Haastattelut
Mathias Ingvarsson, Holyvoltin perustaja ja toimitusjohtaja – haastattelusarja

Keskeiset kohdatHolyvoltin etu on 18 vuoden oma akkudata, jota kilpailijat eivät voi yksinkertaisesti…
Näytä lisää
- Holyvoltin etu on 18 vuoden oma akkudata, jota kilpailijat eivät voi yksinkertaisesti ladata.
- Epäonnistuneista formulaatioista tulee harjoitusdataa vain, kun toistettavat laboratorioprosessit erottavat todelliset kemialliset epäonnistumiset testauspoikkeamista.
- Tekoäly lyhensi yhden kokeellisen suunnittelutehtävän kuudesta viikosta kahdeksaan minuuttiin, mutta tutkijat suunnittelevat ja arvioivat kokeet edelleen.
Mathias Ingvarsson on Holyvoltin perustaja ja toimitusjohtaja. Hän perusti yrityksen vuonna 2022 etsiäkseen uusia lähestymistapoja akkuteknologiaan. Hänen uransa kattaa Tempur-Pedicin kansainvälisen laajentumisen ja yrittäjähankkeita useilla eri toimialoilla. Holyvoltilla hän keskittyy yhdistämään tieteellisen asiantuntemuksen, kokeellisen datan ja valmistusvalmiudet akkumateriaalien kehityksen vauhdittamiseksi, muun muassa hankkimalla Wildcat Discovery Technologiesin.
Holyvolt kehittää energian tuotanto- ja varastointiteknologioita yhdistämällä materiaalien nopean seulonnan ja tarkkuusseulapainatuksen valmistusmenetelmiin. Wildcat Discovery Technologiesin kautta sen akkututkimusalusta yhdistää laboratoriokokeet, aiempien testien datan ja tekoälyavusteisen materiaalikehityksen. Tässä haastattelussa Ingvarsson kertoo, miten tutkijat hyödyntävät koneoppimista fyysisten kokeiden rinnalla, miksi epäonnistuneet koostumukset voivat tuottaa arvokasta dataa ja mitä vaaditaan, jotta nopeammista ennusteista päästään validoituihin materiaaleihin ja skaalautuvaan tuotantoon.
Urasi kattaa Tempur-Pedicin kansainvälisen laajentumisen ja useita yrittäjähankkeita. Mikä sai sinut perustamaan Holyvoltin vuonna 2022, ja millainen akkuteollisuuden mahdollisuus vakuutti sinut siitä, että tällaiselle teknisesti vaativalle alalle kannattaa perustaa yritys?
Olen rakentanut yrityksiä kaikilla aloilla patjoista alusvaatteisiin, joten akut voivat tuntua epätavalliselta seuraavalta askeleelta. Minua ovat kuitenkin aina vetäneet puoleensa alat, joilla näen mahdollisuuden, jota muut eivät huomaa.
Tiesin hyvin vähän akkukemiasta, kun perustin Holyvoltin, ja uskon, että siitä oli oikeastaan apua. Joskus se, ettei tiedä kaikkia syitä sille, miksi jotakin ei voi tehdä, on supervoima. Jensen Huang sanoi kerran, että jos hän olisi tiennyt, miten vaikeaa Nvidian rakentaminen olisi, hän ei luultavasti olisi ryhtynyt siihen. Ymmärrän hyvin, mitä hän tarkoitti.
Näin, että länsimainen akkuteollisuus yritti päihittää Kiinan pelissä, jonka Kiina oli jo voittanut. Alalla investoitiin miljardeja teknologian jäljittelemiseen, vaikka Kiina oli käyttänyt vuosikymmeniä sen hiomiseen. En ymmärtänyt, miksi emme käyttäneet samaa energiaa paremman kehittämiseen. Akut tulevat käyttämään lähes kaikkea ympärillämme, ja näin valtavan mahdollisuuden miettiä uudelleen, miten niitä kehitetään. Siksi perustin Holyvoltin.
Kun arvioit Wildcatin ostamista, mikä vakuutti sinut siitä, että sen kokeista kertynyt historia voisi muodostaa tekoälypohjaisen löytöalustan perustan? Mitä sinun piti selvittää datasta sen pelkän määrän lisäksi?
Datan valtava määrä kiinnitti heti huomioni: yli 500 000 akkukennoa, joita oli testattu 18 vuoden aikana, ja 165 miljoonaa sykliä. Mitä enemmän perehdyimme asiaan, sitä vakuuttuneempia olimme kokeiden huolellisuudesta ja Wildcatin jo saavuttamista läpimurroista. Tällaisen vuosikymmenten ajan johdonmukaisesti kerätyn datan jäljentäminen on uskomattoman vaikeaa.
En ole akkututkija, joten otin mukaan ihmisiä, jotka tiesivät alasta paljon enemmän kuin minä. Akkujen, tekoälyn ja materiaalitieteen asiantuntijat tulivat tutustumaan laboratorioon ja olivat suoraan sanottuna ällistyneitä.
Sitten kun katsoo, millaiset yritykset kääntyvät Wildcatin puoleen, mukana ovat BMW ja muut maailmanlaajuisesti tunnetut yritykset koko arvoketjun alueelta. Näillä yrityksillä on valtavat T&K-budjetit ja maailman parhaita tutkijoita, ja silti ne pyysivät apua Wildcatilta. Se vakuutti minut lopullisesti. Vakuutuin siitä, että Wildcat oli rakentanut maailman halutuimman akkujen löytöalustan. Uskon, että tekoälyn avulla olemme vasta raapaisseet pintaa siitä, mihin kaikkeen se pystyy.
Epäonnistuneet kokeet ovat keskeinen osa dataetuanne. Voitko kertoa esimerkin siitä, mitä malli voi oppia epäonnistuneesta akkukoostumuksesta ja miten tiiminne erottaa merkityksellisen kemiallisen epäonnistumisen ongelmasta kokeen suorittamisessa?
Epäonnistuminen kuuluu kemiaan. Tieteellinen kehitys on edennyt näin satojen vuosien ajan. Kokeilet jotakin, se ei toimi, opit siitä ja yrität uudelleen. Tekoälyn on opittava samalla tavalla.
Olemme tehneet suuren läpimenon akkukokeita 18 vuoden ajan, joten datamme kattaa kaiken epäonnistuneista koostumuksista materiaaleihin, joita olemme onnistuneet optimoimaan. Se on mallin kouluttamisessa erittäin arvokasta.
Otetaan esimerkiksi litiummetalliakut. Toisin kuin perinteisissä grafiittiakuissa, niiden kapasiteetti voi laskea äkillisesti, ja tätä on hyvin vaikea ennustaa. Olemme kehittäneet koneoppimismalleja, jotka hyödyntävät todellista akkujen syklityksestä kerättyä dataa eri elektrolyyttikoostumuksista, elektrodimalleista ja testausprotokollista ennustaakseen, milloin kapasiteetti saattaa laskea.
Alustavat mallimme ennustavat nämä pudotukset kohtuullisen varmasti. Suunnittelemme nyt kohdennetumpia kokeita ja testaamme akkuja erilaisissa olosuhteissa ennusteiden tarkentamiseksi.
Tietenkin näistä tiedoista on hyötyä vain, jos voimme luottaa tuloksiin. Olemme hioneet laboratorioprosessejamme vuosien ajan, jotta kokeet olisivat erittäin toistettavia ja virheitä syntyisi mahdollisimman vähän. Teemme samasta kokeesta myös useita toistoja, jotta voimme selvittää, johtuuko heikko tulos materiaalin todellisesta ongelmasta vai poikkeamasta testausprosessissa. Näin emme opeta malleillemme vääriä asioita yksittäisen, epäedustavan tuloksen perusteella.
Voisitko käydä läpi löytösyklin siitä, kun malli ehdottaa materiaalia, aina sen laboratoriotestaukseen ja tulosten hyödyntämiseen asti? Mitä päätöksiä tekoäly tekee, ja missä tutkijan harkinta on edelleen välttämätöntä?
Kaikki alkaa tutkijoistamme. He suunnittelevat kokeen sen mukaan, mitä haluavat selvittää, ja suurtehoalustamme toteuttaa testit. Sen jälkeen koneoppimisen asiantuntijamme hyödyntävät näitä alustavia tietoja mallin rakentamiseen ja selvittävät, pystyykö se ennustamaan tulevien kokeiden tuloksia.
Seuraavaksi testaamme ennusteet laboratoriossa. Jos tulokset vastaavat ennusteita, luotamme malliin enemmän ja voimme käyttää sitä uusien koostumusten arviointiin. Jos ne eivät vastaa, tutkijamme selvittävät syyn. Joskus malli tarvitsee lisää tietoa, mikä tarkoittaa kokonaan uusien kokeiden suunnittelua tai testaamista erilaisissa olosuhteissa. Syötämme tulokset takaisin malliin, hiomme sitä ja toistamme prosessin.
Tekoälyn itsenäisestä kyvystä löytää uusia materiaaleja ollaan innostuneita, mutta suhtaudumme varovaisesti siihen, mitä väitämme. Tässä vaiheessa tutkijamme suunnittelevat yhä kokeet ja tekevät keskeiset päätökset. Tekoäly auttaa meitä tekemään ennusteita, ja laboratorio kertoo, pitävätkö ne todella paikkansa. Yhdistämällä tutkijoidemme asiantuntemuksen tekoälyyn olemme jo pystyneet lyhentämään huomattavasti tiettyihin kokeiden suunnittelutehtäviin kuluvaa aikaa viikoista vain minuutteihin.
Historiallinen aineisto kuvastaa materiaaleja, joita tutkijat ovat aiemmin päättäneet tutkia. Miten estätte malleja pysyttelemästä näillä tutuilla alueilla, ja miten päätätte, milloin tuntematon kemia vaikuttaa niin lupaavalta, että se kannattaa testata käytännössä?
Tuo on juuri oikea kysymys, ja siksi uskon laboratoriomme olevan jopa arvokkaampi kuin aineistomme.
Malli oppii sille annetuista tiedoista, joten se luonnollisesti ennustaa luotettavammin asioita, joita se on jo aiemmin kohdannut. Todellinen mahdollisuus on käyttää tekoälyä täysin uusien kemian alueiden tutkimiseen, joilta historiallista aineistoa ei välttämättä ole.
Tässä suurtehoalustamme antaa meille valtavan edun. Voimme tuottaa nopeasti uutta, luotettavaa kokeellista tietoa sadoista koostumuksista ja antaa malleillemme oppimispohjan myös kemian tuntemattomilta alueilta.
Koska voimme testata ennusteita laboratoriossa, syöttää tulokset takaisin malleihimme ja toistaa prosessin, pystymme jatkuvasti parantamaan niiden tarkkuutta. Jokainen koe auttaa tekemään seuraavasta ennusteesta paremman.
Uskon tämän olevan suurin kilpailuetumme. Meillä on historiallista aineistoa 18 vuoden ajalta, mutta emme ole sen rajoittamia. Pystymme tuottamaan uutta tietoa, jota tarvitsemme sellaisten kemian alueiden tutkimiseen, joita ei ole aiemmin tutkittu perusteellisesti.
Miten mittaatte nimenomaan tekoälyn ansiosta saavutettua parannusta sen lisäksi, mitä automatisoidut, suurtehoiset kokeet jo mahdollistavat? Millaiset vertailut osoittavat, että mallit löytävät parempia ehdokkaita tai vähentävät hyödyllisen tuloksen saavuttamiseen tarvittavien kokeiden määrää?
Tämä on itse asiassa vaikea kysymys, koska tieteellinen tutkimus on tiimityötä.
Ajatellaan tutkijaryhmää, joka pohtii ongelmaa yhdessä. Yksi henkilö saattaa lopulta keksiä ratkaisun, mutta idea voi olla syntynyt kaikkien huoneessa olijoiden tuntikausien keskustelun tuloksena. Kuka saa kunnian?
Mielestäni tekoälyä pitäisi tarkastella samalla tavalla. Se on yksi tutkimusryhmän jäsenistä. Se voi auttaa tutkijoita löytämään olennaista tietoa nopeammin, tunnistamaan kokeellisesta aineistosta malleja ja ymmärtämään ongelmaa syvällisemmin.
Suurtehoalustamme antaa meille jo huomattavan edun kokeiden suorittamisnopeudessa. Selvitämme parhaillaan, kuinka paljon pidemmälle tekoäly voi meitä viedä. En halua esittää lukua, jota emme pysty asianmukaisesti perustelemaan. Olennaista on, autammeko tutkijoitamme löytämään parempia vastauksia nopeammin ja vähäisemmillä kokeilla.
Akkujen kehittämisessä on sovitettava yhteen keskenään kilpailevia tavoitteita, kuten energiatiheys, syklikesto, turvallisuus, kustannukset ja valmistettavuus. Miten muutatte nämä kompromissit tekoälyn tavoitteiksi, ja voiko käyttötarkoituksen muuttaminen ohjata sitä kohti täysin erilaisia materiaaleja?
Se riippuu todella siitä, mihin akkua aiotaan käyttää. Droonin akulta vaaditaan aivan eri asioita kuin sähköauton akulta. Yhdessä käyttötarkoituksessa voidaan painottaa energiatiheyttä, toisessa taas syklikestoa tai kustannuksia.
Voimme määritellä nämä tavoitteet varsin selkeästi. Energiatiheyttä, syklikestoa, turvallisuutta ja kustannuksia voidaan mitata, joten voimme antaa mallille käyttötarkoitukseen perustuvia, täsmällisiä suorituskykytavoitteita.
Vaikeinta on päätellä näistä tavoitteista taaksepäin, millainen materiaali pystyy todella saavuttamaan ne.
Sovelluskohteen muuttaminen voi ehdottomasti muuttaa sitä, mitä materiaaleja tutkimme. Tutkijoidemme on silti selvitettävä, mitkä kemialliset koostumukset ovat lupaavia, suunniteltava kokeet ja testattava, pystyvätkö kyseiset materiaalit täyttämään suorituskykytavoitteet.
Holyvolt vie nikkeli- ja kobolttivapaita, epäjärjestyneen kivisuolarakenteen katodimateriaaleja kohti kaupallistamista. Millainen rooli tekoälyllä on ollut tässä kehitystyössä, ja mitkä jäljellä olevat haasteet edellyttävät valmistus- tai suunnitteluratkaisuja materiaalien löytämisen lisäksi?
DRX on erinomainen esimerkki siitä, miksi lähestymistapamme on tärkeä. Mahdollisia materiaaliyhdistelmiä on valtavasti, ja niiden testaaminen yksi kerrallaan veisi vuosia.
Holyvoltilla suurtehotestausalustamme avulla voimme testata nopeasti satoja erilaisia koostumuksia ja selvittää, miten kemiallisen koostumuksen muutokset vaikuttavat energiatiheyteen, jännitteeseen, akun käyttöikään ja suorituskykyyn. Olemme pystyneet tunnistamaan lupaavia materiaaleja paljon nopeammin kuin perinteiset tutkimusmenetelmät mahdollistaisivat.
Yhdistämme nyt kokeista saadut tiedot koneoppimiseen, jotta voimme tunnistaa säännönmukaisuuksia ja auttaa tutkijoitamme päättämään, mitä koostumuksia kannattaa tutkia seuraavaksi. Mitä enemmän testaamme, sitä enemmän opimme ja sitä paremmin pystymme ohjaamaan tulevia kokeita.
Olemme jo edistyneet kohti kaupallisen mittakaavan tuotantoa, ja yksi suurimmista vahvuuksistamme on se, että käytämme vakiintuneita valmistusprosesseja. Meidän ei tarvitse kehittää täysin uusia laitteita tai keksiä uudelleen, miten näitä materiaaleja valmistetaan. Keskitymme kasvattamaan tuotantoa yhteistyökumppaneidemme kanssa ja samalla säilyttämään tasaisen suorituskyvyn ja kilpailukykyiset kustannukset.
Olet esittänyt, että yksinoikeudella hallussa oleva tieteellinen data voi olla vahvempi kilpailuetu kuin itse mallit. Mikä saa tämän edun kasvamaan ajan myötä, ja miten hyödynnätte asiakasprojektien kautta karttuvaa osaamista vaarantamatta asiakkaiden luottamuksellista tutkimusta ja immateriaalioikeuksia?
Jotkin tämän päivän tehokkaimmista tekoälymalleista ovat avoimen lähdekoodin malleja, ja ne kehittyvät jatkuvasti. Akun kehitystyöstä kertyneen 18 vuoden tutkimustiedon lataaminen ei kuitenkaan onnistu noin vain. Siksi datamme on niin arvokasta.
Holyvoltilla olemme testanneet yli 500 000 akkukennoa yli 165 miljoonan syklin aikana. Tiedämme, mitä materiaaleja käytettiin, miten niitä käsiteltiin, miten ne toimivat ja missä ne vioittuivat. Koska olemme käyttäneet johdonmukaisia testausmenetelmiä kaikkien näiden vuosien ajan, voimme myös verrata tuloksia keskenään. Muiden on erittäin vaikea jäljitellä tätä.
Jokainen koe opettaa meille jotakin. Tämä tieto auttaa meitä parantamaan mallejamme, tekemään parempia ennusteita ja päättämään, mitä testata seuraavaksi. Mitä enemmän kokeita teemme, sitä arvokkaammaksi tämä tietopohja kasvaa.
Teemme yhteistyötä myös joidenkin maailman johtavien yritysten kanssa, ja ne uskovat meille arkaluonteista tutkimustaan. Suhtaudumme tähän vastuuseen vakavasti ja olemme ottaneet käyttöön vahvat suojatoimet luottamuksellisten tietojen ja immateriaalioikeuksien turvaamiseksi.
Kun laajennatte alustaa, mikä on tällä hetkellä suurin nopeamman materiaalikehityksen este: mallien suorituskyky, kokeiden suorituskapasiteetti, akun käyttöiän varmentamiseen kuluva aika vai jokin muu? Millainen mitattavissa oleva virstanpylväs seuraavien kahden vuoden aikana osoittaisi, että tekoäly muuttaa akkujen kehittämisen taloudellisia edellytyksiä?
Mielestäni suurin pullonkaula tällä hetkellä on aika, jonka tutkijat käyttävät kokeiden suunnitteluun ja tulosten analysointiin.
Ajatellaan perinteistä prosessia. Tutkija esittää kysymyksen, suunnittelee kokeen, tekee testit, analysoi tiedot ja päättää sitten, mitä kokeillaan seuraavaksi. Olemme jo automatisoineet suuren osan käytännön testauksesta suurtehotestausalustamme avulla, mutta näiden vaiheiden välinen ajattelutyö vie yhä valtavasti aikaa.
Sovelsimme hiljattain kokeiden suunnitteluprosessin yhteen osaan suhteellisen yksinkertaista tekoälymallia. Tehtävä, johon tavallisesti kuluisi kuusi viikkoa, valmistui kahdeksassa minuutissa. Tulos on poikkeuksellinen ja osoittaa, mitä on mahdollista saavuttaa.
Kokeiden suunnittelun nopeuttaminen on kuitenkin vasta alkua. Kun tekoäly auttaa meitä tunnistamaan nopeammin, mitä kannattaa testata, meidän on myös pystyttävä tekemään kokeet nopeammin. Siksi suunnittelemme laboratorioidemme kapasiteetin laajentamista ja lisäinvestointeja automaatioon.
Seuraavien kahden vuoden aikana haluan nähdä, että nopeutamme koko materiaalien löytämisen prosessia merkittävästi ensimmäisestä ideasta varmennettuun materiaaliin. Jos pystymme yhdistämään nopeamman päätöksenteon kykyyn tehdä enemmän kokeita, voimme tutkia uusia kemiallisia koostumuksia tahdissa, joka ei aiemmin yksinkertaisesti ollut mahdollinen. Näin tekoäly voi muuttaa akkujen kehittämisen taloudellisia edellytyksiä perusteellisesti.
Kiitos hienosta haastattelusta. Lukijoiden, jotka haluavat oppia lisää akkumateriaaleista, suurtehokokeista ja tekoälyavusteisesta energiateknologian kehityksestä, kannattaa tutustua Holyvoltiin.












