Interviste

Mathias Ingvarsson, fondatore e CEO di Holyvolt – Serie di interviste

Antoine Tardif
Aggiungi Unite.AI alle tue fonti preferite su Google
Mathias Ingvarsson, Founder and CEO of Holyvolt
Punti chiaveIl vantaggio di Holyvolt risiede in 18 anni di dati proprietari sulle batterie che i…
Vedi di più
  • Il vantaggio di Holyvolt risiede in 18 anni di dati proprietari sulle batterie che i concorrenti non possono semplicemente scaricare.
  • Le formulazioni fallite diventano dati di addestramento solo quando processi di laboratorio riproducibili separano i veri fallimenti chimici dalle anomalie di test.
  • L'IA ha ridotto un compito di progettazione sperimentale da sei settimane a otto minuti, ma gli scienziati progettano e valutano ancora gli esperimenti.

Mathias Ingvarsson è fondatore e CEO di Holyvolt, che ha creato nel 2022 per sviluppare nuovi approcci alla tecnologia delle batterie. Il suo percorso professionale comprende l’espansione internazionale di Tempur-Pedic e iniziative imprenditoriali in diversi settori. In Holyvolt si dedica a mettere in connessione competenze scientifiche, dati sperimentali e capacità produttive per accelerare lo sviluppo dei materiali per batterie, anche attraverso l’acquisizione di Wildcat Discovery Technologies.

Holyvolt sviluppa tecnologie per la produzione e lo stoccaggio dell’energia, combinando la ricerca di materiali ad alto rendimento con tecniche di serigrafia di precisione per la produzione. Attraverso Wildcat Discovery Technologies, la sua piattaforma di ricerca sulle batterie collega la sperimentazione in laboratorio, i dati storici dei test e lo sviluppo di materiali basato sull’IA. In questa intervista, Ingvarsson parla di come gli scienziati affianchino l’apprendimento automatico agli esperimenti fisici, del valore che i dati sulle formulazioni non riuscite possono avere e di cosa occorra per passare da previsioni più rapide a materiali convalidati e a una produzione su vasta scala.

La sua carriera comprende l’espansione internazionale di Tempur-Pedic e diverse iniziative imprenditoriali. Cosa l’ha spinta a fondare Holyvolt nel 2022 e quale opportunità nel settore delle batterie l’ha convinta a creare un’azienda in un settore così impegnativo dal punto di vista tecnico?

Ho creato aziende in settori che vanno dai materassi alla biancheria intima, quindi le batterie potrebbero sembrare un passo successivo insolito. Ma mi hanno sempre attratto i settori in cui vedevo un’opportunità che altri non coglievano.

Quando ho fondato Holyvolt sapevo molto poco di chimica delle batterie e, in realtà, penso che questo mi abbia aiutato. A volte non conoscere tutte le ragioni per cui qualcosa non si può fare è un superpotere. Jensen Huang una volta ha detto che, se avesse saputo quanto sarebbe stato difficile costruire Nvidia, probabilmente non avrebbe iniziato. Capisco cosa intendeva.

Quello che vedevo era un settore occidentale delle batterie che cercava di battere la Cina in una partita che la Cina aveva già vinto. Il settore investiva miliardi nel tentativo di replicare tecnologie che la Cina aveva perfezionato nel corso di decenni. Non riuscivo a capire perché non stessimo dedicando la stessa energia a sviluppare qualcosa di meglio. Le batterie alimenteranno quasi tutto ciò che ci circonda e vedevo un’enorme opportunità per ripensare il modo in cui le sviluppiamo. È questo che mi ha spinto a fondare Holyvolt.

Quando ha valutato l’acquisizione di Wildcat, cosa l’ha convinta che il suo storico di sperimentazione potesse diventare la base di una piattaforma di scoperta basata sull’IA? Cosa doveva accertare sui dati, oltre alla loro enorme quantità?

La quantità di dati ha subito attirato la mia attenzione: oltre 500.000 celle per batterie testate nell’arco di 18 anni e 165 milioni di cicli. E più approfondivamo, più ci colpivano il rigore degli esperimenti e le innovazioni che Wildcat aveva già realizzato. È incredibilmente difficile riprodurre dati di questo tipo, raccolti con coerenza nell’arco di decenni.

Non sono uno scienziato specializzato in batterie, quindi ho coinvolto persone che ne sapevano molto più di me. Esperti di batterie, IA e scienza dei materiali sono venuti a visitare il laboratorio e, a dire il vero, sono rimasti sbalorditi.

Poi si considerano le aziende che si rivolgono a Wildcat, tra cui BMW e altre imprese di fama mondiale che operano nell’intera catena del valore. Sono aziende con enormi budget per la ricerca e lo sviluppo e alcuni tra i migliori scienziati al mondo, e si rivolgevano a Wildcat per chiedere aiuto. Per me è stata la conferma definitiva. Mi sono convinto che Wildcat avesse creato la piattaforma per la scoperta di batterie più richiesta al mondo. E credo che con l’IA siamo solo all’inizio di ciò che può fare.

Gli esperimenti non riusciti sono una componente fondamentale del vantaggio che vi offrono i dati. Può fare un esempio di ciò che un modello può imparare da una formulazione di batteria non riuscita e spiegare come il vostro team distingue un fallimento chimico significativo da un problema nel modo in cui è stato condotto un esperimento?

Il fallimento fa parte della chimica. È così che abbiamo compiuto progressi scientifici per centinaia di anni. Si prova qualcosa, non funziona, si impara dall’esperienza e si riprova. L’IA deve imparare allo stesso modo.

Da 18 anni conduciamo esperimenti sulle batterie ad alto rendimento, quindi i nostri dati comprendono tutto: dalle formulazioni non riuscite ai materiali che siamo riusciti a ottimizzare. Questo è incredibilmente prezioso per addestrare un modello.

Prendiamo le batterie al litio-metallo. A differenza delle tradizionali batterie al grafite, possono subire un improvviso calo di capacità, molto difficile da prevedere. Abbiamo sviluppato modelli di apprendimento automatico basati su dati reali dei cicli di carica delle batterie, relativi a diverse formulazioni di elettroliti, configurazioni degli elettrodi e protocolli di test, per prevedere quando potrebbe verificarsi quel calo.

I nostri modelli iniziali riescono a prevedere questi cali con un livello di affidabilità ragionevole e stiamo progettando esperimenti più mirati e testando le batterie in condizioni diverse per affinare le previsioni.

Naturalmente, questi dati sono utili solo se possiamo fidarci dei risultati. Da anni perfezioniamo i processi di laboratorio per rendere gli esperimenti altamente riproducibili e ridurre al minimo gli errori. Eseguiamo anche più repliche dello stesso esperimento, così possiamo capire se un risultato negativo segnala un problema effettivo del materiale oppure un’anomalia nel processo di test. In questo modo evitiamo di insegnare ai nostri modelli lezioni sbagliate sulla base di un singolo risultato non rappresentativo.

Può illustrarci un ciclo di scoperta, dalla proposta di un materiale da parte di un modello fino ai test in laboratorio e all’integrazione dei risultati? Quali decisioni prende l’IA e in quali passaggi il giudizio di uno scienziato resta essenziale?

Si parte dai nostri scienziati. Progettano un esperimento in base a ciò che vogliono scoprire, poi la nostra piattaforma ad alto rendimento esegue i test. I nostri ingegneri specializzati nell’apprendimento automatico utilizzano quindi quei dati iniziali per sviluppare un modello e verificare se è in grado di prevedere i risultati di esperimenti futuri.

Poi verifichiamo in laboratorio le previsioni. Se i risultati corrispondono, acquisiamo maggiore fiducia nel modello e possiamo usarlo per valutare nuove formulazioni. Se non corrispondono, i nostri scienziati indagano sulle cause. A volte il modello ha bisogno di più dati, il che significa progettare esperimenti del tutto nuovi o effettuare test in condizioni diverse. Reintegriamo quei risultati nel modello, lo perfezioniamo e ripetiamo il processo.

C’è grande entusiasmo all’idea che l’IA possa scoprire autonomamente nuovi materiali, ma siamo cauti nelle nostre affermazioni. In questa fase, i nostri scienziati progettano ancora gli esperimenti e prendono le decisioni fondamentali. L’IA ci aiuta a formulare previsioni, mentre il laboratorio ci dice se queste trovano effettivo riscontro. Combinando le competenze dei nostri scienziati con l’IA, siamo già riusciti a ridurre drasticamente il tempo necessario per alcune attività di progettazione sperimentale: da settimane a pochi minuti.

Un insieme di dati storici riflette i materiali che i ricercatori hanno scelto di studiare in passato. Come impedite ai vostri modelli di limitarsi a quegli ambiti già noti e stabilite quando una chimica poco esplorata è abbastanza promettente da giustificare test fisici?

È proprio la domanda giusta, ed è per questo che credo che il nostro laboratorio sia ancora più prezioso del nostro insieme di dati.

Un modello impara dai dati che gli forniamo, quindi è naturale che sia più affidabile quando fa previsioni su elementi che ha già incontrato. La vera opportunità consiste nell’usare l’IA per esplorare ambiti della chimica completamente nuovi, per i quali potrebbero non esistere dati storici.

È qui che la nostra piattaforma ad alto rendimento ci offre un enorme vantaggio. Possiamo generare rapidamente nuovi dati sperimentali affidabili su centinaia di formulazioni, fornendo ai nostri modelli una base da cui apprendere anche in ambiti della chimica poco esplorati.

Inoltre, poiché possiamo verificare le previsioni in laboratorio, reintegrare i risultati nei nostri modelli e ripetere il processo, siamo in grado di migliorarne costantemente la precisione. Ogni esperimento rende la previsione successiva più informata.

Credo che questo sia il nostro principale vantaggio competitivo. Disponiamo di 18 anni di dati storici, ma non ne siamo vincolati. Possiamo generare i nuovi dati necessari per esplorare chimiche che non sono ancora state studiate a fondo.

Come misurate i miglioramenti attribuibili specificamente all’IA, al di là di quelli già ottenuti con la sperimentazione automatizzata ad alto rendimento? Quali confronti dimostrano che i modelli individuano candidati migliori o riducono il numero di esperimenti necessari per arrivare a un risultato utile?

In realtà è una domanda difficile, perché la scoperta scientifica è un lavoro di squadra.

Pensiamo a un gruppo di scienziati che discute per trovare una soluzione a un problema. Alla fine potrebbe essere una persona a trovarla, ma l’idea potrebbe essere nata da ore di confronto con tutti gli altri presenti. A chi va il merito?

Credo che dovremmo considerare l’IA in modo simile: è un altro membro del gruppo di ricerca. Può aiutare gli scienziati a trovare più rapidamente informazioni pertinenti, riconoscere schemi nei dati sperimentali e comprendere più a fondo un problema.

La nostra piattaforma ad alto rendimento ci offre già un enorme vantaggio in termini di velocità di esecuzione degli esperimenti. Ora stiamo cercando di capire fin dove possa portarci l’IA. Non voglio fornire un dato che non siamo in grado di comprovare adeguatamente. Ciò che conta è aiutare i nostri scienziati a trovare risposte migliori in meno tempo e con meno esperimenti.

Lo sviluppo delle batterie comporta obiettivi in competizione tra loro, tra cui densità energetica, durata del ciclo, sicurezza, costo e producibilità. Come traducete questi compromessi in obiettivi per l’IA? E una diversa applicazione prevista può indirizzarla verso materiali fondamentalmente diversi?

Dipende davvero dall’uso previsto della batteria. Una batteria per un drone ha requisiti molto diversi da una destinata a un veicolo elettrico. In un’applicazione si potrebbe dare priorità alla densità energetica, in un’altra alla durata del ciclo o al costo.

Possiamo definire con chiarezza questi obiettivi. Densità energetica, durata del ciclo, sicurezza e costo sono tutti parametri misurabili, quindi possiamo assegnare al modello obiettivi di prestazione specifici in base all’applicazione.

La parte difficile è risalire da questi obiettivi a un materiale che sia effettivamente in grado di raggiungerli.

Cambiare l’applicazione può certamente cambiare i materiali che studiamo. I nostri scienziati devono comunque determinare quali composizioni chimiche siano promettenti, progettare gli esperimenti e verificare se quei materiali possono raggiungere gli obiettivi prestazionali.

Holyvolt sta portando verso la commercializzazione materiali catodici a struttura rocksalt disordinata, privi di nichel e cobalto. Che ruolo ha avuto l’IA in questo sviluppo e quali ostacoli ancora da superare richiedono soluzioni produttive o ingegneristiche che vadano oltre la scoperta di materiali?

La DRX è un ottimo esempio del perché il nostro approccio sia importante. Le possibili combinazioni di materiali sono numerosissime e testarli uno per uno richiederebbe anni.

In Holyvolt, la nostra piattaforma ad alto rendimento ci permette di testare rapidamente centinaia di formulazioni diverse e di capire come le variazioni nella composizione chimica influiscano sulla densità energetica, sulla tensione, sulla durata della batteria e sulle prestazioni. Siamo riusciti a individuare materiali promettenti molto più rapidamente di quanto consentano i metodi di ricerca tradizionali.

Ora stiamo combinando questi dati sperimentali con l’apprendimento automatico per individuare schemi ricorrenti e aiutare i nostri scienziati a decidere quali formulazioni esplorare in seguito. Più testiamo, più impariamo e meglio riusciamo a orientare gli esperimenti futuri.

Stiamo già facendo progressi verso una produzione su scala commerciale e uno dei nostri maggiori vantaggi è che utilizziamo processi produttivi consolidati. Non dobbiamo sviluppare attrezzature completamente nuove né reinventare il modo in cui vengono prodotti questi materiali. Il nostro obiettivo è aumentare la produzione insieme ai nostri partner, mantenendo prestazioni costanti e costi competitivi.

Hai sostenuto che i dati scientifici proprietari possano rappresentare un vantaggio competitivo più forte dei modelli stessi. Cosa fa sì che questo vantaggio cresca nel tempo e come concili l’apprendimento tra i progetti dei clienti con la tutela della ricerca riservata e della proprietà intellettuale di ciascun cliente?

Alcuni dei modelli di IA più potenti oggi disponibili sono open source e continuano a migliorare. Ma non si possono semplicemente scaricare 18 anni di ricerca sulle batterie. È questo che rende così preziosi i nostri dati.

In Holyvolt abbiamo testato più di 500.000 celle per batterie, sottoponendole a oltre 165 milioni di cicli. Sappiamo quali materiali sono stati utilizzati, come sono stati lavorati, quali prestazioni hanno avuto e in quali casi hanno ceduto. Inoltre, poiché nel corso di tutti questi anni abbiamo seguito metodi di prova uniformi, possiamo effettivamente confrontare i risultati. Per chiunque altro sarebbe estremamente difficile replicare tutto questo.

Ogni esperimento ci insegna qualcosa. Queste conoscenze ci aiutano a migliorare i modelli, formulare previsioni più accurate e decidere cosa testare in seguito. E più esperimenti conduciamo, più preziosa diventa questa base di conoscenze.

Collaboriamo anche con alcune delle aziende più importanti al mondo, che ci affidano ricerche sensibili. Prendiamo molto sul serio questa responsabilità e abbiamo adottato solide misure di protezione per salvaguardare le informazioni riservate e la proprietà intellettuale.

Con l’espansione della piattaforma, qual è oggi il principale limite alla rapidità della scoperta: le capacità dei modelli, la capacità sperimentale, il tempo necessario per convalidare la durata delle batterie o qualcos’altro? Quale traguardo misurabile nei prossimi due anni dimostrerebbe che l’IA sta cambiando i costi di sviluppo delle batterie?

Credo che oggi il principale collo di bottiglia sia il tempo che gli scienziati dedicano alla progettazione degli esperimenti e all’analisi dei risultati.

Pensiamo al processo tradizionale. Uno scienziato formula una domanda, progetta un esperimento, esegue i test, analizza i dati e poi decide cosa provare in seguito. Abbiamo già automatizzato gran parte delle prove fisiche grazie alla nostra piattaforma ad alto rendimento, ma il lavoro di ragionamento tra una fase e l’altra richiede ancora moltissimo tempo.

Di recente abbiamo applicato un modello di IA relativamente semplice a una parte del processo di progettazione sperimentale. Un’attività che normalmente avrebbe richiesto sei settimane è stata completata in otto minuti. È un risultato davvero straordinario, che dimostra cosa sia possibile fare.

Ma accelerare la progettazione degli esperimenti è solo l’inizio. Man mano che l’IA ci aiuta a individuare più rapidamente cosa testare, dobbiamo anche aumentare la velocità con cui riusciamo a condurre gli esperimenti. Per questo prevediamo di ampliare la capacità del nostro laboratorio e di investire ulteriormente nell’automazione.

Nei prossimi due anni vorrei che accelerassimo notevolmente l’intero processo di scoperta, dalla prima idea a un materiale convalidato. Se riusciamo a combinare decisioni più rapide con la possibilità di condurre un maggior numero di esperimenti, possiamo esplorare nuove composizioni chimiche a un ritmo prima semplicemente impossibile. È così che l’IA può cambiare radicalmente i costi di sviluppo delle batterie.

Grazie per la bella intervista. I lettori che desiderano saperne di più sui materiali per batterie, sulla sperimentazione ad alto rendimento e sullo sviluppo di tecnologie energetiche basate sull’IA possono visitare Holyvolt.

Antoine è un leader visionario e socio fondatore di Unite.AI, animato da una passione incrollabile per plasmare e promuovere il futuro dell’IA e della robotica. Imprenditore che ha fondato diverse aziende, ritiene che l’IA trasformerà la società quanto l’elettricità e parla spesso con entusiasmo del potenziale delle tecnologie dirompenti e dell’intelligenza artificiale generale (AGI).

In qualità di futurologo, si dedica a esplorare come queste innovazioni plasmeranno il nostro mondo. È inoltre il fondatore di Securities.io, una piattaforma incentrata sugli investimenti in tecnologie all’avanguardia che stanno ridefinendo il futuro e trasformando interi settori.