Taku Watanabe, VP et chef des opérations américaines, Matlantis – Série d’entretiens

Taku Watanabe, VP et chef des opérations américaines, Matlantis, est un spécialiste des sciences des matériaux et de l’intelligence artificielle avec une carrière qui s’étend sur la recherche de batteries avancées, la modélisation computationnelle et le leadership technologique mondial. Il dirige actuellement l’expansion de Matlantis aux États-Unis depuis Cambridge, dans le Massachusetts, tout en servant de chercheur principal et de chef de la réussite client mondiale, en connectant les informatics de matériaux avancés avec des cas d’utilisation industriels réels. Avant de rejoindre Matlantis, il a occupé des postes supérieurs à l’Institut de recherche et développement de Samsung au Japon, axés sur le développement de batteries à l’état solide, et plus tôt, il a mené des recherches postdoctorales au Georgia Institute of Technology après avoir terminé des études supérieures en logiciel de simulation à l’Université de Floride. Sa carrière se concentre constamment sur la combinaison de l’apprentissage automatique, de la simulation basée sur la physique et des sciences des matériaux pour accélérer l’innovation dans l’énergie et les matériaux avancés.

Matlantis est une entreprise d’informaticiens de matériaux basée sur l’IA qui se concentre sur la transformation de la façon dont les nouveaux matériaux sont découverts et développés grâce à la simulation atomistique à grande vitesse. Sa plateforme basée sur le cloud permet aux chercheurs de modéliser les comportements moléculaires et cristallins avec une grande précision et rapidité, en réduisant les processus qui prenaient auparavant des mois à des secondes. Fondée sur les potentiels interatomiques d’apprentissage automatique et la chimie computationnelle, la plateforme permet aux scientifiques d’explorer de vastes combinaisons de matériaux sans les contraintes expérimentales traditionnelles, en soutenant des industries telles que les semi-conducteurs et le stockage d’énergie. Fondée en 2021 grâce à une collaboration entre Preferred Networks et ENEOS, Matlantis se positionne comme une couche centrale dans le passage à la découverte de matériaux basée sur l’IA et aux flux de travail de R&D numériques.

Vous avez passé votre carrière à l’intersection des sciences des matériaux, de la simulation et de l’apprentissage automatique, de la recherche de batteries à Samsung à l’informatique des matériaux à ENEOS et maintenant en tant que chef des opérations américaines à Matlantis. Quels sont les moments clés qui vous ont convaincu que la simulation basée sur l’IA allait fondamentalement remodeler la découverte de matériaux ?

Le point de basculement pour moi a été la prise de conscience que le véritable goulet d’étranglement dans la découverte de matériaux était notre capacité limitée à explorer suffisamment de candidats. Dans mon travail sur les matériaux de batteries et plus tard dans l’informatique des matériaux, nous pouvions générer des connaissances de haute qualité en utilisant des méthodes telles que la théorie de la fonction de densité (DFT), mais seulement sur un petit ensemble de possibilités en raison des contraintes de coût et de temps.

Ce qui a changé, c’est l’émergence de potentiels d’apprentissage automatique qui pouvaient conserver une précision proche du niveau quantique tout en augmentant considérablement le débit computationnel. Cela a débloqué deux changements importants.

Tout d’abord, il a permis un essai et une erreur accélérés à haute fidélité. Les chercheurs peuvent maintenant effectuer une évaluation significativement plus importante de candidats par unité de temps sans sacrifier la précision, changeant fondamentalement le rythme et la portée de l’exploration. Deuxièmement, il a créé une nouvelle base pour la science des données dans la découverte de matériaux, car ce niveau de débit génère le volume de données de haute qualité nécessaire pour que les approches d’apprentissage automatique soient vraiment efficaces.

Matlantis a récemment intégré l’outil ALCHEMI de NVIDIA (NVDA ) pour permettre un débit de simulation à l’échelle industrielle. De votre point de vue, quels sont les goulets d’étranglement spécifiques que cette intégration supprime, et comment change-t-elle ce que les équipes de R&D peuvent réaliser aujourd’hui ?

L’intégration supprime un déséquilibre fondamental entre les potentiels basés sur l’IA et l’infrastructure sur laquelle ils s’appuient. Alors que des modèles comme PFP sont intrinsèquement accélérés par GPU, des parties clés du flux de travail de simulation, telles que l’orchestration, sont traditionnellement restées liées au CPU ou faiblement connectées à travers différents outils. Cela crée des inefficacités dans le déplacement des données et limite la scalabilité en introduisant des frictions lors de l’exécution de charges de travail importantes ou distribuées.

ALCHEMI répond à cela en étendant l’accélération par GPU à l’ensemble de la pile de simulation, en s’appuyant sur l’intégration précédente avec les noyaux optimisés par NVIDIA Warp et maintenant en passant à ALCHEMI Toolkit-Ops pour l’exécution à l’échelle de production. Le résultat est un calcul plus rapide et un environnement de simulation plus cohérent et natif pour l’IA, capable de fonctionner de manière fiable à l’échelle industrielle.

Ce qui rend cela particulièrement important maintenant, c’est qu’il s’agit d’une transition d’une vision de plateforme à un déploiement réel. Avec des capacités comme LightPFP permettant des simulations à l’échelle de centaines de milliers d’atomes et une inférence plus rapide, la simulation atomistique basée sur l’IA est utilisable dans les flux de travail de production.

Pour les équipes de R&D, cela change complètement le rôle de la simulation. Au lieu d’être appliquée de manière sélective, elle peut être intégrée dans la prise de décision quotidienne, façonnant quels matériaux sont priorisés tôt dans le développement.

L’annonce met en évidence LightPFP et l’intégration prochaine de PFP avec ALCHEMI. Comment ces développements améliorent-ils la scalabilité et la stabilité par rapport aux pipelines de simulation atomistique traditionnels ?

LightPFP répond à un goulet d’étranglement clé dans la simulation atomistique : la surcharge de communication requise pour la construction de la liste de voisins dans les systèmes distribués. En remplaçant cette étape pendant l’inférence par les opérations ALCHEMI Toolkit-Ops de NVIDIA, il réduit la communication inter-nœuds. Cela rend les simulations à grande échelle à la fois plus rapides et plus stables.

Combiné avec son architecture basée sur serveur, cela permet aux simulations de s’étendre de manière plus efficace tout en simplifiant l’infrastructure et en réduisant la complexité opérationnelle.

L’intégration complète de PFP étend ces avantages à un modèle universel, ce qui est important car les pipelines traditionnels ont souvent du mal à s’étendre de manière cohérente à travers différents systèmes de matériaux et environnements computationnels. Ensemble, ces développements améliorent à la fois la scalabilité et la fiabilité, permettant à la simulation de passer d’utilisation de recherche isolée à un déploiement continu à l’échelle industrielle sans les compromis typiques entre performances et stabilité.

Matlantis est construit sur Preferred Potential (PFP), formé sur des dizaines de millions de calculs de niveau quantique. Comment cette approche basée sur les données diffère-t-elle de la simulation basée sur la physique conventionnelle, et où apporte-t-elle les plus grands gains de performance ?

La simulation conventionnelle calcule les interactions directement à partir des principes de base à chaque fois, ce qui est précis mais coûteux en termes de calcul. PFP apprend au contraire à partir d’un vaste ensemble de calculs de niveau quantique et applique ces connaissances pendant l’inférence. Les plus grands gains de performance proviennent des flux de travail qui nécessitent une évaluation répétée sur de nombreux candidats, tels que le criblage de matériaux ou l’exploration de la composition des matériaux. Au lieu d’être limité à un petit nombre de systèmes, les chercheurs peuvent évaluer des milliers de candidats tout en maintenant une précision significative.

L’une des affirmations les plus convaincantes est d’atteindre une précision proche de DFT à des vitesses massivement accélérées. En termes pratiques, comment cela modifie-t-il la façon dont les entreprises abordent l’expérimentation, la création de prototypes et le temps de mise sur le marché ?

Traditionnellement, DFT a été le standard d’or pour la précision, mais aujourd’hui, son coût computationnel limite à quel point il peut être appliqué ; les équipes de R&D ont fortement compté sur l’expérimentation et l’essai et l’erreur, et utilisent DFT de manière sélective pour la validation. Une précision proche de DFT à des vitesses massivement accélérées supprime cette contrainte.

Au lieu d’utiliser DFT pour analyser quelques candidats après les expériences, les entreprises peuvent maintenant approximer ce niveau de connaissance sur des milliers de possibilités. Cela leur permet de réduire l’espace de recherche computationnel avant de consacrer des ressources physiques. Le résultat est moins d’expériences infructueuses, une création de prototypes plus ciblée et des cycles d’itération significativement plus rapides, réduisant ainsi le temps de mise sur le marché tout en augmentant la confiance dans ce qui fait progresser la production.

Nous assistons à une transition vers la découverte basée sur la simulation à travers des industries comme les semi-conducteurs, les batteries et les produits chimiques. Quelle est l’apparence d’un flux de travail de R&D entièrement basé sur la simulation à l’intérieur d’une entreprise moderne ?

Un flux de travail basé sur la simulation commence par ancrer la R&D autour des résultats souhaités plutôt que des matériaux prédéfinis. Les équipes identifient leurs objectifs et leurs défis, puis criblent un grand nombre de matériaux candidats à grande échelle par le biais de l’optimisation, de la stabilité et, de plus en plus, de l’exploration de l’ensemble de l’espace chimique ou cristallin.

Ceci est un processus interactif. Les résultats de la simulation informent continuellement le prochain ensemble de candidats, réduisant rapidement l’espace de conception. Lorsque les matériaux passent à la phase de validation, ils ont déjà été filtrés à travers plusieurs couches computationnelles, réduisant ainsi considérablement les efforts gaspillés.

Le véritable changement, cependant, est organisationnel. La simulation dépasse une capacité de niche pour devenir une couche de prise de décision centrale. Elle guide quels expériences sont menées, comment les ressources sont allouées et comment les équipes priorisent leurs priorités. Au fil du temps, cela crée un système en boucle fermée où la simulation et l’expérimentation se renforcent mutuellement, permettant aux équipes d’explorer plus de possibilités tout en restant concentrées sur les chemins les plus viables.

À mesure que la simulation basée sur l’IA devient centrale dans les sciences des matériaux, les infrastructures telles que le calcul, les GPU et les piles logicielles sont de plus en plus critiques. Pourquoi l’infrastructure émerge-t-elle maintenant comme le facteur limitant plutôt que l’innovation du modèle seul ?

Parce que de nombreuses organisations ont de solides modèles, mais luttent avec des flux de travail fragmentés et un accès limité au calcul. Traiter l’IA comme un outil superposé aux systèmes hérités conduit à une expérimentation isolée, et le facteur limitant a basculé vers l’infrastructure et la manière dont les organisations peuvent intégrer le calcul et la simulation de données dans un système unifié.

Matlantis est déjà utilisé dans des secteurs allant de l’énergie à la fabrication avancée. Quels sont les cas d’utilisation qui voient le retour sur investissement le plus rapide aujourd’hui, et où voyez-vous la prochaine vague de percées émerger ?

Le retour sur investissement le plus rapide se trouve dans les domaines où les cycles expérimentaux sont coûteux et les espaces de conception sont importants, tels que les matériaux de batteries, les catalyseurs et les matériaux liés aux semi-conducteurs. Dans ces domaines, l’élimination des candidats non viables tôt dans le processus crée une valeur immédiate.

Par exemple, le fabricant chimique Kuraray avait auparavant un processus de vérification qui prenait deux à trois ans mais a été réduit à seulement un mois et demi en utilisant Matlantis. Dans une seule campagne de simulation, 13 améliorations de catalyseurs proposées ont été évaluées et toutes ont été rejetées comme non viables, ce qui a permis d’éviter des années d’efforts expérimentaux sur des idées sans issue.

En regardant vers l’avenir, la prochaine vague de percées proviendra de la convergence de la simulation et de l’expérimentation, et non de leur amélioration en isolation. Aujourd’hui, il y a encore une frontière claire entre les deux, et ils sont généralement traités comme des étapes séquentielles plutôt que comme une stratégie unifiée.

Cependant, cette frontière commence à disparaître. Avec les progrès de la simulation à haute débit et de l’apprentissage automatique, nous voyons l’émergence de systèmes de découverte en boucle fermée où la simulation guide les expériences en temps réel, et les données expérimentales alimentent constamment les modèles. À mesure que ces systèmes mûrissent, la découverte deviendra continue. Cette convergence, où la simulation, l’IA et l’expérimentation opèrent comme un système unifié, est là où la prochaine génération de percées sera impulsée.

Votre rôle s’étend à la fois à la recherche technique approfondie et au succès client mondial. Quels sont les nouveaux ensembles de compétences que vous croyez que la prochaine génération de scientifiques et d’ingénieurs doit développer pour rester compétitive dans les environnements de R&D basés sur l’IA ?

La compétence la plus importante que la prochaine génération doit renforcer est la capacité d’opérer à travers les disciplines. Les scientifiques nécessitent une solide expertise de domaine et la capacité de travailler avec des modèles basés sur les données, des plateformes de simulation évolutives et des flux de travail itératifs. Il est tout aussi important de comprendre comment la simulation et l’expérimentation de données se connectent dans un plus grand processus de découverte.

La prochaine génération sera définie non seulement par ce qu’elle sait, mais par la manière dont elle peut intégrer et appliquer ces connaissances au sein des environnements de R&D modernes.

En regardant vers l’avenir, à mesure que la simulation basée sur l’IA s’approche de la découverte de matériaux en temps réel, à quel point sommes-nous proches d’un monde où des classes entières de matériaux sont conçues, validées et optimisées entièrement in silico avant toute expérimentation physique, et qu’est-ce que cela signifie pour l’avenir de l’innovation ?

Nous nous approchons de cette capacité dans des domaines spécifiques, mais pas encore universellement. Pour de nombreux systèmes, la simulation peut déjà éliminer de grandes parties de l’espace de conception et identifier des candidats très prometteurs avant que toute expérience ne soit menée.

Cependant, capturer pleinement la complexité du monde réel, tels que les conditions de synthèse et les effets d’échelle, reste un défi. Par conséquent, le rôle de l’expérimentation évolue. Plutôt que de servir de méthode principale d’exploration, les expériences deviennent plus ciblées et intentionnelles, se concentrant sur la validation et l’affinement des résultats computationnels les plus prometteurs. La plupart des efforts de découverte de première étape se déplacent vers la simulation, permettant aux tests physiques de fonctionner avec beaucoup plus de précision et d’efficacité. Thank you for the great interview, readers who wish to learn more should visit Matlantis.