιώσιμα και έσωσαν χρόνια πειραματικής προσπάθειας σε νεκρές ιδέες.

Κοιτάζοντας μπροστά, η επόμενη κυμαία των καινοτομιών θα έρθει από την σύγκλιση της προσομοίωσης και του πειράματος, όχι από την βελτίωση τους σε απομόνωση. Σήμερα, υπάρχει ακόμη ένα σαφές όριο μεταξύ των δύο, και αντιμετωπίζονται συνήθως ως διαδοχικά βήματα 而不是 μια ενιαία στρατηγική.

Ωστόσο, αυτό το όριο αρχίζει να διαλύεται. Με προόδους στην υψηλής απόδοσης προσομοίωσης και μηχανικής μάθησης, βλέπουμε την εμφάνιση κλειστών συστημάτων ανακάλυψης όπου η προσομοίωση οδηγεί πειράματα σε πραγματικό χρόνο, και τα πειραματικά δεδομένα συνεχώς τροφοδοτούν πίσω στα μοντέλα. Όσο αυτά τα συστήματα ωριμάζουν, η ανακάλυψη θα γίνει συνεχής. Αυτή η σύγκλιση, όπου η προσομοίωση, η τεχνητή νοημοσύνη και το πείραμα λειτουργούν ως ένα ενιαίο σύστημα, είναι όπου η επόμενη γενιά των καινοτομιών θα οδηγηθεί.

Ο ρόλος σας εκτείνεται και σε βαθιά τεχνική έρευνα και σε παγκόσμια επιτυχία πελατών. Ποια νέα σετ δεξιοτήτων πιστεύετε ότι η επόμενη γενιά επιστημόνων και μηχανικών πρέπει να αναπτύξει για να παραμείνει ανταγωνιστική σε περιβάλλοντα R&D με τεχνητή νοημοσύνη;

Η πιο σημαντική δεξιότητα που η επόμενη γενιά πρέπει να ενισχύσει είναι η ικανότητα να λειτουργεί σε διαφορετικά πεδία. Οι επιστήμονες απαιτούν ισχυρή εξειδίκευση τομέα και την ικανότητα να εργάζονται με δεδομένα-οδηγούμενα μοντέλα, κλιμακωτές πλατφόρμες προσομοίωσης και επαναλαμβανόμενες ροές εργασίας. Ισότιμα σημαντική είναι η κατανόηση του πώς η προσομοίωση και η πειραματική έρευνα συνδέονται μέσα σε μια μεγαλύτερη διαδικασία ανακάλυψης.

Η επόμενη γενιά θα οριστεί όχι μόνο από αυτό που γνωρίζουν, αλλά από το πώς μπορούν να ενσωματώσουν και να εφαρμόσουν αυτήν την γνώση μέσα σε σύγχρονα περιβάλλοντα R&D.

Κοιτάζοντας μπροστά, καθώς η προσομοίωση με τεχνητή νοημοσύνη προσεγγίζει την πραγματική ανακάλυψη υλικών σε πραγματικό χρόνο, πόσο κοντά είμαστε σε ένα κόσμο όπου ολόκληρες κατηγορίες υλικών σχεδιάζονται, επικυρώνονται και βελτιστοποιούνται完全 σε silico πριν από οποιαδήποτε φυσική πειραματική διαδικασία, και τι σημαίνει αυτό για το μέλλον της καινοτομίας;

Προσεγγίζουμε αυτήν την ικανότητα σε συγκεκριμένα πεδία, αλλά όχι ακόμη καθολικά. Για πολλά συστήματα, η προσομοίωση μπορεί ήδη να αφαιρέσει μεγάλες περιοχές του χώρου σχεδιασμού και να αναγνωρίσει πολύ υποσχόμενους υποψήφιους πριν από οποιαδήποτε πειραματική διαδικασία.

Ωστόσο, η πλήρης σύλληψη της πραγματικής πολυπλοκότητας, όπως συνθήκες σύνθεσης και επιπτώσεις κλίμακας, παραμένει μια πρόκληση. Ως αποτέλεσμα, ο ρόλος του πειράματος εξελίσσεται. Αντί να υπηρετεί ως η κύρια μέθοδος εξερεύνησης, τα πειράματα γίνονται πιο στοχευμένα και σκοπός, εστιασμένα στην επικύρωση και την ανάπτυξη των πιο υποσχόμενων υπολογιστικών αποτελεσμάτων. Οι περισσότερες πρώιμες προσπάθειες ανακάλυψης μετατοπίζονται στην προσομοίωση, επιτρέποντας την φυσική δοκιμή να λειτουργήσει με πολύ μεγαλύτερη ακρίβεια και αποτελεσματικότητα.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Matlantis.