साक्षात्कार
मैथियास इंगवार्सन, Holyvolt के संस्थापक और सीईओ – साक्षात्कार श्रृंखला

मुख्य बिंदुहोलीवोल्ट की बढ़त 18 वर्षों का स्वामित्व वाला बैटरी डेटा है जिसे प्रतिद्वंद्वी सिर्फ़…
और देखें
- होलीवोल्ट की बढ़त 18 वर्षों का स्वामित्व वाला बैटरी डेटा है जिसे प्रतिद्वंद्वी सिर्फ़ डाउनलोड नहीं कर सकते।
- असफल फ़ॉर्मूलेशन प्रशिक्षण डेटा तभी बनते हैं जब प्रतिलिपि-योग्य प्रयोगशाला प्रक्रियाएँ वास्तविक रसायन विज्ञान की विफलताओं को परीक्षण की विसंगतियों से अलग करती हैं।
- एआई ने एक प्रायोगिक डिज़ाइन कार्य को छह सप्ताह से घटाकर आठ मिनट कर दिया, लेकिन वैज्ञानिक अब भी प्रयोगों को डिज़ाइन और आंकलन करते हैं।
मैथियास इंगवार्सन Holyvolt के संस्थापक और सीईओ हैं। उन्होंने बैटरी तकनीक के लिए नए तरीकों पर काम करने के उद्देश्य से 2022 में इसकी स्थापना की। उनका करियर Tempur-Pedic के अंतरराष्ट्रीय विस्तार और कई उद्योगों में उद्यमशील उपक्रमों तक फैला है। Holyvolt में उनका ध्यान वैज्ञानिक विशेषज्ञता, प्रयोगों से मिले आँकड़ों और विनिर्माण क्षमताओं को जोड़ने पर है, ताकि Wildcat Discovery Technologies के अधिग्रहण सहित विभिन्न प्रयासों के ज़रिए बैटरी सामग्रियों के विकास में तेज़ी लाई जा सके।
Holyvolt ऊर्जा उत्पादन और भंडारण की तकनीकें विकसित करता है। इसके लिए वह बड़े पैमाने पर सामग्रियों की खोज को विनिर्माण के लिए सटीक स्क्रीन-प्रिंटिंग तरीकों के साथ जोड़ता है। Wildcat Discovery Technologies के ज़रिए उसका बैटरी अनुसंधान मंच प्रयोगशाला में किए गए प्रयोगों, पुराने परीक्षण आँकड़ों और एआई-सक्षम सामग्री विकास को एक साथ जोड़ता है। इस साक्षात्कार में इंगवार्सन बताते हैं कि वैज्ञानिक भौतिक प्रयोगों के साथ मशीन लर्निंग का इस्तेमाल कैसे करते हैं, असफल फ़ॉर्मूलेशन मूल्यवान आँकड़े क्यों बन सकते हैं, और तेज़ पूर्वानुमानों से सत्यापित सामग्रियों तथा बड़े पैमाने पर उत्पादन तक पहुँचने के लिए क्या करना पड़ता है।
आपका करियर Tempur-Pedic के अंतरराष्ट्रीय विस्तार और कई उद्यमशील उपक्रमों तक फैला है। 2022 में Holyvolt की स्थापना करने के लिए आपको किस बात ने प्रेरित किया, और बैटरी तकनीक में ऐसा कौन-सा अवसर था जिसने आपको इतने तकनीकी रूप से चुनौतीपूर्ण उद्योग में कंपनी बनाने के लिए राज़ी किया?
मैंने गद्दों से लेकर अंडरवियर तक, हर तरह के कारोबार खड़े किए हैं, इसलिए बैटरियाँ अगला असामान्य कदम लग सकती हैं। लेकिन मैं हमेशा ऐसे उद्योगों की ओर आकर्षित हुआ हूँ जहाँ मुझे ऐसा अवसर दिखता है जिसे दूसरे नहीं देख पा रहे होते।
जब मैंने Holyvolt शुरू किया, तब मुझे बैटरी रसायन विज्ञान के बारे में बहुत कम जानकारी थी और मुझे सचमुच लगता है कि इससे मदद मिली। कभी-कभी, किसी काम के न हो पाने के सारे कारण न जानना एक बड़ी ताकत होता है। Jensen Huang ने एक बार कहा था कि अगर उन्हें पता होता कि Nvidia बनाना कितना कठिन होगा, तो शायद उन्होंने इसे शुरू ही नहीं किया होता। मैं उनकी बात समझ सकता हूँ।
मैंने देखा कि पश्चिमी देशों का बैटरी उद्योग चीन को उसी खेल में हराने की कोशिश कर रहा था जिसे चीन पहले ही जीत चुका था। उद्योग उस तकनीक की नकल करने में अरबों का निवेश कर रहा था जिसे चीन ने दशकों तक बेहतर बनाया था। मुझे समझ नहीं आया कि हम उसी ऊर्जा को कुछ बेहतर विकसित करने में क्यों नहीं लगा रहे थे। बैटरियाँ हमारे आसपास की लगभग हर चीज़ को ऊर्जा देंगी, और मुझे उन्हें विकसित करने के तरीकों पर नए सिरे से सोचने का एक बड़ा अवसर दिखा। इसी वजह से मैंने Holyvolt शुरू किया।
जब आपने Wildcat के अधिग्रहण पर विचार किया, तो किस बात ने आपको यक़ीन दिलाया कि उसके प्रयोगों का इतिहास एआई-आधारित खोज मंच की नींव बन सकता है? आँकड़ों की विशाल मात्रा के अलावा, आपको उनके बारे में क्या स्थापित करना ज़रूरी लगा?
आँकड़ों की विशाल मात्रा ने तुरंत मेरा ध्यान खींचा। 18 वर्षों में 500,000 से अधिक बैटरी सेल का परीक्षण किया गया था और 165 मिलियन चक्र पूरे किए गए थे। हमने जितना अधिक देखा, प्रयोगों की कठोरता और Wildcat की पहले ही हासिल की गई सफलताओं से हम उतने ही प्रभावित हुए। दशकों तक लगातार जुटाए गए इस तरह के आँकड़ों को दोबारा तैयार करना बेहद कठिन है।
मैं बैटरी वैज्ञानिक नहीं हूँ, इसलिए मैंने ऐसे लोगों को साथ जोड़ा जिन्हें मुझसे कहीं अधिक जानकारी थी। बैटरियों, एआई और पदार्थ विज्ञान के विशेषज्ञ प्रयोगशाला देखने आए और सच कहूँ तो, वे बेहद प्रभावित हुए।
फिर आप देखते हैं कि BMW समेत, पूरी मूल्य शृंखला की विश्व-प्रसिद्ध कंपनियाँ Wildcat के पास आ रही हैं। इन कंपनियों के अनुसंधान एवं विकास के बजट बहुत बड़े हैं और इनके पास दुनिया के कुछ बेहतरीन वैज्ञानिक हैं, फिर भी वे मदद के लिए Wildcat का रुख कर रही थीं। मेरे लिए यह सबसे निर्णायक पुष्टि थी। मुझे यक़ीन हो गया कि Wildcat ने दुनिया में बैटरी खोज का सबसे अधिक माँग वाला मंच बनाया है। और मेरा मानना है कि एआई के साथ हम अभी इसकी क्षमताओं की सतह को ही छू पाए हैं।
असफल प्रयोग आपके आँकड़ों की बढ़त का एक अहम हिस्सा हैं। क्या आप ऐसा कोई उदाहरण दे सकते हैं जिससे पता चले कि कोई मॉडल असफल बैटरी फ़ॉर्मूलेशन से क्या सीख सकता है? और आपकी टीम कैसे पहचानती है कि रासायनिक प्रक्रिया वास्तव में विफल हुई या प्रयोग करने के तरीके में कोई समस्या थी?
रसायन विज्ञान में असफलता प्रक्रिया का हिस्सा है। वैज्ञानिक प्रगति सैकड़ों वर्षों से इसी तरह हुई है। आप कुछ आज़माते हैं, वह काम नहीं करता, आप उससे सीखते हैं और फिर दोबारा कोशिश करते हैं। एआई को भी इसी तरह सीखना होगा।
हम 18 वर्षों से बड़े पैमाने पर बैटरी प्रयोग कर रहे हैं। इसलिए हमारे आँकड़ों में असफल फ़ॉर्मूलेशन से लेकर वे सामग्रियाँ तक शामिल हैं जिन्हें हमने सफलतापूर्वक बेहतर बनाया है। किसी मॉडल को प्रशिक्षित करने के लिए यह बेहद मूल्यवान है।
लिथियम-मेटल बैटरियों को ही लें। पारंपरिक ग्रेफाइट बैटरियों के विपरीत, इनकी क्षमता अचानक घट सकती है और इसका पूर्वानुमान लगाना बहुत कठिन होता है। हमने अलग-अलग इलेक्ट्रोलाइट फ़ॉर्मूलेशन, इलेक्ट्रोड डिज़ाइन और परीक्षण प्रोटोकॉल के तहत बैटरियों के वास्तविक चार्ज-डिस्चार्ज चक्रों के आँकड़ों का इस्तेमाल करके मशीन लर्निंग मॉडल विकसित किए हैं, ताकि यह अनुमान लगाया जा सके कि क्षमता में यह गिरावट कब हो सकती है।
हमारे शुरुआती मॉडल उचित विश्वास के साथ इन गिरावटों का पूर्वानुमान लगा सकते हैं। इन पूर्वानुमानों को बेहतर बनाने के लिए हम अधिक लक्षित प्रयोग तैयार कर रहे हैं और अलग-अलग परिस्थितियों में बैटरियों का परीक्षण कर रहे हैं।
बेशक, यह डेटा तभी मूल्यवान है जब हम परिणामों पर भरोसा कर सकें। प्रयोगों को बार-बार दोहराने पर भी एकसमान परिणाम देने लायक बनाने और त्रुटियाँ कम से कम रखने के लिए हमने अपनी प्रयोगशाला की प्रक्रियाओं को बेहतर बनाने में कई साल लगाए हैं। हम एक ही प्रयोग को कई बार भी करते हैं, ताकि पता लगा सकें कि खराब परिणाम सामग्री में किसी वास्तविक समस्या के कारण है या परीक्षण प्रक्रिया में हुई किसी अनियमितता के चलते। इससे हम किसी एक असामान्य परिणाम से अपने मॉडलों को गलत निष्कर्ष नहीं सिखाते।
क्या आप हमें खोज की पूरी प्रक्रिया समझा सकते हैं—जब कोई मॉडल किसी सामग्री का सुझाव देता है, फिर प्रयोगशाला में उसका परीक्षण होता है और उसके परिणाम मॉडल में शामिल किए जाते हैं? AI कौन-से निर्णय लेता है, और किन चरणों में वैज्ञानिक का विवेक अनिवार्य बना रहता है?
इसकी शुरुआत हमारे वैज्ञानिकों से होती है। वे जो जानना चाहते हैं, उसके आधार पर प्रयोग तैयार करते हैं और हमारा उच्च-थ्रूपुट प्लेटफ़ॉर्म परीक्षण करता है। इसके बाद हमारे मशीन लर्निंग इंजीनियर उस शुरुआती डेटा का उपयोग करके एक मॉडल बनाते हैं और देखते हैं कि क्या वह भविष्य के प्रयोगों के परिणामों का अनुमान लगा सकता है।
इसके बाद हम प्रयोगशाला में उन अनुमानों का परीक्षण करते हैं। अगर परिणाम मेल खाते हैं, तो हमें मॉडल पर अधिक भरोसा होता है और हम उसका उपयोग नए फॉर्मूलेशनों का मूल्यांकन करने के लिए कर सकते हैं। अगर वे मेल नहीं खाते, तो हमारे वैज्ञानिक इसकी वजह की पड़ताल करते हैं। कभी-कभी मॉडल को और डेटा चाहिए होता है, जिसके लिए बिल्कुल नए प्रयोग तैयार करने या अलग-अलग परिस्थितियों में परीक्षण करने पड़ते हैं। हम उन परिणामों को मॉडल में वापस शामिल करते हैं, उसे बेहतर बनाते हैं और यह प्रक्रिया दोहराते हैं।
AI द्वारा स्वतंत्र रूप से नई सामग्रियों की खोज को लेकर काफी उत्साह है, लेकिन हम अपने दावों को लेकर सतर्क हैं। इस चरण में प्रयोगों की योजना अब भी हमारे वैज्ञानिक ही बनाते हैं और अहम निर्णय भी वही लेते हैं। AI हमें अनुमान लगाने में मदद करता है, जबकि हमारी प्रयोगशाला बताती है कि वे अनुमान वास्तव में सही साबित होते हैं या नहीं। अपने वैज्ञानिकों की विशेषज्ञता को AI के साथ मिलाकर हम प्रयोगों की योजना बनाने से जुड़े कुछ कामों में लगने वाला समय कई सप्ताह से घटाकर महज़ कुछ मिनट कर पाए हैं।
ऐतिहासिक डेटासेट उन सामग्रियों को दर्शाता है जिनकी जाँच करने का चुनाव शोधकर्ताओं ने पहले किया था। आप अपने मॉडलों को उन्हीं परिचित क्षेत्रों तक सीमित रहने से कैसे रोकते हैं, और यह कैसे तय करते हैं कि किसी अपरिचित रासायनिक संरचना में इतनी संभावना है कि उसका प्रयोगशाला में परीक्षण करना उचित हो?
यह बिल्कुल सही सवाल है, और इसी वजह से मेरा मानना है कि हमारी प्रयोगशाला हमारे डेटासेट से भी अधिक मूल्यवान है।
मॉडल उसी डेटा से सीखता है जो आप उसे देते हैं, इसलिए स्वाभाविक है कि जिन चीज़ों को वह पहले देख चुका है, उनके बारे में उसका अनुमान अधिक भरोसेमंद होगा। असली अवसर AI का उपयोग रसायन विज्ञान के बिल्कुल नए क्षेत्रों को खोजने में है, जहाँ शायद ऐतिहासिक डेटा मौजूद न हो।
यहीं हमारा उच्च-थ्रूपुट प्लेटफ़ॉर्म हमें बहुत बड़ा लाभ देता है। हम सैकड़ों फॉर्मूलेशनों पर तेज़ी से नया और भरोसेमंद प्रयोगात्मक डेटा जुटा सकते हैं। इससे हमारे मॉडलों को रसायन विज्ञान के अपरिचित क्षेत्रों में भी सीखने के लिए आधार मिलता है।
और चूँकि हम प्रयोगशाला में अनुमानों की जाँच कर सकते हैं, परिणामों को अपने मॉडलों में वापस शामिल कर सकते हैं और प्रक्रिया दोहरा सकते हैं, इसलिए हम उनकी सटीकता लगातार बेहतर बना सकते हैं। हर प्रयोग के साथ अगला अनुमान अधिक जानकारी पर आधारित होता है।
मेरा मानना है कि यही हमारा सबसे बड़ा प्रतिस्पर्धी लाभ है। हमारे पास 18 वर्षों का ऐतिहासिक डेटा है, लेकिन हम उसी तक सीमित नहीं हैं। हमारे पास नया डेटा जुटाने की क्षमता है, जिससे हम उन रासायनिक संरचनाओं की खोज कर सकते हैं जिनकी पहले गहराई से जाँच नहीं हुई है।
स्वचालित, उच्च-थ्रूपुट प्रयोगों से पहले ही मिलने वाले लाभों से अलग, आप विशेष रूप से AI के कारण हुए सुधार को कैसे मापते हैं? कौन-सी तुलनाएँ दिखाती हैं कि मॉडल बेहतर विकल्प खोज रहे हैं या किसी उपयोगी परिणाम तक पहुँचने के लिए आवश्यक प्रयोगों की संख्या घटा रहे हैं?
यह वाकई एक कठिन सवाल है, क्योंकि वैज्ञानिक खोज एक सामूहिक प्रयास है।
सोचिए, वैज्ञानिकों का एक समूह किसी समस्या पर विचार-विमर्श कर रहा है। आखिरकार उनमें से किसी एक को समाधान सूझ सकता है, लेकिन वह विचार कमरे में मौजूद बाकी सभी लोगों के साथ घंटों हुई चर्चा से आया हो सकता है। इसका श्रेय किसे मिलेगा?
मुझे लगता है कि हमें AI को भी इसी तरह देखना चाहिए। यह शोध दल का एक और सदस्य है। यह वैज्ञानिकों को प्रासंगिक जानकारी तेज़ी से खोजने, प्रयोगात्मक डेटा में पैटर्न पहचानने और किसी समस्या को अधिक गहराई से समझने में मदद कर सकता है।
हमारा उच्च-थ्रूपुट प्लेटफ़ॉर्म पहले से ही प्रयोग कितनी तेज़ी से कर सकते हैं, इस मामले में हमें बहुत बड़ा लाभ देता है। अब हम यह समझने पर काम कर रहे हैं कि AI इस क्षमता को और कितना बढ़ा सकता है। मैं ऐसा कोई आँकड़ा नहीं देना चाहता जिसे ठोस आधार से पुष्ट न कर सकूँ। अहम यह है कि क्या हम अपने वैज्ञानिकों को कम समय और कम प्रयोगों में बेहतर जवाब तक पहुँचने में मदद कर रहे हैं।
बैटरी विकसित करते समय ऊर्जा घनत्व, चक्र-आयु, सुरक्षा, लागत और विनिर्माण-योग्यता जैसे परस्पर प्रतिस्पर्धी उद्देश्यों के बीच संतुलन बनाना पड़ता है। आप इन समझौतों को AI के लक्ष्यों में कैसे ढालते हैं, और क्या उपयोग का उद्देश्य बदलने से AI बिल्कुल अलग तरह की सामग्रियों की ओर बढ़ सकता है?
यह पूरी तरह इस बात पर निर्भर करता है कि बैटरी का इस्तेमाल किस काम के लिए होना है। ड्रोन की बैटरी की ज़रूरतें इलेक्ट्रिक वाहन में लगने वाली बैटरी से बहुत अलग होती हैं। एक उपयोग में आप ऊर्जा घनत्व को प्राथमिकता दे सकते हैं, तो दूसरे में चक्र-आयु या लागत को।
हम इन लक्ष्यों को काफी स्पष्ट रूप से तय कर सकते हैं। ऊर्जा घनत्व, चक्र-आयु, सुरक्षा और लागत—इन सभी को मापा जा सकता है, इसलिए हम उपयोग के आधार पर मॉडल को प्रदर्शन के विशिष्ट लक्ष्य दे सकते हैं।
मुश्किल यह है कि इन लक्ष्यों से पीछे की ओर काम करते हुए ऐसी सामग्री ढूँढ़ी जाए जो वास्तव में उन्हें हासिल कर सके।
अनुप्रयोग में बदलाव से निश्चित रूप से यह बदल सकता है कि हम किन सामग्रियों की जाँच करते हैं। लेकिन हमारे वैज्ञानिकों को अब भी यह तय करना होता है कि कौन-सी रासायनिक संरचनाएँ आशाजनक हैं, प्रयोगों की रूपरेखा बनानी होती है और जाँचना होता है कि क्या वे सामग्रियाँ प्रदर्शन के निर्धारित लक्ष्यों को पूरा कर सकती हैं।
Holyvolt निकेल और कोबाल्ट-मुक्त अव्यवस्थित रॉक-सॉल्ट कैथोड सामग्रियों को व्यावसायीकरण की दिशा में आगे बढ़ा रहा है। इस विकास में AI की क्या भूमिका रही है, और सामग्री की खोज से आगे बढ़कर किन शेष बाधाओं के लिए विनिर्माण या इंजीनियरिंग समाधानों की ज़रूरत है?
DRX इस बात का बेहतरीन उदाहरण है कि हमारा दृष्टिकोण क्यों मायने रखता है। सामग्रियों के संभावित संयोजनों की संख्या बहुत बड़ी है, और एक-एक करके उनकी जाँच करने में कई साल लग जाएँगे।
Holyvolt में हमारा उच्च-थ्रूपुट प्लेटफ़ॉर्म हमें अलग-अलग सैकड़ों फ़ॉर्मूलेशन की तेज़ी से जाँच करने और यह समझने की सुविधा देता है कि रासायनिक संरचना में बदलाव से ऊर्जा घनत्व, वोल्टेज, बैटरी की उम्र और प्रदर्शन पर क्या असर पड़ता है। हम पारंपरिक शोध विधियों की तुलना में बहुत तेज़ी से आशाजनक सामग्रियों की पहचान कर पाए हैं।
अब हम इस प्रायोगिक डेटा को मशीन लर्निंग के साथ जोड़ रहे हैं, ताकि पैटर्न पहचाने जा सकें और हमारे वैज्ञानिक यह तय कर सकें कि आगे किन फ़ॉर्मूलेशन की पड़ताल करनी चाहिए। हम जितनी अधिक जाँच करते हैं, उतना ही अधिक सीखते हैं और भविष्य के प्रयोगों को उतनी ही बेहतर दिशा दे पाते हैं।
हम व्यावसायिक स्तर पर उत्पादन की दिशा में पहले ही प्रगति कर रहे हैं, और हमारा एक सबसे बड़ा फ़ायदा यह है कि हम सुस्थापित विनिर्माण प्रक्रियाओं का इस्तेमाल कर रहे हैं। हमें बिल्कुल नए उपकरण विकसित करने या इन सामग्रियों के उत्पादन का तरीका नए सिरे से गढ़ने की ज़रूरत नहीं है। हमारा ध्यान साझेदारों के साथ उत्पादन बढ़ाने पर है, साथ ही प्रदर्शन को एकसमान और लागत को प्रतिस्पर्धी बनाए रखने पर भी।
आपने कहा है कि विशिष्ट वैज्ञानिक डेटा, स्वयं मॉडलों की तुलना में अधिक मज़बूत प्रतिस्पर्धी बढ़त दे सकता है। समय के साथ यह बढ़त किन वजहों से और मज़बूत होती जाती है, और आप ग्राहकों की परियोजनाओं से मिली सीख का उपयोग करते हुए हर ग्राहक के गोपनीय शोध और बौद्धिक संपदा की रक्षा के बीच संतुलन कैसे बनाते हैं?
आज उपलब्ध कुछ सबसे शक्तिशाली AI मॉडल ओपन सोर्स हैं और लगातार बेहतर हो रहे हैं। लेकिन बैटरी पर किए गए 18 साल के शोध को यूँ ही डाउनलोड नहीं किया जा सकता। यही बात हमारे डेटा को इतना मूल्यवान बनाती है।
Holyvolt में हमने 500,000 से अधिक बैटरी सेल और 165 मिलियन से अधिक चक्रों में परीक्षण किए हैं। हमें पता है कि किन सामग्रियों का इस्तेमाल हुआ, उन्हें कैसे संसाधित किया गया, उनका प्रदर्शन कैसा रहा और वे कहाँ विफल हुईं। और इतने वर्षों तक एकसमान परीक्षण विधियों का पालन करने के कारण हम इन नतीजों की सचमुच तुलना कर सकते हैं। किसी और के लिए इसकी हूबहू नकल करना बेहद मुश्किल है।
हर प्रयोग हमें कुछ न कुछ सिखाता है। यह ज्ञान हमारे मॉडलों को बेहतर बनाने, अधिक सटीक अनुमान लगाने और आगे क्या जाँचना है, यह तय करने में मदद करता है। हम जितने अधिक प्रयोग करते हैं, यह आधार उतना ही मूल्यवान होता जाता है।
हम दुनिया की कुछ अग्रणी कंपनियों के साथ भी काम करते हैं, और वे हमें संवेदनशील शोध की ज़िम्मेदारी सौंपती हैं। हम इस ज़िम्मेदारी को गंभीरता से लेते हैं और गोपनीय जानकारी तथा बौद्धिक संपदा की सुरक्षा के लिए मज़बूत उपाय करते हैं।
प्लेटफ़ॉर्म का विस्तार करते हुए, आज खोज की गति बढ़ाने में सबसे बड़ी बाधा क्या है: मॉडल की क्षमता, प्रयोग करने की क्षमता, बैटरी की उम्र की पुष्टि करने में लगने वाला समय या कुछ और? अगले दो वर्षों में कौन-सा मापने योग्य पड़ाव यह दिखाएगा कि AI बैटरी विकास के अर्थशास्त्र को बदल रहा है?
मेरे विचार से आज सबसे बड़ी अड़चन वह समय है जो वैज्ञानिक प्रयोगों की रूपरेखा बनाने और नतीजों का विश्लेषण करने में लगाते हैं।
पारंपरिक प्रक्रिया पर गौर कीजिए। एक वैज्ञानिक सवाल पूछता है, प्रयोग की रूपरेखा बनाता है, परीक्षण करता है, डेटा का विश्लेषण करता है और फिर तय करता है कि आगे क्या आज़माना है। हमने अपने उच्च-थ्रूपुट प्लेटफ़ॉर्म के ज़रिए प्रयोगों के व्यावहारिक परीक्षण का बड़ा हिस्सा पहले ही स्वचालित कर दिया है, लेकिन इन चरणों के बीच सोच-विचार करने में अब भी बहुत समय लगता है।
हाल ही में हमने प्रयोगों की रूपरेखा बनाने की प्रक्रिया के एक हिस्से में अपेक्षाकृत सरल AI मॉडल का इस्तेमाल किया। जिस काम में आम तौर पर छह सप्ताह लगते, वह आठ मिनट में हो गया। यह वाकई असाधारण नतीजा है और इससे पता चलता है कि क्या-क्या संभव है।
लेकिन प्रयोगों की रूपरेखा तेज़ी से बनाना तो बस शुरुआत है। AI हमें यह तेज़ी से पहचानने में मदद कर रहा है कि क्या जाँचना है, तो हमें यह क्षमता भी बढ़ानी होगी कि हम कितनी तेज़ी से वे प्रयोग कर सकते हैं। इसीलिए हम अपनी प्रयोगशाला की क्षमता बढ़ाने और आगे स्वचालन में निवेश करने की योजना बना रहे हैं।
अगले दो वर्षों में मैं चाहता हूँ कि हम खोज की पूरी प्रक्रिया को नाटकीय रूप से तेज़ करें—पहले विचार से लेकर सत्यापित सामग्री तक। अगर हम तेज़ी से निर्णय लेने की क्षमता को अधिक प्रयोग करने की क्षमता के साथ जोड़ सकें, तो हम नई रासायनिक संरचनाओं की पड़ताल ऐसी गति से कर पाएँगे जो पहले संभव नहीं थी। इसी तरह AI बैटरी विकास के अर्थशास्त्र को बुनियादी तौर पर बदल सकता है।
इस शानदार साक्षात्कार के लिए धन्यवाद। बैटरी सामग्री, उच्च-थ्रूपुट प्रयोग और AI-सक्षम ऊर्जा प्रौद्योगिकी विकास के बारे में अधिक जानने के इच्छुक पाठक Holyvolt की वेबसाइट पर जाएँ।












