Entretiens
Mathias Ingvarsson, fondateur et PDG de Holyvolt – Série d’entretiens

Points clésL'avantage de Holyvolt réside dans 18 ans de données propriétaires sur les batteries…
Voir plus
- L'avantage de Holyvolt réside dans 18 ans de données propriétaires sur les batteries que les concurrents ne peuvent pas simplement télécharger.
- Les formulations échouées ne deviennent des données d'entraînement que lorsque des processus de laboratoire reproductibles séparent les véritables échecs chimiques des anomalies de test.
- L'IA a réduit une tâche de conception expérimentale de six semaines à huit minutes, mais les scientifiques conçoivent et jugent encore les expériences.
Mathias Ingvarsson est le fondateur et PDG de Holyvolt, qu’il a créée en 2022 pour explorer de nouvelles approches dans le domaine des technologies des batteries. Son parcours comprend le développement international de Tempur-Pedic et la création d’entreprises dans plusieurs secteurs. Chez Holyvolt, il s’attache à rapprocher expertise scientifique, données expérimentales et capacités de production afin d’accélérer le développement de matériaux pour batteries, notamment grâce à l’acquisition de Wildcat Discovery Technologies.
Holyvolt développe des technologies de production et de stockage de l’énergie, en associant la découverte de matériaux à haut débit à des méthodes de fabrication par sérigraphie de précision. Grâce à Wildcat Discovery Technologies, sa plateforme de recherche sur les batteries relie les expériences en laboratoire, les données historiques d’essais et le développement de matériaux assisté par l’IA. Dans cet entretien, Ingvarsson explique comment les scientifiques utilisent l’apprentissage automatique en complément des expériences physiques, pourquoi les formulations qui échouent peuvent fournir des données précieuses et ce qu’il faut pour passer de prédictions plus rapides à des matériaux validés et à une production à grande échelle.
Votre parcours comprend le développement international de Tempur-Pedic et plusieurs projets entrepreneuriaux. Qu’est-ce qui vous a conduit à fonder Holyvolt en 2022, et quelle perspective dans le domaine des technologies des batteries vous a convaincu de créer une entreprise dans un secteur aussi exigeant sur le plan technique ?
J’ai créé des entreprises dans des domaines aussi variés que les matelas et les sous-vêtements : les batteries peuvent donc sembler être une étape suivante inhabituelle. Mais j’ai toujours été attiré par les secteurs où je vois une possibilité que les autres ne perçoivent pas.
Je connaissais très peu la chimie des batteries quand j’ai lancé Holyvolt, et je pense que cela m’a en fait aidé. Parfois, ne pas connaître toutes les raisons pour lesquelles quelque chose est impossible est un superpouvoir. Jensen Huang a dit un jour que, s’il avait su à quel point la création de Nvidia serait difficile, il ne se serait probablement pas lancé. Je comprends ce qu’il veut dire.
J’ai vu une industrie occidentale des batteries qui cherchait à battre la Chine à un jeu que celle-ci avait déjà gagné. Le secteur investissait des milliards pour tenter de reproduire une technologie que la Chine avait mis des décennies à perfectionner. Je ne comprenais pas pourquoi nous ne consacrions pas la même énergie à concevoir quelque chose de meilleur. Les batteries vont alimenter presque tout ce qui nous entoure, et j’ai vu une formidable occasion de repenser la manière dont nous les développons. C’est ce qui m’a conduit à créer Holyvolt.
Lorsque vous avez envisagé l’acquisition de Wildcat, qu’est-ce qui vous a convaincu que son historique expérimental pouvait servir de fondement à une plateforme de découverte par l’IA ? Qu’avez-vous dû établir au sujet des données, au-delà de leur seul volume ?
Le volume considérable de données a tout de suite attiré mon attention : plus de 500 000 cellules de batterie testées sur 18 ans et 165 millions de cycles. Et plus nous avons étudié ces données, plus nous avons été impressionnés par la rigueur des expériences et les avancées déjà réalisées par Wildcat. Il est extrêmement difficile de reproduire des données de cette nature, recueillies de manière cohérente pendant des décennies.
Je ne suis pas spécialiste des batteries, alors j’ai fait appel à des personnes bien plus compétentes que moi. Des experts des batteries, de l’IA et de la science des matériaux sont venus visiter le laboratoire et, franchement, ils ont été sidérés.
Il suffit ensuite de regarder les entreprises qui font appel à Wildcat, notamment BMW et d’autres sociétés de renommée mondiale présentes dans l’ensemble de la chaîne de valeur. Elles disposent de budgets de R&D considérables et de certains des meilleurs scientifiques au monde, et elles se tournaient vers Wildcat pour obtenir de l’aide. Pour moi, c’était la validation ultime. J’ai acquis la conviction que Wildcat avait créé la plateforme de découverte de batteries la plus recherchée au monde. Et avec l’IA, je pense que nous ne faisons qu’effleurer le potentiel de ce qu’elle peut accomplir.
Les expériences infructueuses sont au cœur de l’avantage que vous procurent vos données. Pouvez-vous donner un exemple de ce qu’un modèle peut apprendre d’une formulation de batterie qui n’a pas fonctionné, et expliquer comment votre équipe distingue un échec chimique significatif d’un problème lié à la conduite de l’expérience ?
L’échec fait partie de la chimie. C’est ainsi que la science a progressé pendant des centaines d’années. On essaie quelque chose, cela ne fonctionne pas, on en tire des enseignements et on recommence. L’IA doit apprendre de la même manière.
Depuis 18 ans, nous menons des expériences sur les batteries à haut débit ; nos données couvrent donc aussi bien les formulations qui ont échoué que les matériaux que nous avons réussi à optimiser. C’est extrêmement précieux pour entraîner un modèle.
Prenons les batteries au lithium métal. Contrairement aux batteries classiques au graphite, elles peuvent subir une chute soudaine de capacité, très difficile à prévoir. Nous avons élaboré des modèles d’apprentissage automatique à partir de données réelles de cyclage de batteries, couvrant différentes formulations d’électrolytes, conceptions d’électrodes et protocoles d’essai, afin de prédire quand cette chute pourrait se produire.
Nos premiers modèles prédisent ces chutes avec un degré de confiance raisonnable. Nous concevons des expériences plus ciblées et testons des batteries dans différentes conditions afin d’affiner ces prédictions.
Bien sûr, ces données n’ont de valeur que si nous pouvons nous fier aux résultats. Nous avons passé des années à perfectionner nos méthodes de laboratoire afin de rendre les expériences hautement reproductibles et de réduire au minimum les erreurs. Nous réalisons également plusieurs fois la même expérience, ce qui nous permet de déterminer si un mauvais résultat révèle un véritable problème lié au matériau ou une anomalie dans le processus de test. Ainsi, nous évitons d’enseigner à nos modèles des conclusions erronées à partir d’un résultat qui ne serait pas représentatif.
Pourriez-vous nous décrire un cycle de découverte, depuis la proposition d’un matériau par un modèle jusqu’à son test en laboratoire et à l’intégration des résultats ? Quelles décisions l’IA prend-elle, et dans quels cas le jugement d’un scientifique reste-t-il essentiel ?
Tout commence avec nos scientifiques. Ils conçoivent une expérience en fonction de ce qu’ils cherchent à apprendre, puis notre plateforme à haut débit réalise les tests. Nos ingénieurs en apprentissage automatique utilisent ensuite ces premières données pour construire un modèle et déterminer s’il peut prédire les résultats d’expériences ultérieures.
Nous testons ensuite ces prédictions en laboratoire. Si les résultats concordent, nous avons davantage confiance dans le modèle et pouvons l’utiliser pour évaluer de nouvelles formulations. Dans le cas contraire, nos scientifiques cherchent à en comprendre la raison. Parfois, le modèle a besoin de davantage de données, ce qui suppose de concevoir des expériences entièrement nouvelles ou de réaliser des tests dans d’autres conditions. Nous réinjectons ces résultats dans le modèle, l’affinons et recommençons le processus.
L’idée que l’IA puisse découvrir de nouveaux matériaux de manière autonome suscite beaucoup d’enthousiasme, mais nous veillons à ne pas exagérer nos affirmations. À ce stade, nos scientifiques conçoivent toujours les expériences et prennent les décisions essentielles. L’IA nous aide à faire des prédictions, tandis que notre laboratoire vérifie si elles se confirment réellement. En associant l’expertise de nos scientifiques à l’IA, nous avons déjà pu réduire considérablement le temps nécessaire à certaines tâches de conception expérimentale, en le faisant passer de plusieurs semaines à quelques minutes seulement.
Un ensemble de données historiques reflète les matériaux que les chercheurs ont choisi d’étudier par le passé. Comment empêchez-vous vos modèles de se limiter aux domaines qu’ils connaissent déjà, et déterminez-vous à quel moment une chimie peu familière est suffisamment prometteuse pour justifier des tests physiques ?
C’est exactement la bonne question, et c’est pourquoi je pense que notre laboratoire est encore plus précieux que notre ensemble de données.
Un modèle apprend à partir des données que vous lui fournissez ; il est donc naturellement plus fiable lorsqu’il prédit des résultats dans des domaines qu’il a déjà rencontrés. La véritable possibilité consiste à utiliser l’IA pour explorer des domaines entièrement nouveaux de la chimie, pour lesquels il n’existe peut-être pas de données historiques.
C’est là que notre plateforme à haut débit nous confère un avantage considérable. Nous pouvons rapidement produire de nouvelles données expérimentales fiables sur des centaines de formulations, offrant ainsi à nos modèles une base d’apprentissage, même dans des domaines chimiques qui leur sont peu familiers.
Comme nous pouvons tester les prédictions en laboratoire, réinjecter les résultats dans nos modèles et recommencer le processus, nous pouvons améliorer leur précision en continu. Chaque expérience permet d’éclairer davantage la prédiction suivante.
Je pense que c’est notre principal avantage concurrentiel. Nous disposons de 18 années de données historiques, mais nous ne sommes pas limités par celles-ci. Nous sommes en mesure de produire les nouvelles données nécessaires pour explorer des domaines de la chimie qui n’ont pas encore fait l’objet d’études approfondies.
Comment mesurez-vous les progrès attribuables spécifiquement à l’IA, au-delà de ce que permet déjà l’expérimentation automatisée à haut débit ? Quelles comparaisons montrent que les modèles trouvent de meilleurs candidats ou réduisent le nombre d’expériences nécessaires pour obtenir un résultat utile ?
C’est en réalité une question difficile, car la découverte scientifique est un travail d’équipe.
Imaginez un groupe de scientifiques qui réfléchissent ensemble à un problème. Une personne finira peut-être par trouver la solution, mais cette idée pourrait être le fruit d’heures de discussion avec toutes les autres personnes présentes. À qui revient le mérite ?
Je pense qu’il faut considérer l’IA de la même manière. C’est un autre membre de l’équipe de recherche. Elle peut aider les scientifiques à trouver plus rapidement des informations pertinentes, à repérer des tendances dans les données expérimentales et à mieux comprendre un problème.
Notre plateforme à haut débit nous donne déjà un avantage considérable en nous permettant de réaliser des expériences rapidement. Nous cherchons maintenant à comprendre dans quelle mesure l’IA peut encore améliorer les choses. Je ne veux pas avancer de chiffre que nous ne puissions pas étayer correctement. L’important est de savoir si nous aidons nos scientifiques à trouver de meilleures réponses en moins de temps et avec moins d’expériences.
La conception des batteries implique des objectifs parfois contradictoires, notamment la densité énergétique, la durée de vie en cycles, la sécurité, le coût et l’aptitude à la fabrication. Comment traduisez-vous ces compromis en objectifs pour l’IA, et un changement d’application prévue peut-il l’orienter vers des matériaux fondamentalement différents ?
Tout dépend vraiment de l’usage auquel la batterie est destinée. Une batterie pour un drone répond à des exigences très différentes de celles d’une batterie destinée à un véhicule électrique. Selon l’application, vous pourriez privilégier la densité énergétique, la durée de vie en cycles ou le coût.
Nous pouvons définir ces objectifs avec beaucoup de précision. La densité énergétique, la durée de vie en cycles, la sécurité et le coût sont tous mesurables ; nous pouvons donc fixer pour le modèle des objectifs de performance précis en fonction de l’application.
La difficulté consiste à partir de ces objectifs pour remonter jusqu’à un matériau capable de les atteindre.
Modifier l’application peut tout à fait changer les matériaux que nous étudions. Mais nos scientifiques doivent toujours déterminer quelles chimies sont prometteuses, concevoir les expériences et vérifier si ces matériaux peuvent atteindre les objectifs de performance.
Holyvolt fait progresser vers la commercialisation des matériaux de cathode à structure de sel gemme désordonnée, sans nickel ni cobalt. Quel rôle l’IA a-t-elle joué dans ce développement, et quels obstacles restant à surmonter nécessitent des solutions de fabrication ou d’ingénierie au-delà de la découverte de matériaux ?
Les DRX illustrent parfaitement l’importance de notre approche. Il existe un nombre considérable de combinaisons de matériaux possibles, et les tester une par une prendrait des années.
Chez Holyvolt, notre plateforme à haut débit nous permet de tester rapidement des centaines de formulations différentes et de comprendre comment les changements de chimie influent sur la densité énergétique, la tension, la durée de vie des batteries et leurs performances. Nous avons pu repérer des matériaux prometteurs beaucoup plus rapidement que ne le permettraient les méthodes de recherche traditionnelles.
Nous associons maintenant ces données expérimentales à l’apprentissage automatique afin de repérer des tendances et d’aider nos scientifiques à décider quelles formulations explorer ensuite. Plus nous effectuons de tests, plus nous apprenons et mieux nous pouvons orienter les expériences à venir.
Nous progressons déjà vers une production à l’échelle commerciale, et l’un de nos principaux atouts est que nous utilisons des procédés de fabrication bien établis. Nous n’avons pas besoin de mettre au point des équipements entièrement nouveaux ni de réinventer la manière de produire ces matériaux. Nous nous attachons à augmenter la production avec nos partenaires, tout en maintenant des performances constantes et des coûts compétitifs.
Vous avez soutenu que les données scientifiques exclusives pouvaient constituer un avantage concurrentiel plus important que les modèles eux-mêmes. Comment cet avantage se renforce-t-il au fil du temps, et comment conciliez-vous les apprentissages tirés de différents projets clients avec la protection des travaux de recherche confidentiels et de la propriété intellectuelle de chaque client ?
Certains des modèles d’IA les plus performants disponibles aujourd’hui sont libres d’accès, et ils ne cessent de s’améliorer. Mais il est impossible de télécharger 18 années de recherche sur les batteries. C’est ce qui confère tant de valeur à nos données.
Chez Holyvolt, nous avons testé plus de 500 000 cellules de batterie au cours de plus de 165 millions de cycles. Nous savons quels matériaux ont été utilisés, comment ils ont été traités, quelles performances ils ont offertes et dans quels cas ils ont échoué. Et comme nous avons appliqué des méthodes de test cohérentes pendant toutes ces années, nous pouvons réellement comparer les résultats. Il serait extrêmement difficile pour quiconque d’autre de reproduire cela.
Chaque expérience nous apprend quelque chose. Ces connaissances nous aident à améliorer nos modèles, à faire de meilleures prédictions et à décider quoi tester ensuite. Et plus nous menons d’expériences, plus cette base de connaissances prend de la valeur.
Nous travaillons également avec certaines des plus grandes entreprises du monde, qui nous confient des travaux de recherche sensibles. Nous prenons cette responsabilité très au sérieux et avons mis en place de solides mesures de protection des informations confidentielles et de la propriété intellectuelle.
À mesure que vous développez la plateforme, quel est aujourd’hui le principal frein à l’accélération de la découverte : les capacités des modèles, la capacité expérimentale, le temps nécessaire pour valider la durée de vie des batteries ou autre chose ? Quel jalon mesurable, au cours des deux prochaines années, montrerait que l’IA transforme l’économie du développement des batteries ?
Je pense qu’aujourd’hui, le principal goulot d’étranglement est le temps que les scientifiques consacrent à la conception des expériences et à l’analyse des résultats.
Pensez au processus traditionnel. Un scientifique pose une question, conçoit une expérience, réalise les tests, analyse les données, puis décide de la prochaine piste à explorer. Nous avons déjà automatisé une grande partie des tests physiques grâce à notre plateforme à haut débit, mais la réflexion entre ces étapes demande encore énormément de temps.
Nous avons récemment appliqué un modèle d’IA relativement simple à une partie du processus de conception expérimentale. Une tâche qui prendrait normalement six semaines a été réalisée en huit minutes. C’est un résultat remarquable, qui donne une idée des possibilités.
Mais accélérer la conception des expériences n’est qu’un début. À mesure que l’IA nous aide à déterminer plus rapidement quoi tester, nous devons aussi accroître la vitesse à laquelle nous pouvons mener ces expériences. C’est pourquoi nous prévoyons d’agrandir notre laboratoire et d’investir davantage dans l’automatisation.
Au cours des deux prochaines années, je veux que nous accélérions considérablement l’ensemble du processus de découverte, de la première idée à la validation d’un matériau. Si nous parvenons à associer une prise de décision plus rapide à la capacité de réaliser davantage d’expériences, nous pourrons explorer de nouvelles chimies à un rythme jusqu’alors impossible. C’est ainsi que l’IA peut transformer fondamentalement l’économie du développement des batteries.
Merci pour cet excellent entretien. Les lecteurs qui souhaitent en savoir plus sur les matériaux pour batteries, l’expérimentation à haut débit et le développement de technologies énergétiques faisant appel à l’IA devraient consulter Holyvolt.












