Entrevistas

Mathias Ingvarsson, fundador y director ejecutivo de Holyvolt – Serie de entrevistas

Antoine Tardif
Añade Unite.AI a tus fuentes preferidas en Google
Mathias Ingvarsson, Founder and CEO of Holyvolt
Puntos claveLa ventaja de Holyvolt son 18 años de datos propietarios sobre baterías que los rivales…
Ver más
  • La ventaja de Holyvolt son 18 años de datos propietarios sobre baterías que los rivales no pueden simplemente descargar.
  • Las formulaciones fallidas se convierten en datos de entrenamiento solo cuando procesos de laboratorio reproducibles separan los verdaderos fallos químicos de las anomalías de las pruebas.
  • La IA redujo una tarea de diseño experimental de seis semanas a ocho minutos, pero los científicos siguen diseñando y evaluando experimentos.

Mathias Ingvarsson es fundador y director ejecutivo de Holyvolt, empresa que fundó en 2022 para explorar nuevos enfoques de la tecnología de baterías. Su trayectoria abarca la expansión internacional de Tempur-Pedic y proyectos empresariales en varios sectores. En Holyvolt, se centra en conectar la experiencia científica, los datos experimentales y las capacidades de fabricación para acelerar el desarrollo de materiales para baterías, también mediante la adquisición de Wildcat Discovery Technologies.

Holyvolt desarrolla tecnologías de producción y almacenamiento de energía, combinando el descubrimiento de materiales de alto rendimiento con métodos de fabricación basados en la serigrafía de precisión. A través de Wildcat Discovery Technologies, su plataforma de investigación de baterías conecta la experimentación en laboratorio, los datos históricos de pruebas y el desarrollo de materiales asistido por IA. En esta entrevista, Ingvarsson habla de cómo los científicos utilizan el aprendizaje automático junto con los experimentos físicos, de por qué las formulaciones fallidas pueden aportar datos valiosos y de lo que hace falta para pasar de predicciones más rápidas a materiales validados y una producción escalable.

Su trayectoria abarca la expansión internacional de Tempur-Pedic y varios proyectos empresariales. ¿Qué lo llevó a fundar Holyvolt en 2022 y qué oportunidad en la tecnología de baterías lo convenció de crear una empresa en un sector tan exigente desde el punto de vista técnico?

He creado empresas en sectores que van desde los colchones hasta la ropa interior, así que las baterías podrían parecer un paso siguiente poco habitual. Pero siempre me han atraído los sectores en los que veo una oportunidad que otros no perciben.

Sabía muy poco sobre química de baterías cuando fundé Holyvolt y, de hecho, creo que eso me ayudó. A veces, no conocer todas las razones por las que algo no se puede hacer es un superpoder. Jensen Huang dijo una vez que, si hubiera sabido lo difícil que sería crear Nvidia, probablemente no lo habría intentado. Entiendo muy bien lo que quiso decir.

Lo que vi fue una industria occidental de baterías que intentaba derrotar a China en una partida que China ya había ganado. El sector estaba invirtiendo miles de millones en tratar de reproducir una tecnología que China había perfeccionado durante décadas. No entendía por qué no dedicábamos esa misma energía a desarrollar algo mejor. Las baterías van a alimentar casi todo lo que nos rodea, y vi una enorme oportunidad para replantearnos cómo las desarrollamos. Eso fue lo que me llevó a fundar Holyvolt.

Cuando evaluó la adquisición de Wildcat, ¿qué lo convenció de que su historial de experimentación podía convertirse en la base de una plataforma de descubrimiento mediante IA? ¿Qué necesitaba comprobar sobre los datos, más allá de su enorme volumen?

La enorme cantidad de datos me llamó la atención de inmediato: más de 500.000 celdas de batería sometidas a pruebas durante 18 años y 165 millones de ciclos. Y cuanto más analizábamos los datos, más nos impresionaban el rigor de los experimentos y los avances que Wildcat ya había logrado. Es increíblemente difícil reproducir datos de ese tipo, recopilados de forma sistemática durante décadas.

No soy científico especializado en baterías, así que incorporé a personas que sabían mucho más que yo. Expertos en baterías, IA y ciencia de materiales visitaron el laboratorio y, francamente, quedaron impresionados.

Luego están las empresas que acuden a Wildcat, entre ellas BMW y otras compañías de renombre mundial de toda la cadena de valor. Tienen enormes presupuestos de I+D y cuentan con algunos de los mejores científicos del mundo, y aun así recurrían a Wildcat para que las ayudara. Para mí, esa fue la confirmación definitiva. Llegué a la conclusión de que Wildcat había creado la plataforma de descubrimiento de baterías más solicitada del mundo. Y, con la IA, creo que apenas estamos empezando a descubrir todo lo que puede hacer.

Los experimentos fallidos son una parte fundamental de la ventaja que les proporcionan sus datos. ¿Podría compartir un ejemplo de lo que un modelo puede aprender de una formulación de batería que no ha funcionado y explicar cómo distingue su equipo un fallo químico significativo de un problema en la forma de realizar el experimento?

El fracaso forma parte de la química. Así es como hemos avanzado en la ciencia durante cientos de años. Se prueba algo, no funciona, se aprende de ello y se vuelve a intentar. La IA tiene que aprender de la misma manera.

Llevamos 18 años realizando experimentos de alto rendimiento con baterías, así que nuestros datos abarcan desde formulaciones fallidas hasta materiales que hemos optimizado con éxito. Eso es increíblemente valioso para entrenar un modelo.

Pensemos en las baterías de litio metálico. A diferencia de las baterías tradicionales de grafito, pueden sufrir una caída repentina de capacidad que resulta muy difícil de predecir. Hemos desarrollado modelos de aprendizaje automático con datos reales de ciclos de baterías, correspondientes a distintas formulaciones de electrolitos, diseños de electrodos y protocolos de prueba, para predecir cuándo podría producirse esa caída.

Nuestros modelos iniciales pueden predecir estas caídas con un nivel razonable de confianza, y estamos diseñando experimentos más específicos y probando las baterías en distintas condiciones para perfeccionar esas predicciones.

Por supuesto, esos datos solo son valiosos si podemos confiar en los resultados. Llevamos años perfeccionando nuestros procesos de laboratorio para que los experimentos sean muy reproducibles y reducir al mínimo los errores. También realizamos varias veces el mismo experimento, de modo que podemos determinar si un mal resultado refleja un problema real con el material o una anomalía en el proceso de ensayo. Así evitamos que nuestros modelos aprendan lecciones equivocadas a partir de un resultado aislado que no sea representativo.

¿Podría explicarnos paso a paso un ciclo de descubrimiento, desde que un modelo propone un material hasta que el laboratorio lo pone a prueba e incorpora los resultados? ¿Qué decisiones toma la IA y en qué aspectos sigue siendo esencial el criterio de un científico?

Todo empieza con nuestros científicos. Diseñan un experimento en función de lo que quieren averiguar, y nuestra plataforma de experimentación de alto rendimiento realiza las pruebas. Después, nuestros ingenieros de aprendizaje automático utilizan esos datos iniciales para crear un modelo y comprobar si puede predecir los resultados de futuros experimentos.

Luego ponemos a prueba esas predicciones en el laboratorio. Si los resultados coinciden, confiamos más en el modelo y podemos usarlo para evaluar nuevas formulaciones. Si no coinciden, nuestros científicos investigan por qué. A veces el modelo necesita más datos, lo que implica diseñar experimentos completamente nuevos o realizar pruebas en condiciones diferentes. Incorporamos esos resultados al modelo, lo perfeccionamos y repetimos el proceso.

Hay mucho entusiasmo en torno a la posibilidad de que la IA descubra nuevos materiales de forma autónoma, pero somos cuidadosos con lo que afirmamos. En esta etapa, nuestros científicos siguen diseñando los experimentos y tomando las decisiones clave. La IA nos ayuda a hacer predicciones, mientras que nuestro laboratorio determina si esas predicciones se sostienen en la práctica. Al combinar la experiencia de nuestros científicos con la IA, ya hemos logrado reducir drásticamente el tiempo necesario para ciertas tareas de diseño experimental: de semanas a apenas unos minutos.

Un conjunto de datos históricos refleja los materiales que los investigadores eligieron estudiar anteriormente. ¿Cómo evitan que sus modelos se limiten a esos ámbitos conocidos y determinan cuándo una química poco familiar resulta lo bastante prometedora como para justificar pruebas físicas?

Esa es precisamente la pregunta adecuada, y por eso creo que nuestro laboratorio es incluso más valioso que nuestro conjunto de datos.

Un modelo aprende de los datos que se le proporcionan, así que, naturalmente, sus predicciones serán más fiables cuando se refieran a cosas que ya ha visto. La verdadera oportunidad consiste en utilizar la IA para explorar ámbitos completamente nuevos de la química, donde quizá no existan datos históricos.

Ahí es donde nuestra plataforma de experimentación de alto rendimiento nos da una enorme ventaja. Podemos generar rápidamente datos experimentales nuevos y fiables a partir de cientos de formulaciones, lo que proporciona a nuestros modelos una base de aprendizaje incluso en ámbitos desconocidos de la química.

Y como podemos poner a prueba las predicciones en el laboratorio, incorporar los resultados a nuestros modelos y repetir el proceso, podemos mejorar continuamente su precisión. Cada experimento permite que la siguiente predicción esté mejor fundamentada.

Creo que esa es nuestra mayor ventaja competitiva. Contamos con 18 años de datos históricos, pero no estamos limitados por ellos. Podemos generar los nuevos datos que necesitamos para explorar químicas que aún no se han investigado a fondo.

¿Cómo miden la mejora atribuible específicamente a la IA, más allá de lo que ya ofrece la experimentación automatizada de alto rendimiento? ¿Qué comparaciones demuestran que los modelos encuentran mejores candidatos o reducen el número de experimentos necesarios para obtener un resultado útil?

En realidad, es una pregunta difícil, porque el descubrimiento científico es fruto del trabajo en equipo.

Pensemos en un grupo de científicos que intercambia ideas para resolver un problema. Puede que al final una persona encuentre la solución, pero quizá esa idea surgió tras horas de conversación con todos los demás presentes. ¿A quién se le atribuye el mérito?

Creo que deberíamos considerar la IA de manera similar. Es otro integrante del equipo de investigación. Puede ayudar a los científicos a encontrar más rápido información pertinente, reconocer patrones en los datos experimentales y comprender mejor un problema.

Nuestra plataforma de experimentación de alto rendimiento ya nos da una enorme ventaja en la rapidez con la que podemos realizar experimentos. Ahora estamos tratando de entender cuánto más puede ayudarnos la IA. No quiero dar una cifra que no podamos respaldar debidamente. Lo importante es saber si estamos ayudando a nuestros científicos a encontrar mejores respuestas en menos tiempo y con menos experimentos.

El desarrollo de baterías implica objetivos contrapuestos, como la densidad energética, la vida útil en ciclos, la seguridad, el coste y la facilidad de fabricación. ¿Cómo traducen esas compensaciones en objetivos para la IA? ¿Puede cambiar la aplicación prevista y llevarla a buscar materiales fundamentalmente distintos?

Depende mucho del uso que se le vaya a dar a la batería. Una batería para un dron tiene requisitos muy diferentes de los de una destinada a un vehículo eléctrico. En una aplicación quizá se priorice la densidad energética y, en otra, la vida útil en ciclos o el coste.

Podemos definir esos objetivos con bastante claridad. La densidad energética, la vida útil en ciclos, la seguridad y el coste se pueden medir, así que podemos darle al modelo objetivos de rendimiento específicos según la aplicación.

La parte difícil es partir de esos objetivos para encontrar un material que realmente pueda cumplirlos.

Cambiar la aplicación puede cambiar sin duda los materiales que investigamos. Pero nuestros científicos siguen teniendo que determinar qué composiciones químicas son prometedoras, diseñar los experimentos y comprobar si esos materiales pueden alcanzar los objetivos de rendimiento.

Holyvolt está impulsando hacia la comercialización materiales catódicos de tipo sal gema desordenada (DRX) sin níquel ni cobalto. ¿Qué papel ha desempeñado la IA en este desarrollo y qué obstáculos pendientes requieren soluciones de fabricación o ingeniería que vayan más allá del descubrimiento de materiales?

La DRX es un gran ejemplo de por qué nuestro enfoque es importante. Hay una cantidad enorme de combinaciones posibles de materiales, y probarlas una por una llevaría años.

En Holyvolt, nuestra plataforma de experimentación de alto rendimiento nos permite probar rápidamente cientos de formulaciones diferentes y comprender cómo los cambios en la composición química afectan la densidad energética, el voltaje, la vida útil de la batería y el rendimiento. Hemos podido identificar materiales prometedores mucho más rápido de lo que permitirían los métodos de investigación tradicionales.

Ahora estamos combinando esos datos experimentales con el aprendizaje automático para identificar patrones y ayudar a nuestros científicos a decidir qué formulaciones explorar a continuación. Cuanto más probamos, más aprendemos y mejor podemos orientar los experimentos futuros.

Ya estamos avanzando hacia la producción a escala comercial, y una de nuestras mayores ventajas es que utilizamos procesos de fabricación bien establecidos. No necesitamos desarrollar equipos completamente nuevos ni reinventar la forma de producir estos materiales. Nuestro objetivo es ampliar la producción junto con nuestros socios, manteniendo un rendimiento constante y costos competitivos.

Ha sostenido que los datos científicos propios pueden ofrecer una ventaja competitiva mayor que los propios modelos. ¿Qué hace que esa ventaja se acumule con el tiempo y cómo equilibra el aprendizaje entre proyectos de clientes con la protección de la investigación confidencial y la propiedad intelectual de cada cliente?

Algunos de los modelos de IA más potentes disponibles hoy son de código abierto, y no dejan de mejorar. Pero no se pueden descargar sin más 18 años de investigación sobre baterías. Eso es lo que hace que nuestros datos sean tan valiosos.

En Holyvolt, hemos probado más de 500.000 celdas de batería a lo largo de más de 165 millones de ciclos. Sabemos qué materiales se utilizaron, cómo se procesaron, cómo funcionaron y en qué casos fallaron. Y como hemos seguido métodos de prueba uniformes durante todos estos años, podemos comparar esos resultados. A los demás les resulta increíblemente difícil reproducirlos.

Cada experimento nos enseña algo. Ese conocimiento nos ayuda a mejorar nuestros modelos, hacer mejores predicciones y decidir qué probar a continuación. Y cuantos más experimentos realizamos, más valiosa se vuelve esa base.

También trabajamos con algunas de las empresas líderes del mundo, que confían en nosotros para gestionar investigaciones delicadas. Nos tomamos muy en serio esa responsabilidad y contamos con sólidas medidas de protección para salvaguardar la información confidencial y la propiedad intelectual.

A medida que amplían la plataforma, ¿cuál es hoy el principal obstáculo para acelerar el descubrimiento: la capacidad de los modelos, la capacidad experimental, el tiempo necesario para validar la vida útil de las baterías u otra cosa? ¿Qué hito cuantificable en los próximos dos años demostraría que la IA está cambiando la economía del desarrollo de baterías?

Creo que hoy el principal cuello de botella es el tiempo que los científicos dedican a diseñar experimentos y analizar los resultados.

Pensemos en el proceso tradicional. Un científico plantea una pregunta, diseña un experimento, realiza las pruebas, analiza los datos y luego decide qué probar a continuación. Ya hemos automatizado gran parte de las pruebas físicas mediante nuestra plataforma de experimentación de alto rendimiento, pero el trabajo intelectual entre esos pasos sigue requiriendo muchísimo tiempo.

Hace poco aplicamos un modelo de IA relativamente sencillo a una parte del proceso de diseño experimental. Algo que normalmente llevaría seis semanas tardó ocho minutos. Es un resultado extraordinario que muestra lo que se puede lograr.

Pero acelerar el diseño experimental es solo el comienzo. A medida que la IA nos ayuda a identificar más rápido qué probar, también necesitamos aumentar la velocidad a la que podemos realizar esos experimentos. Por eso tenemos previsto ampliar la capacidad de nuestro laboratorio e invertir en más automatización.

En los próximos dos años, quiero que aceleremos drásticamente todo el proceso de descubrimiento, desde la primera idea hasta la validación de un material. Si combinamos una toma de decisiones más rápida con la capacidad de realizar más experimentos, podremos explorar nuevas composiciones químicas a un ritmo que antes sencillamente no era posible. Así es como la IA puede cambiar de manera fundamental la economía del desarrollo de baterías.

Gracias por esta excelente entrevista. Los lectores que quieran saber más sobre materiales para baterías, experimentación de alto rendimiento y desarrollo de tecnologías energéticas habilitado por la IA pueden visitar Holyvolt.

Antoine es un líder visionario y socio fundador de Unite.AI, impulsado por una pasión inquebrantable por dar forma e impulsar el futuro de la IA y la robótica. Como emprendedor que ha fundado varias empresas, cree que la IA transformará la sociedad tanto como la electricidad y suele hablar con entusiasmo del potencial de las tecnologías disruptivas y de la inteligencia artificial general (AGI).

Como futurista, se dedica a explorar cómo estas innovaciones darán forma a nuestro mundo. Además, es el fundador de Securities.io, una plataforma centrada en invertir en tecnologías de vanguardia que están redefiniendo el futuro y transformando sectores enteros.