टाकु वतनाबे, वीपी और मैटलैंटिस के यूएस ऑपरेशन्स के प्रमुख – साक्षात्कार श्रृंखला

टाकु वतनाबे, वीपी और मैटलैंटिस के यूएस ऑपरेशन्स के प्रमुख, एक सामग्री विज्ञान और एआई विशेषज्ञ हैं जिनका करियर उन्नत बैटरी अनुसंधान, गणनात्मक मॉडलिंग और वैश्विक प्रौद्योगिकी नेतृत्व में फैला है। वह वर्तमान में मैसाचुसेट्स के कैम्ब्रिज से मैटलैंटिस के संयुक्त राज्य अमेरिका में विस्तार का नेतृत्व करते हैं, साथ ही साथ वैश्विक ग्राहक सफलता के प्रमुख और मुख्य अनुसंधानकर्ता के रूप में कार्य करते हैं, जो उन्नत सामग्री सूचना विज्ञान को वास्तविक दुनिया के औद्योगिक उपयोग के मामलों से जोड़ते हैं। मैटलैंटिस में शामिल होने से पहले, उन्होंने जापान में सैमसंग आरएंडडी संस्थान में वरिष्ठ भूमिकाएं निभाईं, जो ऑल-सॉलिड-स्टेट बैटरी विकास पर केंद्रित थीं, और पहले जॉर्जिया इंस्टीट्यूट ऑफ टेक्नोलॉजी में सिमुलेशन सॉफ्टवेयर में स्नातक कार्य पूरा करने के बाद पोस्टडॉक्टरल अनुसंधान किया। उनका करियर लगातार मशीन लर्निंग, भौतिक-आधारित सिमुलेशन और सामग्री विज्ञान को ऊर्जा और उन्नत सामग्री में नवाचार को तेज करने के लिए जोड़ने पर केंद्रित है।

मैटलैंटिस एक एआई-संचालित सामग्री सूचना विज्ञान कंपनी है जो उच्च-गति परमाणु सिमुलेशन के माध्यम से नए सामग्रियों की खोज और विकास को बदलने पर केंद्रित है। इसका क्लाउड-आधारित प्लेटफ़ॉर्म शोधकर्ताओं को उच्च सटीकता और गति के साथ आणविक और स्फटिक व्यवहार को मॉडल करने में सक्षम बनाता है, जो पहले महीनों में लेता था उसे सेकंड में कम करता है। मशीन लर्निंग इंटरएटोमिक पोटेंशियल और गणनात्मक रसायन शास्त्र पर आधारित, प्लेटफ़ॉर्म वैज्ञानिकों को पारंपरिक प्रयोगात्मक प्रतिबंधों के बिना विशाल सामग्री संयोजनों का अन्वेषण करने में सक्षम बनाता है, जो अर्धचालक और ऊर्जा भंडारण जैसे उद्योगों का समर्थन करता है। 2021 में प्राथमिकता नेटवर्क और ईएनईओएस के बीच सहयोग के माध्यम से स्थापित, मैटलैंटिस एआई-पहले सामग्री खोज और डिजिटल आरएंडडी कार्य प्रवाहों की ओर बदलाव में एक कोर परत के रूप में खुद को स्थापित कर रहा है।

आपने अपना करियर सामग्री विज्ञान, सिमुलेशन और मशीन लर्निंग के बीच बिताया है, सैमसंग में बैटरी अनुसंधान से लेकर ईएनईओएस में सामग्री सूचना विज्ञान और अब मैटलैंटिस में यूएस ऑपरेशन्स का नेतृत्व करना। कौन से प्रमुख क्षण आपको यह महसूस कराते हैं कि एआई-संचालित सिमुलेशन सामग्री खोज को मौलिक रूप से बदल देगा?

मेरे लिए मोड़ यह महसूस करना था कि सामग्री खोज में वास्तविक बोतलनेक हमारी सीमित क्षमता थी जो पर्याप्त उम्मीदवारों का अन्वेषण कर सकती थी। बैटरी सामग्री और बाद में सामग्री सूचना विज्ञान में मेरे काम में, हम घनत्व कार्यात्मक सिद्धांत (डीएफटी) जैसे तरीकों का उपयोग करके उच्च-गुणवत्ता वाले अंतर्दृष्टि उत्पन्न कर सकते थे, लेकिन केवल एक छोटे सेट की संभावनाओं के पार, लागत और समय प्रतिबंधों के कारण।

जो बदला वह मशीन लर्निंग पोटेंशियल का उदय था जो लगभग क्वांटम स्तर की सटीकता को बनाए रखते हुए गणनात्मक प्रवाह में नाटकीय रूप से वृद्धि कर सकता था। इससे दो महत्वपूर्ण बदलाव हुए।

पहला, यह उच्च विश्वसनीयता के साथ त्वरित परीक्षण और त्रुटि को सक्षम बनाता है। शोधकर्ता अब प्रति इकाई समय में काफी अधिक उम्मीदवार मूल्यांकन चला सकते हैं बिना सटीकता का बलिदान किए, जो अन्वेषण की गति और दायरे को मौलिक रूप से बदल देता है। दूसरा, यह सामग्री खोज में डेटा विज्ञान के लिए एक नई नींव बनाता है, क्योंकि उस स्तर की प्रवाह उच्च-गुणवत्ता वाले डेटा की मात्रा उत्पन्न करता है जो मशीन लर्निंग दृष्टिकोण को वास्तव में प्रभावी बनाने के लिए आवश्यक है।

मैटलैंटिस ने हाल ही में एनवीडिया के एएलसीएचईएमआई टूलकिट के साथ एकीकरण किया है ताकि औद्योगिक पैमाने पर सिमुलेशन प्रवाह को सक्षम किया जा सके। आपके दृष्टिकोण से, यह एकीकरण किन विशिष्ट बोतलनेक को दूर करता है, और यह आज आरएंडडी टीमों को वास्तव में क्या हासिल करने में सक्षम बनाता है?

एकीकरण एआई-संचालित पोटेंशियल और उन पर निर्भर बुनियादी ढांचे के बीच एक मूल मेल-मिलाप को दूर करता है। जबकि मॉडल जैसे पीएफपी अंतर्निहित रूप से जीपीयू-त्वरित हैं, सिमुलेशन कार्य प्रवाह के कुछ कुंजीय हिस्से, जैसे कि ऑर्केस्ट्रेशन, पारंपरिक रूप से सीपीयू-बाध्य या विभिन्न टूल के साथ ढीले से जुड़े हुए हैं। यह बड़े या वितरित कार्यभार चलाने पर अक्षमता और घर्षण का परिचय देता है, जो स्केलेबिलिटी को सीमित करता है।

एएलसीएचईएमआई इसे सिमुलेशन स्टैक के पूरे हिस्से में जीपीयू त्वरण का विस्तार करके संबोधित करता है, जो पहले एनवीडिया वार्प-ऑप्टिमाइज्ड केर्नेल के साथ एकीकरण पर बनाता है और अब उत्पादन-स्तर के निष्पादन के लिए एएलसीएचईएमआई टूलकिट-ओप्स में जा रहा है। परिणाम तेजी से कंप्यूट और एक अधिक संगठित, एआई-मूल सिमुलेशन वातावरण है जो विश्वसनीय रूप से औद्योगिक पैमाने पर संचालित हो सकता है।

जो इसे विशेष रूप से महत्वपूर्ण बनाता है वह यह है कि यह एक संक्रमण को चिह्नित करता है जो मंच दृष्टिकोण से वास्तविक तैनाती तक है। क्षमताओं जैसे लाइटपीएफपी के साथ, जो सैकड़ों हजारों परमाणुओं के पैमाने पर सिमुलेशन को सक्षम बनाता है और तेजी से अनुमान, एआई-संचालित परमाणु सिमुलेशन उत्पादन कार्य प्रवाह में उपयोग करने योग्य है।

आरएंडडी टीमों के लिए, यह सिमुलेशन की भूमिका को पूरी तरह से बदल देता है। इसका उपयोग चुनिंदा रूप से नहीं किया जाता है, यह दैनिक निर्णय लेने में एम्बेड किया जा सकता है, जो उन सामग्रियों को आकार देता है जिन्हें विकास के शुरुआती चरण में प्राथमिकता दी जाती है।

घोषणा लाइटपीएफपी और आगामी पीएफपी एकीकरण के बारे में बताती है। इन विकासों में पारंपरिक परमाणु सिमुलेशन पाइपलाइनों की तुलना में स्केलेबिलिटी और स्थिरता में सुधार कैसे होता है?

लाइटपीएफपी वितरित प्रणालियों में पड़ोसी सूची निर्माण के लिए आवश्यक संचार ओवरहेड जैसे परमाणु सिमुलेशन में एक प्रमुख बोतलनेक को संबोधित करता है। एनवीडिया एएलसीएचईएमआई टूलकिट-ओप्स के साथ अनुमान के दौरान इस चरण को प्रतिस्थापित करके, यह इंटर-नोड संचार को कम करता है। यह बड़े पैमाने पर सिमुलेशन को न केवल तेजी से बनाता है, बल्कि अधिक स्थिर भी बनाता है।

इसके सर्वर-आधारित वास्तुकला के साथ संयुक्त, यह सिमुलेशन को अधिक कुशलता से स्केल करने की अनुमति देता है, जबकि बुनियादी ढांचे और संचालन जटिलता को सरल करता है।

पूर्ण पीएफपी एकीकरण इन लाभों को एक सार्वभौमिक मॉडल तक बढ़ाता है, जो महत्वपूर्ण है क्योंकि पारंपरिक पाइपलाइनें अक्सर विभिन्न सामग्री प्रणालियों और गणनात्मक वातावरण में सुसंगत रूप से स्केल करने के लिए संघर्ष करती हैं। एक साथ, ये विकास दोनों स्केलेबिलिटी और विश्वसनीयता में सुधार करते हैं, सिमुलेशन को अलग-अलग शोध उपयोग के मामलों से निरंतर, औद्योगिक-पैमाने पर तैनाती की ओर ले जाते हुए, जो आमतौर पर प्रदर्शन और स्थिरता के बीच व्यापार के बिना होता है।

मैटलैंटिस प्राथमिकता पोटेंशियल (पीएफपी) पर बनाया गया है, जिसे दस लाख क्वांटम स्तर की गणनाओं पर प्रशिक्षित किया गया है। यह डेटा-संचालित दृष्टिकोण पारंपरिक भौतिकी-आधारित सिमुलेशन से कैसे भिन्न है, और यह सबसे बड़ा प्रदर्शन लाभ कहां देता है?

पारंपरिक सिमुलेशन प्रत्येक बार सीधे पहले सिद्धांतों से बातचीत की गणना करता है, जो सटीक है लेकिन गणनात्मक रूप से महंगा है। पीएफपी इसके बजाय एक विशाल सेट क्वांटम गणनाओं से सीखता है और उस ज्ञान को अनुमान के दौरान लागू करता है। सबसे बड़ा प्रदर्शन लाभ उन कार्य प्रवाह में आता है जिनमें कई उम्मीदवारों का पुनरावृत्ति मूल्यांकन की आवश्यकता होती है, जैसे कि सामग्री की जांच या सामग्री संरचना का अन्वेषण। इसके बजाय कि केवल एक मुट्ठी भर प्रणालियों तक सीमित होने के लिए, शोधकर्ता अब सटीकता को बनाए रखते हुए हजारों उम्मीदवारों का मूल्यांकन कर सकते हैं।

एक दावा यह है कि यह लगभग डीएफटी सटीकता को बड़े पैमाने पर त्वरित गति से प्राप्त करता है। व्यावहारिक शब्दों में, यह कंपनियों को प्रयोग, प्रोटोटाइप और समय-से-बाजार के दृष्टिकोण से कैसे बदलता है?

पारंपरिक रूप से, डीएफटी सटीकता के लिए स्वर्ण मानक रहा है, लेकिन आज इसकी गणनात्मक लागत इसे इतनी व्यापक रूप से लागू करने से रोकती है; आरएंडडी टीमें डीएफटी का उपयोग चुनिंदा रूप से सत्यापन के लिए करती हैं और बहुत अधिक परीक्षण और त्रुटि पर निर्भर करती हैं। लगभग डीएफटी सटीकता को बड़े पैमाने पर त्वरित गति से प्राप्त करना इस प्रतिबंध को दूर करता है।

इसके बजाय डीएफटी का उपयोग कुछ उम्मीदवारों का विश्लेषण करने के लिए प्रयोगों के बाद, कंपनियां अब तुरंत उस स्तर की अंतर्दृष्टि को हजारों संभावनाओं में अनुमानित कर सकती हैं। इससे उन्हें शारीरिक संसाधनों को प्रतिबद्ध करने से पहले गणनात्मक खोज स्थान को संकीर्ण करने में सक्षम बनाता है। परिणाम कम विफल प्रयोग, अधिक लक्षित प्रोटोटाइपिंग और महत्वपूर्ण रूप से तेजी से पुनरावृत्ति चक्र हैं, जो समय-से-बाजार को कम करते हुए आगे बढ़ने में क्या आत्मविश्वास बढ़ाता है।

हम अर्धचालक, बैटरी, और रसायन जैसे उद्योगों में सिमुलेशन-पहले खोज की ओर एक बदलाव को देख रहे हैं। एक आधुनिक उद्यम के भीतर एक पूरी तरह से सिमुलेशन-पहले आरएंडडी कार्य प्रवाह क्या दिखता है?

एक सिमुलेशन-पहले कार्य प्रवाह आरएंडडी को वांछित परिणामों के चारों ओर錨 करता है, न कि पूर्व-निर्धारित सामग्रियों के चारों ओर। टीमें अपने लक्ष्यों और चुनौतियों की पहचान करती हैं, और फिर बड़ी संख्या में उम्मीदवार सामग्रियों को अनुकूलन, स्थिरता और बढ़ती तरह से रासायनिक या स्फटिक स्थान के पूरे अन्वेषण के माध्यम से पैमाने पर जांचती हैं।

यह एक इंटरैक्टिव प्रक्रिया है। सिमुलेशन परिणाम निरंतर अगले सेट के उम्मीदवारों को सूचित करते हैं, तेजी से डिजाइन स्थान को संकीर्ण करते हैं। जब सामग्री मूल्यांकन चरण में जाती है, तो वे पहले ही कई गणनात्मक परतों से गुजर चुकी होती हैं, जो बर्बाद प्रयास को महत्वपूर्ण रूप से कम करती है।

वास्तविक बदलाव, हालांकि, संगठनात्मक है। सिमुलेशन एक निश्चित क्षमता से परे एक केंद्रीय निर्णय लेने वाली परत बन जाता है। यह निर्देशित करता है कि कौन से प्रयोग चलाए जाते हैं, संसाधनों को कैसे आवंटित किया जाता है, और टीमें अपनी प्राथमिकताओं को कैसे ưu先ित करती हैं। समय के साथ, यह एक बंद लूप प्रणाली बनाता है जहां सिमुलेशन और प्रयोग एक दूसरे को मजबूत करते हैं, टीमों को अधिक संभावनाओं का अन्वेषण करने की अनुमति देते हुए सबसे व्यवहार्य मार्गों पर केंद्रित रहते हैं।

जैसा कि एआई सामग्री विज्ञान में केंद्रीय हो जाता है, कंप्यूट, जीपीयू और सॉफ्टवेयर स्टैक जैसे बुनियादी ढांचे बढ़ती महत्वपूर्णता के साथ उभर रहे हैं। मॉडल नवाचार के बजाय बुनियादी ढांचे को सीमित कारक के रूप में क्यों उभरने दे रहा है?

क्योंकि कई संगठनों में मजबूत मॉडल हैं, लेकिन खंडित कार्य प्रवाह और सीमित कंप्यूट एक्सेस के साथ संघर्ष करते हैं। एआई को विरासत प्रणालियों पर एक उपकरण के रूप में मानने से अलगाववादी प्रयोग होता है, और सीमित कारक बुनियादी ढांचे और सिमुलेशन और डेटा सिमुलेशन को एक एकल, एकीकृत प्रणाली में एकीकृत करने की क्षमता में स्थानांतरित हो गया है।

मैटलैंटिस का उपयोग ऊर्जा से लेकर उन्नत विनिर्माण तक विभिन्न उद्योगों में किया जा रहा है। कौन से उपयोग के मामले आज सबसे तेजी से रिटर्न ऑन इन्वेस्टमेंट देख रहे हैं, और आप अगले विकास की लहर कहां देखते हैं?

सबसे तेजी से आरओआई उन क्षेत्रों में है जहां प्रयोगात्मक चक्र महंगे हैं और डिजाइन स्थान बड़े हैं, जैसे बैटरी सामग्री, कैटालिस्ट और सेमीकंडक्टर-संबंधित सामग्री। इन डोमेन में, गैर-व्यवहार्य उम्मीदवारों को जल्दी से हटाने से तुरंत मूल्य बनता है।

उदाहरण के लिए, रासायनिक निर्माता कुरारे ने एक सत्यापन प्रक्रिया थी जो दो से तीन साल लेती थी लेकिन मैटलैंटिस का उपयोग करके केवल एक महीने और आधे में कम हो गई। एक ही सिमुलेशन अभियान में, 13 प्रस्तावित कैटालिस्ट सुधारों का मूल्यांकन किया गया और सभी को गैर-व्यवहार्य के रूप में खारिज कर दिया गया, जिससे विफल प्रयोगों पर सालों का प्रयास बचाया गया।

आगे देखते हुए, अगली लहर के विकास सिमुलेशन और प्रयोग के संगम से आएंगे, न कि उन्हें अलगाव में सुधारने से। आज, अभी भी एक स्पष्ट सीमा है; वे आमतौर पर अनुक्रमिक चरण के रूप में व्यवहार किया जाता है।

हालांकि, यह सीमा धीरे-धीरे घुल रही है। उच्च-थ्रूपुट सिमुलेशन और मशीन लर्निंग में प्रगति के साथ, हम बंद लूप खोज प्रणालियों के उदय को देख रहे हैं जहां सिमुलेशन वास्तविक समय में प्रयोगों को निर्देशित करता है, और प्रयोगात्मक डेटा लगातार मॉडल में वापस फीड होता है। जैसे ही ये प्रणाली परिपक्व होती हैं, खोज निरंतर हो जाएगी। सिमुलेशन, एआई और प्रयोग के उस संगम में, जहां वे एक एकल प्रणाली के रूप में कार्य करते हैं, वहीं अगली पीढ़ी के विकास को चलाया जाएगा।

आपकी भूमिका गहरे तकनीकी अनुसंधान और वैश्विक ग्राहक सफलता दोनों को शामिल करती है। एआई-संचालित आरएंडडी वातावरण में प्रतिस्पर्धी बने रहने के लिए आपको लगता है कि अगली पीढ़ी के वैज्ञानिकों और इंजीनियरों को कौन से नए कौशल विकसित करने चाहिए?

सबसे महत्वपूर्ण कौशल जिसे अगली पीढ़ी को मजबूत करने की आवश्यकता है वह विभिन्न विषयों के पार काम करने की क्षमता है। वैज्ञानिकों को मजबूत डोमेन विशेषज्ञता और डेटा-संचालित मॉडल, स्केलेबल सिमुलेशन प्लेटफ़ॉर्म और पुनरावृत्ति कार्य प्रवाह के साथ काम करने की क्षमता की आवश्यकता है।

इसके अलावा, यह समझना कि सिमुलेशन और डेटा प्रयोग कैसे एक बड़े खोज प्रक्रिया के भीतर जुड़ते हैं, महत्वपूर्ण है। अगली पीढ़ी को परिभाषित नहीं किया जाएगा कि वे क्या जानते हैं, लेकिन यह कि वे अपने ज्ञान को आधुनिक आरएंडडी वातावरण के भीतर कितनी प्रभावी ढंग से एकीकृत और लागू कर सकते हैं।

आगे देखते हुए, जैसा कि एआई-संचालित सिमुलेशन वास्तविक समय की सामग्री खोज की ओर बढ़ रहा है, हम एक ऐसी दुनिया से कितनी दूर हैं जहां सामग्री के पूरे वर्गों को पूरी तरह से सिलिको में डिज़ाइन, सत्यापित और अनुकूलित किया जा सकता है trước कि कोई भौतिक प्रयोग हो? और इसका मतलब भविष्य के लिए क्या है?

हम विशिष्ट डोमेन में उस क्षमता की ओर बढ़ रहे हैं, लेकिन अभी तक सार्वभौमिक रूप से नहीं। कई प्रणालियों के लिए, सिमुलेशन पहले से ही बड़े हिस्से को खत्म कर सकता है और किसी भी प्रयोग से पहले उच्च आशाजनक उम्मीदवारों की पहचान कर सकता है।

हालांकि, वास्तविक दुनिया की जटिलता को पकड़ना, जैसे संश्लेषण की स्थिति और स्केल-अप प्रभाव, अभी भी चुनौतीपूर्ण है। परिणामस्वरूप, प्रयोग की भूमिका विकसित हो रही है। इसका उपयोग प्राथमिक अन्वेषण विधि के रूप में नहीं किया जाता है, बल्कि अधिक लक्षित और उद्देश्यपूर्ण, सत्यापन और सबसे आशाजनक गणनात्मक परिणामों को परिष्कृत करने पर केंद्रित है। खोज के प्रारंभिक प्रयासों का अधिकांश हिस्सा सिमुलेशन में स्थानांतरित हो जाता है, जिससे भौतिक परीक्षण अधिक सटीकता और कुशलता के साथ संचालित हो सकता है।

साक्षात्कार के लिए धन्यवाद, पाठकों को अधिक जानने के लिए मैटलैंटिस की यात्रा करनी चाहिए।