Taku Watanabe, VP ja Matlantisin US-toimintojen johtaja – Haastattelusarja

Taku Watanabe, Matlantisin VP ja US-toimintojen johtaja, on materiaalitieteiden ja tekoälynhallinnan asiantuntija, jolla on ura, joka kattaa edistyneen akkuratkimuksen, laskennallisen mallinnuksen ja globaalin teknologiajohtamisen. Hän johtaa tällä hetkellä Matlantisin laajentumista Yhdysvalloissa Cambridgesta, Massachusettsista, ja toimii myös pääasiallisena tutkijana ja globaalin asiakastarinan johtajana, yhdistäen edistyneitä materiaalitiedon sovelluksia todellisiin teollisiin sovelluksiin. Ennen liittymistään Matlantisiiin hän toimi johtavissa rooleissa Samsung R&D Institute Japanissa, jossa hän keskittyi kiinteän olomuodon akun kehitykseen, ja aiemmin hän suoritti jatko-opintoja Georgia Institute of Technologyn yliopistossa valmistumisensa jälkeen simulaatio-ohjelmistojen parissa Floridan yliopistossa. Hänen uransa on jatkuvasti keskittynyt yhdistämään koneoppimista, fysiikkaan perustuvaa simulaatiota ja materiaalitiedettä energian ja edistyneiden materiaalien innovaatioiden kiihdyttämiseksi.

Matlantis on tekoälyyn perustuva materiaalitiedon yhtiö, joka on keskittynyt muuttamaan uusien materiaalien keksimisen ja kehittämisen tapaa korkean nopeuden atomistisen simulaation kautta. Sen pilvipohjainen alusta mahdollistaa tutkijoiden mallintaa molekyylejä ja kiteitä sekä korkealla tarkkuudella että nopeudella, vähentäen prosesseja, jotka aiemmin kestivät kuukausia, sekunneiksi. Rakennettu koneoppimiseen perustuvien atomististen potentiaalien ja laskennallisen kemian varaan, alusta sallii tutkijoille tutkia laajoja materiaaliyhdistelmiä perinteisten kokeellisten rajoitusten ulottumattomissa, tukeakseen aloja kuten puolijohteita ja energiatallennusta. Perustettu vuonna 2021 Preferred Networksin ja ENEOSin yhteistyönä, Matlantis asettaa itsensä keskeiseksi kerrokseksi siirtymässä tekoälylähtöiseen materiaalikeksintöön ja digitaalisiin tutkimus- ja kehitystyöhön.

Olet viettänyt urasi materiaalitieteiden, simulaation ja tekoälyn leikkauspisteessä, akkututkimuksesta Samsungilla materiaalitiedon Matlantisilla johtavana US-toimintojen johtajana. Mitkä avainhetket vakuuttivat sinut siitä, että tekoälyohjattu simulaatio muuttaisi perustavasti materiaalien keksimisen?

Merkitsevä käännekohta minulle oli tajua, että todellinen pullonkaula materiaalien keksimisessä oli rajoitettu kyky tutkia riittävästi ehdokkaita. Työssäni akkumateriaaleista ja myöhemmin materiaalitiedossa voimme generoida korkealaatuisia oivalluksia menetelmillä kuten tiheysfunktionaali-teoria (DFT), mutta vain pienellä joukolla mahdollisuuksia kustannus- ja aikarajoitusten vuoksi.

Mikä muuttui, oli tekoälypotentiaalien kehittyminen, jotka voivat säilyttää lähes kvanttitason tarkkuuden samalla kun laskennallinen läpäisevyys lisääntyy dramaattisesti. Tämä avasi kaksi tärkeää muutosta.

Ensinnäkin se mahdollisti kiihdytetyn koetusboksin korkealla uskottavuudella. Tutkijat voivat nyt suorittaa merkittävästi enemmän ehdokasarviointeja yksikköaikana ilman tarkkuuden uhraamista, muuttaen perustavasti tutkimuksen tahdin ja laajuuden. Toiseksi se loi uuden perustan data-tieteelle materiaalien keksimisessä, koska tämänkaltaisen läpäisevyyden tasolla generoidaan riittävästi korkealaatuisia tietoja, jotta tekoälylähestymistavat voivat toimia tehokkaasti.

Matlantis integroi äskettäin NVIDIAN ALCHEMI Toolkitin tehostamaan teollisuusmittakaavan simulaatiota. Miten tämä integraatio poistaa pullonkaulan, ja miten se muuttaa sitä, mitä tutkimusryhmät voivat realistisesti saavuttaa tänään?

Integraatio poistaa perusrakenteellisen epäsopivan tekoälypotentiaalien ja niiden riippuvuuden infrastruktuurin välillä. Vaikka mallit kuten PFP ovat luonteeltaan GPU-kiihdytettyjä, avainosat simulaatiotyönkulusta, kuten orkestraatio, ovat perinteisesti pysyneet CPU-riippuvaisina tai heikosti kytkettyinä eri työkaluihin. Tämä luo tehokkuuden heikkouksia tiedon siirtämisessä ja rajoittaa skaalautuvuutta esittämällä kitkaa suurten tai jakautuneiden työkuormien suorittamisessa.

ALCHEMI ratkaisee tämän laajentamalla GPU-kiihdytystä koko simulaatiopinon yli, jatkamalla aiemmasta integraatiosta NVIDIAN Warp-optimoitujen ytimien kanssa ja siirtymällä nyt ALCHEMI Toolkit-Ops:een tuotantokaistan suorittamiseen. Tuloksena on nopeampi laskenta ja yhtenäisempi, tekoälylähtöinen simulaatiotilanne, joka voi toimia luotettavasti teollisuusmittakaavassa.

Mikä tekee tämän erityisen tärkeäksi nyt, on se, että se merkitsee siirtymistä alustan visiosta todelliseen käyttöönottoon. Ominaisuuksilla kuten LightPFP:llä, joka mahdollistaa simulaatiot sadantuhannen atomien mittakaavassa ja nopeamman deduktion, tekoälyohjattu atomistinen simulaatio on käytettävissä tuotantotyönkulussa.

Tiedotteessa korostetaan LightPFP:tä ja tulevaa PFP-integraatiota ALCHEMI:hin. Miten nämä kehitykset parantavat skaalautuvuutta ja vakautta verrattuna perinteisiin atomistisiin simulaatioputkiin?

LightPFP ratkaisee avainpullonkaulan atomistisessa simulaatiossa: viestintäkuormituksen, joka vaaditaan naapuriluettelon rakentamiseen jakautuneissa järjestelmissä. Korvaamalla tämän vaiheen deduktiossa NVIDIAN ALCHEMI Toolkit-Ops:illa, se vähentää solmien välistä viestintää. Tämä tekee suurten mittakaavojen simulaatiot sekä nopeammaksi että vakaammaksi.

Yhdistettynä sen palvelinpohjaiseen arkkitehtuuriin, se sallii simulaatioiden skaalautuvuuden tehokkaammin ja yksinkertaistaa infrastruktuuria sekä vähentää toiminnallista monimutkaisuutta.

Täysi PFP-integraatio laajentaa nämä hyödyt yleiseen malliin, mikä on tärkeää, koska perinteiset putkit usein kamppailevat skaalautuvuuden kanssa eri materiaalijärjestelmissä ja laskennallisissa ympäristöissä. Yhdessä nämä kehitykset parantavat sekä skaalautuvuutta että luotettavuutta, mahdollistaen simulaation siirtymisen eristyneistä tutkimustapauksista jatkuvaan, teollisuusmittakaavan käyttöön ilman tyypillisiä uhrauksia suorituskyvyn ja vakauden välillä.

Matlantis on rakennettu Preferred Potential (PFP):lle, joka on koulutettu kymmenissä miljoonissa kvanttitason laskelmissa. Miten tämä dataohjattu lähestymistapa eroaa perinteisestä fysiikkaan perustuvasta simulaatiosta, ja missä se tarjoaa suurimmat suorituskyvyn parannukset?

Perinteinen simulaatio laskee vuorovaikutukset suoraan ensimmäisistä periaatteista jokaisella kertaa, mikä on tarkin, mutta laskennallisesti kallista. PFP sen sijaan oppii laajasta joukosta kvanttilaskelmia ja soveltaa tätä tietoa deduktiossa. Suurimmat suorituskyvyn parannukset tulevat työnkuluissa, jotka vaativat toistuvaa arviointia useiden ehdokkaiden yli, kuten materiaalien seulontaa tai materiaalikoostumuksen tutkimista. Tutkijat voivat nyt arvioida tuhansia ehdokkaita ylläpitäen merkityksellistä tarkkuutta.

Yksi vaikuttavimmista väitteistä on saavuttaminen lähes DFT-tarkkuutta massiivisesti kiihdytettyjen nopeuksilla. Käytännössä, miten tämä siirtää yritysten lähestymistapaa kokeisiin, prototyyppien kehittämiseen ja markkinoille saattamiseen?

Perinteisesti DFT on ollut tarkkuuden kultakin standardi, mutta nykyään sen laskennallinen kustannus rajoittaa, kuinka laajasti sitä voidaan soveltaa; tutkimusryhmät ovat riippuvaisia koetusboksin kokeista ja käyttävät DFT:ää valikoivasti vahvistamiseen. Lähes DFT-tarkkuus massiivisesti kiihdytettyjen nopeuksilla poistaa tämän rajoituksen.

Sen sijaan, että DFT:tä käytetään analysoimaan joitakin ehdokkaita kokeiden jälkeen, yritykset voivat nyt heti arvioida lähes saman tarkkuuden tasolla tuhansia mahdollisuuksia. Tämä mahdollistaa heille supistaa laskennallisen hakutilan ennen fyysisten resurssien sitouttamista. Tuloksena on vähemmän epäonnistuneita kokeita, kohdennetumpi prototyyppien kehittäminen ja merkittävästi nopeammat iterointijaksot, lopulta vähentäen markkinoille saattamisen aikaa ja lisäten luottamusta siihen, mitä tuotantoon siirretään.

Näemme siirtymisen simulaatio-ensin-keksintöön aloilla kuten puolijohteet, akut ja kemikaalit. Miltä täydellinen simulaatio-ensin-tutkimus- ja kehitystyönkulku näyttää modernissa yrityksessä?

Simulaatio-ensin-työnkulku alkaa ankkuroimalla tutkimusta ja kehittämistä toivottuihin tuloksiin sen sijaan, että määriteltäisiin etukäteen materiaalit. Tiimit tunnistavat haasteensa ja tavoitteensa, ja sitten seulovat suuren määrän materiaali-ehdokkaita skaalalla optimoinnin, stabiilisuuden ja yhä useammin koko kemiallisen tai kiteisen avaruuden tutkimisen kautta.

Tämä on interaktiivinen prosessi. Simulaation tulokset jatkuvasti ohjaavat seuraavaa ehdokasjoukkoa, nopeasti supistaen suunnittelutilaa. Kun materiaalit siirtyvät vahvistusvaiheeseen, ne on jo suodatettu useiden laskennallisten kerrosten läpi, merkittävästi vähentäen haaskaa.

Todellinen muutos on kuitenkin organisaatiollinen. Simulaatio siirtyy niukasta ominaisuudesta tulevaisuuden keskeiseksi päätöksentekijäkerrokseksi. Se ohjaa, mitkä kokeet suoritetaan, miten resursseja jaetaan ja miten tiimit priorisoivat tavoitteitaan. Ajan myötä tämä luo suljetun järjestelmän, jossa simulaatio ja kokeellisuus vahvistavat toisiaan, mahdollistaen tiimien tutkia enemmän mahdollisuuksia pysyen tiukasti fokusoituneina kaikkein toteuttavimmissa poluissa.

Kun tekoäly tulee keskeiseksi materiaalitieteessä, infrastruktuuri kuten laskenta, GPU:t ja ohjelmistopinot tulevat yhä tärkeämmiksi. Miksi infrastruktuuri nousee nyt rajoittavaksi tekijäksi yksinomaan mallinnovoinnin sijaan?

Koska monilla organisaatioilla on vahvat mallit, mutta ne kamppailevat fragmentoituneiden työnkulkujen ja rajoitetun laskennan käytön kanssa. Tekoälyn käsittely työkaluna perinteisillä järjestelmissä johtaa eristyneisiin kokeisiin, ja rajoittava tekijä on siirtynyt infrastruktuuriin ja siihen, miten tehokkaasti organisaatiot voivat integroida laskennan ja simulaation yhtenäiseen järjestelmään.

Matlantis on jo käytössä useilla aloilla energia-alasta edistyneeseen valmistukseen. Mitkä käyttötapaukset näkevät nopeimman tuoton investoinneista tänään, ja missä näet seuraavan aallon läpimurtoja?

Nopein tuotto on aloilla, joilla kokeelliset syklit ovat kalliita ja suunnittelutila on laaja, kuten akumateriaaleissa, katalyytteinä ja puolijohdemateriaaleissa. Näissä aloissa epätoivoisten ehdokkaiden poistaminen aikaisessa vaiheessa luo välittömän arvon.

Esimerkiksi kemianvalmistaja Kuraray oli aikaisemmin kehittänyt vahvistusprosessin, joka kesti kaksi tai kolme vuotta, mutta Matlantisin avulla se saatiin supistettua vain kuukausiin. Yhdessä simulaatiokampanjassa 13 ehdotettua katalyyttiparannusta arvioitiin, ja kaikki hylättiin epätoivoisina, ja vuosia kokeellista työtä turhilla ideoilla voitiin säästää.

Edetessäsi eteenpäin, seuraava aalto läpimurtoja tulee simulaation ja kokeellisuuden yhdistymisestä, ei niiden parantamisesta erillään. Tällä hetkellä on vielä selvä raja näiden välillä, ja ne käsitellään usein peräkkäisinä vaiheina sen sijaan, että ne olisivat yhtenäinen strategia.

Viime aikoina tämä raja on kuitenkin alkanut hävitä. Tekoälyn ja koneoppimisen edetessä näemme suljetun keksintöjärjestelmien syntyä, joissa simulaatio ohjaa kokeita reaaliajassa, ja kokeelliset tiedot jatkuvasti syötetään takaisin malleihin. Kun nämä järjestelmät kypsyvät, keksintö tulee jatkuvaksi. Tämä yhdistyminen, jossa simulaatio, tekoäly ja kokeellisuus toimivat yhtenä järjestelmänä, on se, missä seuraavan sukupolven läpimurrot ohjataan.

Roolisi kattaa sekä syvän teknisen tutkimuksen että globaalin asiakastarinan onnistumisen. Mitkä uudet taitojoukot uskot, että seuraavan sukupolven tutkijoita ja insinöörejä on kehittävä pysyäkseen kilpailukykyisinä tekoälyohjatuissa tutkimus- ja kehitysympäristöissä?

Tärkein taito, jonka seuraava sukupolvi on vahvistettava, on kyky toimia monialaisesti. Tutkijoilla on vahva alakohtainen asiantuntemus ja kyky työskennellä dataohjattujen mallien, skaalautuvien simulaatioalustojen ja iteratiivisten työnkulkujen kanssa. Yhtä tärkeää on ymmärtää, miten simulaatio ja dataohjattu kokeellisuus liittyvät laajempaan keksintöprosessiin.

Seuraava sukupolvi määritellään ei pelkästään siitä, mitä he tietävät, vaan siitä, miten he voivat soveltaa tietoa tehokkaasti modernissa tutkimus- ja kehitysympäristöissä.

Edetessäsi eteenpäin, kun tekoälyohjattu simulaatio lähestyy reaaliaikaisen materiaalien keksintää, kuinka lähellä olemme maailmaa, jossa koko materiaaliluokat suunnitellaan, vahvistetaan ja optimoidaan täysin virtuaalisesti ennen kuin mitään fyysistä kokeita tehdään, ja mitä se merkitsee innovaation tulevaisuudelle?

Olemme lähestymässä tätä kykyä tietyissä aloissa, mutta ei vielä yleisesti. Monissa järjestelmissä simulaatio voi jo poistaa suuren osan suunnittelutilasta ja tunnistaa lupaavimmat ehdokkaat ennen kokeiden suorittamista.

Kuitenkin todellisen maailman monimutkaisuuden, kuten synteesiolosuhteiden ja mittakaavan vaikutusten, täydellinen kaappaus on edelleen haasteellista. Sen seurauksena kokeellisuuden rooli on kehittymässä. Sen sijaan, että se toimisi ensisijaisena tutkimusmenetelmänä, kokeet tulevat tarkoituksenmukaisemmiksi ja tarkemmiksi, keskittyen vahvistamaan ja jalostamaan lupaavimmat laskennalliset tulokset. Suurin osa varhaisen keksinnön työstä siirtyy simulaatioon, sallien fyysisten testien toimimisen paljon tarkemmin ja tehokkaammin.

Kiitos hienosta haastattelusta, lukijoille, jotka haluavat oppia enemmän, suosittelemme vierailemaan Matlantis-sivustolla.