Entrevistas
Taku Watanabe, VP y director de operaciones de EE. UU., Matlantis – Serie de entrevistas
Taku Watanabe, VP y director de operaciones de EE. UU. de Matlantis, es un especialista en ciencia de materiales y IA con una carrera que abarca la investigación de baterías avanzadas, modelado computacional y liderazgo tecnológico global. Actualmente lidera la expansión de Matlantis en los Estados Unidos desde Cambridge, Massachusetts, y también se desempeña como investigador principal y director de éxito del cliente global, conectando la informática de materiales avanzados con casos de uso industriales del mundo real. Antes de unirse a Matlantis, ocupó puestos senior en el Instituto de Investigación y Desarrollo de Samsung en Japón, centrado en el desarrollo de baterías de estado sólido, y anteriormente realizó investigaciones postdoctorales en el Instituto de Tecnología de Georgia después de completar su trabajo de posgrado en software de simulación en la Universidad de Florida. Su carrera se centra consistentemente en combinar el aprendizaje automático, la simulación basada en la física y la ciencia de materiales para acelerar la innovación en la energía y los materiales avanzados.
Matlantis es una empresa de informática de materiales impulsada por IA que se centra en transformar la forma en que se descubren y desarrollan nuevos materiales a través de la simulación atomística de alta velocidad. Su plataforma en la nube permite a los investigadores modelar el comportamiento molecular y cristalino con alta precisión y velocidad, reduciendo los procesos que antes tardaban meses en segundos. Construida sobre potenciales interatómicos de aprendizaje automático y química computacional, la plataforma permite a los científicos explorar vastas combinaciones de materiales sin las restricciones experimentales tradicionales, apoyando industrias como semiconductores y almacenamiento de energía. Fundada en 2021 a través de una colaboración entre Preferred Networks y ENEOS, Matlantis se está posicionando como una capa central en el cambio hacia la descubierta de materiales de primera generación y flujos de trabajo de I+D digitales.
Ha pasado su carrera en la intersección de la ciencia de materiales, la simulación y el aprendizaje automático, desde la investigación de baterías en Samsung hasta la informática de materiales en ENEOS y ahora liderando las operaciones de EE. UU. en Matlantis. ¿Qué momentos clave lo convencieron de que la simulación impulsada por IA cambiaría fundamentalmente la descubierta de materiales?
El punto de inflexión para mí fue darme cuenta de que el verdadero cuello de botella en la descubierta de materiales era nuestra capacidad limitada para explorar suficientes candidatos. En mi trabajo sobre materiales de baterías y más tarde en la informática de materiales, podíamos generar conocimientos de alta calidad utilizando métodos como la teoría del funcional de la densidad (DFT), pero solo a través de un conjunto pequeño de posibilidades debido a las limitaciones de costo y tiempo.
Lo que cambió fue la aparición de potenciales de aprendizaje automático que podrían preservar una precisión casi cuántica mientras aumentaban dramáticamente el rendimiento computacional. Esto desbloqueó dos cambios importantes.
En primer lugar, permitió la aceleración del ensayo y error de alta fidelidad. Los investigadores ahora pueden realizar una cantidad significativamente mayor de evaluaciones de candidatos por unidad de tiempo sin sacrificar la precisión, cambiando fundamentalmente el ritmo y el alcance de la exploración. En segundo lugar, creó una nueva base para la ciencia de datos en la descubierta de materiales, porque ese nivel de rendimiento genera el volumen de datos de alta calidad necesarios para que los enfoques de aprendizaje automático sean verdaderamente efectivos.
Matlantis integró recientemente con la herramienta ALCHEMI de NVIDIA para habilitar la simulación a escala industrial. Desde su perspectiva, ¿qué cuellos de botella específicos elimina esta integración y cómo cambia lo que los equipos de I+D pueden lograr realistamente hoy en día?
La integración elimina una discrepancia fundamental entre los potenciales impulsados por IA y la infraestructura en la que dependen. Mientras que los modelos como PFP son inherentemente acelerados por GPU, partes clave del flujo de trabajo de simulación, como la orquestación, han permanecido tradicionalmente limitadas por CPU o sueltamente conectadas a través de diferentes herramientas. Esto crea ineficiencias en el movimiento de datos y limita la escalabilidad al introducir fricción al ejecutar cargas de trabajo grandes o distribuidas.
ALCHEMI aborda esto extendiendo la aceleración por GPU en toda la pila de simulación, basándose en la integración anterior con núcleos optimizados por Warp de NVIDIA y ahora moviéndose hacia las operaciones de la herramienta ALCHEMI para la ejecución a escala de producción. El resultado es un cálculo más rápido y un entorno de simulación más cohesivo y nativo de IA que puede operar de manera fiable a escala industrial.
Lo que hace que esto sea especialmente importante ahora es que marca una transición de la visión de la plataforma a la implementación real. Con capacidades como LightPFP que permiten simulaciones a escala de cientos de miles de átomos y una inferencia más rápida, la simulación atomística impulsada por IA es usable en flujos de trabajo de producción.
Para los equipos de I+D, eso cambia el papel de la simulación por completo. En lugar de aplicarse selectivamente, se puede integrar en la toma de decisiones diaria, dando forma a qué materiales se priorizan temprano en el desarrollo.
El anuncio destaca LightPFP y la integración de PFP con ALCHEMI. ¿Cómo mejoran estos desarrollos la escalabilidad y la estabilidad en comparación con las tuberías de simulación atomística tradicionales?
LightPFP aborda un cuello de botella clave en la simulación atomística: la sobrecarga de comunicación necesaria para la construcción de la lista de vecinos en sistemas distribuidos. Al reemplazar este paso durante la inferencia con las operaciones de la herramienta ALCHEMI de NVIDIA, reduce la comunicación entre nodos. Esto hace que las simulaciones a gran escala sean más rápidas y estables.
Combinado con su arquitectura basada en servidor, esto permite que las simulaciones escalen de manera más eficiente mientras se simplifica la infraestructura y se reduce la complejidad operativa.
La integración completa de PFP extiende estos beneficios a un modelo universal, lo cual es importante porque las tuberías tradicionales a menudo luchan por escalar de manera consistente en diferentes sistemas de materiales y entornos computacionales. Juntos, estos desarrollos mejoran tanto la escalabilidad como la confiabilidad, permitiendo que la simulación pase de casos de uso de investigación aislados a una implementación continua a escala industrial sin los típicos compromisos entre rendimiento y estabilidad.
Matlantis se basa en el potencial preferido (PFP), entrenado en decenas de millones de cálculos a nivel cuántico. ¿Cómo difiere este enfoque basado en datos de la simulación convencional basada en la física, y dónde se producen las mayores ganancias de rendimiento?
La simulación convencional calcula las interacciones directamente a partir de los primeros principios cada vez, lo cual es preciso pero computacionalmente costoso. PFP, en cambio, aprende de un conjunto vasto de cálculos cuánticos y aplica ese conocimiento durante la inferencia. Las mayores ganancias de rendimiento se producen en flujos de trabajo que requieren evaluaciones repetidas de muchos candidatos, como la selección de materiales o la exploración de la composición de materiales. En lugar de estar limitado a un puñado de sistemas, los investigadores pueden evaluar miles de candidatos mientras mantienen una precisión significativa.
Una de las afirmaciones más convincentes es lograr una precisión cercana a la DFT a velocidades masivamente aceleradas. En términos prácticos, ¿cómo cambia esto la forma en que las empresas abordan la experimentación, la creación de prototipos y el tiempo de comercialización?
Tradicionalmente, la DFT ha sido el estándar de oro para la precisión, pero hoy en día, su costo computacional limita cómo ampliamente se puede aplicar; los equipos de I+D han confiado mucho en la experimentación y el ensayo y error, y utilizan la DFT selectivamente para la validación. La precisión cercana a la DFT a velocidades masivamente aceleradas elimina esta limitación.
En lugar de utilizar la DFT para analizar unos pocos candidatos después de los experimentos, las empresas ahora pueden aproximar inmediatamente ese nivel de conocimiento a través de miles de posibilidades. Esto les permite reducir el espacio de búsqueda computacional antes de comprometer recursos físicos. El resultado es menos experimentos fallidos, una creación de prototipos más dirigida y ciclos de iteración significativamente más rápidos, lo que en última instancia reduce el tiempo de comercialización mientras aumenta la confianza en lo que impulsa la producción hacia adelante.
Estamos presenciando una transición hacia la descubierta de simulación en primer lugar en industrias como semiconductores, baterías y productos químicos. ¿Cómo se ve un flujo de trabajo de I+D de simulación en primer lugar dentro de una empresa moderna?
Un flujo de trabajo de simulación en primer lugar comienza anclando la I+D en torno a resultados deseados en lugar de materiales predefinidos. Los equipos identifican sus objetivos y desafíos, y luego seleccionan grandes números de materiales candidatos a escala mediante la optimización, la estabilidad y, cada vez más, la exploración de espacios químicos o cristalinos completos.
Este es un proceso interactivo. Los resultados de la simulación informan continuamente los siguientes conjuntos de candidatos, reduciendo rápidamente el espacio de diseño. Para cuando los materiales pasan a la fase de validación, ya han sido filtrados a través de múltiples capas computacionales, reduciendo significativamente el esfuerzo desperdiciado.
El verdadero cambio, sin embargo, es organizacional. La simulación se mueve más allá de una capacidad de nicho para convertirse en una capa de toma de decisiones central. Guía qué experimentos se realizan, cómo se asignan los recursos y cómo los equipos priorizan sus prioridades. Con el tiempo, esto crea un sistema de circuito cerrado donde la simulación y la experimentación se refuerzan mutuamente, permitiendo a los equipos explorar más posibilidades mientras se mantienen enfocados en los caminos más viables.
A medida que la simulación impulsada por IA se acerca a la descubierta de materiales en tiempo real, ¿cuán cerca estamos de un mundo donde clases enteras de materiales se diseñen, validen y optimicen completamente in silico antes de que tenga lugar cualquier experimento físico, y qué significa esto para el futuro de la innovación?
Estamos acercándonos a esa capacidad en dominios específicos, pero no universalmente. Para muchos sistemas, la simulación ya puede eliminar grandes porciones del espacio de diseño e identificar candidatos muy prometedores antes de que se realice cualquier experimento.
Sin embargo, capturar completamente la complejidad del mundo real, como las condiciones de síntesis y los efectos de escala, sigue siendo un desafío. Como resultado, el papel de la experimentación está evolucionando. En lugar de servir como el método principal de exploración, los experimentos se vuelven más dirigidos y con propósito, centrados en validar y refinar los resultados computacionales más prometedores. La mayoría de los esfuerzos de descubierta en las primeras etapas se desplazan a la simulación, lo que permite que las pruebas físicas operen con mucha mayor precisión y eficiencia. Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Matlantis.
