Taku Watanabe, Wakil Presiden dan Kepala Operasi AS, Matlantis – Seri Wawancara

Taku Watanabe, Wakil Presiden dan Kepala Operasi AS, Matlantis, adalah seorang spesialis ilmu bahan dan kecerdasan buatan dengan karir yang meliputi penelitian baterai canggih, pemodelan komputasi, dan kepemimpinan teknologi global. Saat ini, ia memimpin ekspansi Matlantis di Amerika Serikat dari Cambridge, Massachusetts, sambil juga menjabat sebagai peneliti utama dan kepala keberhasilan pelanggan global, menghubungkan informatics bahan canggih dengan kasus penggunaan industri dunia nyata. Sebelum bergabung dengan Matlantis, ia memegang posisi senior di Samsung R&D Institute Jepang yang berfokus pada pengembangan baterai all-solid-state, dan sebelumnya melakukan penelitian pasca doktoral di Georgia Institute of Technology setelah menyelesaikan pekerjaan pascasarjana di perangkat lunak simulasi di University of Florida. Karirnya secara konsisten berpusat pada menggabungkan pembelajaran mesin, simulasi berbasis fisika, dan ilmu bahan untuk mempercepat inovasi di bidang energi dan bahan canggih.

Matlantis adalah perusahaan informatics bahan yang didorong oleh kecerdasan buatan yang berfokus pada mengubah cara bahan baru ditemukan dan dikembangkan melalui simulasi atomistik berkecepatan tinggi. Platform berbasis awan mereka memungkinkan peneliti untuk memodelkan perilaku molekul dan kristal dengan akurasi tinggi dan kecepatan, mengurangi proses yang sebelumnya memakan waktu berbulan-bulan menjadi detik. Dibangun di atas potensial antar atom yang dipelajari mesin dan kimia komputasi, platform ini memungkinkan ilmuwan untuk menjelajahi kombinasi bahan yang luas tanpa batasan eksperimental tradisional, mendukung industri seperti semikonduktor dan penyimpanan energi. Didirikan pada tahun 2021 melalui kolaborasi antara Preferred Networks dan ENEOS, Matlantis memposisikan diri sebagai lapisan inti dalam peralihan ke penemuan bahan yang didorong oleh kecerdasan buatan dan alur kerja R&D digital.

Anda telah menghabiskan karir Anda di persimpangan ilmu bahan, simulasi, dan kecerdasan buatan, dari penelitian baterai di Samsung hingga informatics bahan di ENEOS dan sekarang memimpin operasi AS di Matlantis. Apa momen kunci yang meyakinkan Anda bahwa simulasi yang didorong oleh kecerdasan buatan akan secara fundamental mengubah penemuan bahan?

Saat yang menentukan bagi saya adalah menyadari bahwa bottleneck nyata dalam penemuan bahan adalah kemampuan terbatas kita untuk menjelajahi kandidat yang cukup. Dalam pekerjaan saya pada bahan baterai dan kemudian dalam informatics bahan, kita dapat menghasilkan wawasan berkualitas tinggi menggunakan metode seperti teori fungsional densitas (DFT), tetapi hanya di atas satu set kemungkinan kecil karena keterbatasan biaya dan waktu.

Apa yang berubah adalah munculnya potensial pembelajaran mesin yang dapat mempertahankan akurasi hampir kuantum sambil meningkatkan throughput komputasi secara dramatis. Ini membuka dua pergeseran penting.

Pertama, ini memungkinkan percobaan yang dipercepat dengan fidelitas tinggi. Peneliti sekarang dapat menjalankan evaluasi kandidat yang signifikan per satuan waktu tanpa mengorbankan akurasi, secara fundamental mengubah kecepatan dan cakupan eksplorasi. Kedua, ini menciptakan fondasi baru untuk ilmu data dalam penemuan bahan, karena tingkat throughput tersebut menghasilkan volume data berkualitas tinggi yang diperlukan untuk membuat pendekatan pembelajaran mesin benar-benar efektif.

Matlantis baru-baru ini mengintegrasikan dengan NVIDIA’s ALCHEMI Toolkit untuk memungkinkan throughput simulasi skala industri. Dari perspektif Anda, apa bottleneck spesifik yang dihilangkan oleh integrasi ini, dan bagaimana ini mengubah apa yang tim R&D dapat capai hari ini?

Integrasi ini menghilangkan ketidakcocokan fundamental antara potensial yang didorong oleh kecerdasan buatan dan infrastruktur yang mereka andalkan. Sementara model seperti PFP secara inheren dipercepat oleh GPU, bagian kunci dari alur kerja simulasi, seperti orkestrasi, secara tradisional tetap terikat CPU atau terhubung longgar di seluruh alat yang berbeda. Ini menciptakan ketidakefisienan dalam pergerakan data dan membatasi skalabilitas dengan memperkenalkan gesekan ketika menjalankan beban kerja besar atau terdistribusi.

ALCHEMI mengatasi ini dengan memperluas percepatan GPU di seluruh tumpukan simulasi, membangun pada integrasi sebelumnya dengan kernel NVIDIA Warp-optimalkan dan sekarang bergerak ke ALCHEMI Toolkit-Ops untuk eksekusi skala produksi. Hasilnya adalah komputasi yang lebih cepat dan lingkungan simulasi yang lebih kohesif dan asli kecerdasan buatan yang dapat beroperasi secara andal pada skala industri.

Apa yang membuat ini sangat penting sekarang adalah bahwa ini menandai transisi dari visi platform ke penerapan nyata. Dengan kemampuan seperti LightPFP yang memungkinkan simulasi pada skala ratusan ribu atom dan inferensi yang lebih cepat, simulasi atomistik yang didorong oleh kecerdasan buatan dapat digunakan dalam alur kerja produksi.

Untuk tim R&D, itu mengubah peran simulasi secara keseluruhan. Alih-alih diterapkan secara selektif, itu dapat disematkan ke dalam pengambilan keputusan sehari-hari, membentuk bahan mana yang diprioritaskan awal dalam pengembangan.

Pengumuman tersebut menyoroti LightPFP dan integrasi PFP yang akan datang dengan ALCHEMI. Bagaimana perkembangan ini meningkatkan skalabilitas dan stabilitas dibandingkan dengan pipa simulasi atomistik tradisional?

LightPFP mengatasi bottleneck kunci dalam simulasi atomistik: overhead komunikasi yang diperlukan untuk konstruksi daftar tetangga dalam sistem terdistribusi. Dengan menggantikan langkah ini selama inferensi dengan NVIDIA ALCHEMI Toolkit-Ops, itu mengurangi komunikasi antar node. Ini membuat simulasi skala besar lebih cepat dan lebih stabil.

Di kombinasikan dengan arsitektur berbasis server, ini memungkinkan simulasi untuk menskalakan lebih efisien sambil menyederhanakan infrastruktur dan mengurangi kompleksitas operasional.

Integrasi PFP penuh memperluas manfaat ini ke model universal, yang penting karena pipa tradisional seringkali berjuang untuk menskalakan secara konsisten di seluruh sistem bahan dan lingkungan komputasi yang berbeda. Bersama-sama, perkembangan ini meningkatkan baik skalabilitas dan keandalan, memungkinkan simulasi untuk berpindah dari kasus penggunaan penelitian yang terisolasi ke penerapan skala industri yang berkelanjutan tanpa trade-off yang biasa antara kinerja dan stabilitas.

Matlantis dibangun di atas Preferred Potential (PFP), dilatih pada puluhan juta perhitungan tingkat kuantum. Bagaimana pendekatan data-driven ini berbeda dari simulasi berbasis fisika konvensional, dan di mana ia memberikan kenaikan kinerja terbesar?

Simulasi konvensional menghitung interaksi secara langsung dari prinsip-prinsip dasar setiap kali, yang akurat tetapi komputasi yang mahal. PFP sebaliknya belajar dari set besar perhitungan kuantum dan menerapkan pengetahuan itu selama inferensi. Kenaikan kinerja terbesar datang dalam alur kerja yang memerlukan evaluasi berulang di seluruh banyak kandidat, seperti penyaringan bahan atau menjelajahi komposisi bahan. Sebagai gantinya, peneliti dapat mengevaluasi ribuan kandidat sambil mempertahankan akurasi yang signifikan.

Salah satu klaim paling menggugah adalah mencapai akurasi hampir DFT pada kecepatan yang dipercepat secara besar-besaran. Dalam istilah praktis, bagaimana ini menggeser cara perusahaan mendekati eksperimen, prototipe, dan waktu ke pasar?

Secara tradisional, DFT telah menjadi standar emas untuk akurasi, tetapi hari ini, biaya komputasinya membatasi seberapa luas itu dapat diterapkan; tim R&D telah sangat bergantung pada eksperimen trial-and-error dan menggunakan DFT secara selektif untuk validasi. Akurasi hampir DFT pada kecepatan yang dipercepat secara besar-besaran menghilangkan keterbatasan ini.

Sebagai gantinya, perusahaan sekarang dapat segera mendekati tingkat wawasan itu di seluruh ribuan kemungkinan. Ini memungkinkan mereka untuk menyempitkan ruang pencarian komputasi sebelum mengkomitmen sumber daya fisik. Hasilnya adalah eksperimen yang gagal lebih sedikit, prototipe yang lebih terarah, dan siklus iterasi yang jauh lebih cepat, pada akhirnya mengurangi waktu ke pasar sambil meningkatkan kepercayaan diri dalam apa yang mendorong produksi ke depan.

Kita menyaksikan transisi menuju penemuan simulasi-pertama di seluruh industri seperti semikonduktor, baterai, dan kimia. Apa yang terlihat seperti alur kerja R&D simulasi-pertama di dalam perusahaan modern?

Alur kerja simulasi-pertama dimulai dengan mengaitkan R&D di sekitar hasil yang diinginkan daripada bahan yang telah ditentukan sebelumnya. Tim mengidentifikasi tujuan dan tantangan mereka, dan kemudian menyaring sejumlah besar kandidat bahan dengan skala berarti, optimasi, stabilitas, dan semakin banyak, menjelajahi ruang kimia atau kristal secara keseluruhan.

Ini adalah proses interaktif. Hasil simulasi terus-menerus memandu kandidat berikutnya, dengan cepat menyempitkan ruang desain. Ketika bahan memasuki fase validasi, mereka telah difilter melalui beberapa lapisan komputasi, secara signifikan mengurangi upaya yang terbuang.

Perubahan nyata, bagaimanapun, adalah organisasional. Simulasi berpindah dari kemampuan khusus menjadi lapisan pengambilan keputusan pusat. Ini memandu eksperimen mana yang dijalankan, bagaimana sumber daya dialokasikan, dan bagaimana tim memprioritaskan prioritas mereka. Dalam jangka panjang, ini menciptakan sistem loop tertutup di mana simulasi dan eksperimen saling memperkuat, memungkinkan tim untuk menjelajahi lebih banyak kemungkinan sambil tetap fokus pada jalur yang paling layak.

Seiring kecerdasan buatan menjadi pusat ilmu bahan, infrastruktur seperti komputasi, GPU, dan tumpukan perangkat lunak semakin penting. Mengapa infrastruktur sekarang muncul sebagai faktor pembatas daripada inovasi model saja?

Karena banyak organisasi memiliki model yang kuat, tetapi berjuang dengan alur kerja yang terfragmentasi dan akses komputasi yang terbatas. Mengobati kecerdasan buatan sebagai alat yang dilapis pada sistem warisan menyebabkan eksperimen yang terisolasi, dan faktor pembatas telah bergeser ke infrastruktur dan seberapa efektif organisasi dapat mengintegrasikan komputasi dan simulasi data ke dalam sistem tunggal yang terpadu.

Matlantis sudah digunakan di seluruh industri mulai dari energi hingga manufaktur canggih. Kasus penggunaan mana yang melihat pengembalian investasi tercepat hari ini, dan di mana Anda melihat gelombang terobosan berikutnya muncul?

Pengembalian investasi tercepat ada di area di mana siklus eksperimental mahal dan ruang desain besar, seperti bahan baterai, katalis, dan bahan terkait semikonduktor. Dalam domain ini, menghilangkan kandidat yang tidak layak pada tahap awal menciptakan nilai segera.

Sebagai contoh, produsen kimia Kuraray pernah memiliki proses verifikasi yang memakan waktu dua hingga tiga tahun tetapi dikurangi menjadi hanya satu setengah bulan menggunakan Matlantis. Dalam satu kampanye simulasi, 13 perbaikan katalis yang diusulkan dievaluasi dan semua dianggap tidak layak dan menghemat tahun-tahun upaya eksperimental pada ide yang tidak menghasilkan.

Melihat ke depan, gelombang terobosan berikutnya akan datang dari konvergensi simulasi dan eksperimen, bukan dari memperbaiki mereka dalam isolasi. Hari ini, masih ada batas yang jelas antara keduanya, dan mereka biasanya diperlakukan sebagai langkah-langkah berurutan daripada strategi yang terpadu.

Namun, batas itu mulai larut. Dengan kemajuan dalam simulasi berkecepatan tinggi dan pembelajaran mesin, kita melihat munculnya sistem penemuan loop tertutup di mana simulasi memandu eksperimen secara waktu nyata, dan data eksperimental secara konsisten memberi umpan balik ke dalam model. Ketika sistem ini matang, penemuan akan menjadi berkelanjutan. Konvergensi itu, di mana simulasi, kecerdasan buatan, dan eksperimen beroperasi sebagai sistem yang terpadu, adalah di mana generasi berikutnya terobosan akan didorong.

Peran Anda mencakup penelitian teknis yang mendalam dan keberhasilan pelanggan global. Apa keterampilan baru yang Anda percaya generasi berikutnya ilmuwan dan insinyur harus kembangkan untuk tetap kompetitif dalam lingkungan R&D yang didorong oleh kecerdasan buatan?

Keterampilan paling penting yang generasi berikutnya perlu kuat adalah kemampuan untuk beroperasi di seluruh disiplin. Ilmuwan memerlukan keahlian domain yang kuat dan kemampuan untuk bekerja dengan model data yang didorong, platform simulasi yang dapat diskalakan, dan alur kerja iteratif. Sama pentingnya adalah memahami bagaimana simulasi dan eksperimen data terhubung dalam proses penemuan yang lebih besar.

Generasi berikutnya akan ditentukan tidak hanya oleh apa yang mereka ketahui, tetapi oleh seberapa efektif mereka dapat mengintegrasikan dan menerapkan pengetahuan itu dalam lingkungan R&D modern.

Menghadap ke depan, ketika simulasi yang didorong oleh kecerdasan buatan mendekati penemuan bahan waktu nyata, seberapa dekat kita dengan dunia di mana kelas bahan yang lengkap dirancang, divalidasi, dan dioptimalkan sepenuhnya dalam silico sebelum eksperimen fisik apa pun dilakukan, dan apa yang itu berarti untuk masa depan inovasi?

Kita mendekati kemampuan itu dalam domain tertentu, tetapi belum secara universal. Untuk banyak sistem, simulasi sudah dapat menghilangkan sebagian besar ruang desain dan mengidentifikasi kandidat yang sangat menjanjikan sebelum eksperimen apa pun dilakukan.

Namun, menangkap kompleksitas dunia nyata secara penuh, seperti kondisi sintesis dan efek penskalaan, tetap menantang. Sebagai hasilnya, peran eksperimen berkembang. Alih-alih berfungsi sebagai metode eksplorasi utama, eksperimen menjadi lebih terarah dan bertujuan, fokus pada validasi dan penghalusan hasil komputasi yang paling menjanjikan. Sebagian besar upaya penemuan tahap awal bergeser ke simulasi, memungkinkan pengujian fisik untuk beroperasi dengan jauh lebih presisi dan efisiensi.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Matlantis.