Taku Watanabe, VP e Responsabile delle Operazioni negli Stati Uniti, Matlantis – Serie di Interviste

Taku Watanabe, VP e Responsabile delle Operazioni negli Stati Uniti, Matlantis, è uno specialista in scienza dei materiali e intelligenza artificiale con una carriera che abbraccia la ricerca avanzata sulle batterie, la modellazione computazionale e la leadership tecnologica globale. Attualmente guida l’espansione di Matlantis negli Stati Uniti da Cambridge, Massachusetts, e ricopre anche il ruolo di ricercatore principale e responsabile del successo dei clienti a livello globale, collegando l’informatica dei materiali avanzati con casi d’uso industriali reali. Prima di unirsi a Matlantis, ha ricoperto ruoli senior presso l’Istituto di Ricerca e Sviluppo Samsung in Giappone, concentrandosi sullo sviluppo di batterie a stato solido, e in precedenza ha condotto ricerche post-dottorali presso il Georgia Institute of Technology dopo aver completato gli studi di laurea in software di simulazione presso l’Università della Florida. La sua carriera si concentra costantemente sull’integrazione di apprendimento automatico, simulazione basata sulla fisica e scienza dei materiali per accelerare l’innovazione nell’energia e nei materiali avanzati.

Matlantis è un’azienda di informatica dei materiali guidata dall’intelligenza artificiale, focalizzata sulla trasformazione di come vengono scoperti e sviluppati nuovi materiali attraverso la simulazione atomistica ad alta velocità. La sua piattaforma basata su cloud consente ai ricercatori di modellare il comportamento molecolare e cristallino con alta precisione e velocità, riducendo i processi che in precedenza richiedevano mesi a pochi secondi. Costruita su potenziali interatomici di apprendimento automatico e chimica computazionale, la piattaforma consente ai ricercatori di esplorare vasti insiemi di materiali senza le tradizionali limitazioni sperimentali, supportando settori come i semiconduttori e l’immagazzinamento dell’energia. Fondata nel 2021 attraverso una collaborazione tra Preferred Networks e ENEOS, Matlantis si sta posizionando come un livello fondamentale nel passaggio verso la scoperta dei materiali guidata dall’intelligenza artificiale e i flussi di lavoro di R&D digitali.

Ha trascorso la sua carriera all’intersezione della scienza dei materiali, della simulazione e dell’intelligenza artificiale, dalla ricerca sulle batterie presso Samsung alla scienza dei materiali informatici presso ENEOS e ora alla guida delle operazioni negli Stati Uniti presso Matlantis. Quali sono stati i momenti chiave che l’hanno convinto che la simulazione guidata dall’intelligenza artificiale avrebbe fondamentalmente ridisegnato la scoperta dei materiali?

Il punto di svolta per me è stato rendersi conto che il vero collo di bottiglia nella scoperta dei materiali era la nostra limitata capacità di esplorare abbastanza candidati. Nel mio lavoro sui materiali per batterie e successivamente nella scienza dei materiali informatici, potevamo generare informazioni di alta qualità utilizzando metodi come la teoria funzionale della densità (DFT), ma solo su un piccolo insieme di possibilità a causa delle limitazioni di costo e tempo.

Ciò che è cambiato è l’emergere di potenziali di apprendimento automatico che potevano preservare una precisione quasi quantistica mentre aumentavano notevolmente la velocità computazionale. Ciò ha sbloccato due importanti cambiamenti.

Innanzitutto, ha consentito un processo di prova ed errore accelerato ad alta fedeltà. I ricercatori possono ora eseguire una valutazione significativamente maggiore di candidati per unità di tempo senza sacrificare la precisione, cambiando fondamentalmente il ritmo e l’ambito dell’esplorazione. In secondo luogo, ha creato una nuova base per la scienza dei dati nella scoperta dei materiali, poiché quel livello di throughput genera il volume di dati di alta qualità necessario per rendere efficaci gli approcci di apprendimento automatico.

Matlantis ha recentemente integrato l’ALCHEMI Toolkit di NVIDIA per abilitare la simulazione su larga scala. Dal suo punto di vista, quali collo di bottiglia specifici rimuove questa integrazione e come cambia ciò che i team di R&D possono realisticamente raggiungere oggi?

L’integrazione rimuove un fondamentale disallineamento tra potenziali guidati dall’intelligenza artificiale e l’infrastruttura su cui si basano. Mentre modelli come PFP sono intrinsecamente accelerati da GPU, parti chiave del flusso di lavoro di simulazione, come l’orchestrazione, sono tradizionalmente rimaste legate alla CPU o collegati in modo lasco tra diversi strumenti. Ciò crea inefficienze nel movimento dei dati e limita la scalabilità introducendo attrito quando si eseguono carichi di lavoro grandi o distribuiti.

ALCHEMI affronta questo problema estendendo l’accelerazione GPU in tutta la pila di simulazione, costruendo sull’integrazione precedente con i kernel ottimizzati da NVIDIA Warp e ora spostandosi verso ALCHEMI Toolkit-Ops per l’esecuzione a livello di produzione. Il risultato è un calcolo più veloce e un ambiente di simulazione più coeso e nativo per l’intelligenza artificiale che può operare in modo affidabile su scala industriale.

Ciò che rende questo particolarmente importante ora è che segna una transizione dalla visione della piattaforma all’effettiva distribuzione. Con capacità come LightPFP che consentono simulazioni alla scala di centinaia di migliaia di atomi e un’inferenza più veloce, la simulazione atomistica guidata dall’intelligenza artificiale è utilizzabile nei flussi di lavoro di produzione.

Per i team di R&D, ciò cambia completamente il ruolo della simulazione. Invece di essere applicata selettivamente, può essere incorporata nella presa di decisioni quotidiana, plasmando quali materiali vengono prioritizzati precocemente nello sviluppo.

L’annuncio mette in evidenza LightPFP e l’integrazione PFP in arrivo con ALCHEMI. Come questi sviluppi migliorano la scalabilità e la stabilità rispetto ai tradizionali pipeline di simulazione atomistica?

LightPFP affronta un collo di bottiglia chiave nella simulazione atomistica: l’onere della comunicazione richiesto per la costruzione dell’elenco dei vicini nei sistemi distribuiti. Sostituendo questo passaggio durante l’inferenza con NVIDIA ALCHEMI Toolkit-Ops, riduce la comunicazione tra nodi. Ciò rende le simulazioni su larga scala sia più veloci che più stabili.

Combinato con la sua architettura basata su server, ciò consente alle simulazioni di scalare in modo più efficiente mentre semplifica l’infrastruttura e riduce la complessità operativa.

L’integrazione completa di PFP estende questi benefici a un modello universale, il che è importante perché le pipeline tradizionali spesso lottano per scalare in modo coerente attraverso diversi sistemi di materiali e ambienti computazionali. Insieme, questi sviluppi migliorano sia la scalabilità che l’affidabilità, consentendo alla simulazione di spostarsi da casi d’uso di ricerca isolati al dispiegamento su larga scala senza i tradizionali compromessi tra prestazioni e stabilità.

Matlantis è costruita su Preferred Potential (PFP), addestrata su decine di milioni di calcoli a livello quantistico. Come si differenzia questo approccio basato sui dati dalla simulazione convenzionale basata sulla fisica, e dove consegna i più grandi guadagni di prestazioni?

La simulazione convenzionale calcola le interazioni direttamente dai principi fondamentali ogni volta, il che è preciso ma computazionalmente costoso. PFP invece apprende da un vasto insieme di calcoli a livello quantistico e applica quella conoscenza durante l’inferenza. I più grandi guadagni di prestazioni si verificano nei flussi di lavoro che richiedono valutazioni ripetute su molti candidati, come lo screening dei materiali o l’esplorazione della composizione del materiale. Invece di essere limitati a un pugno di sistemi, i ricercatori possono valutare migliaia di candidati mantenendo una precisione significativa.

Una delle affermazioni più convincenti è il raggiungimento di una precisione vicina a DFT a velocità massicciamente accelerate. In termini pratici, come ciò cambia il modo in cui le aziende si avvicinano alla sperimentazione, alla prototipazione e al tempo di commercializzazione?

Tradizionalmente, DFT è stato lo standard per l’accuratezza, ma oggi il suo costo computazionale limita quanto ampiamente possa essere applicato; i team di R&D si sono affidati fortemente alla sperimentazione basata sul trial-and-error e utilizzano DFT selettivamente per la convalida. La precisione vicina a DFT a velocità massicciamente accelerate rimuove questa limitazione.

Invece di utilizzare DFT per analizzare pochi candidati dopo gli esperimenti, le aziende possono ora approssimare immediatamente quel livello di insight su migliaia di possibilità. Ciò consente loro di restringere lo spazio di ricerca computazionale prima di impegnare risorse fisiche. Il risultato è un minor numero di esperimenti falliti, una prototipazione più mirata e cicli di iterazione significativamente più veloci, riducendo nel complesso il tempo di commercializzazione mentre aumenta la fiducia in ciò che spinge la produzione in avanti.

Stiamo assistendo a una transizione verso la scoperta basata sulla simulazione in settori come i semiconduttori, le batterie e i prodotti chimici. Come appare un flusso di lavoro di R&D completamente basato sulla simulazione all’interno di un’azienda moderna?

Un flusso di lavoro basato sulla simulazione inizia ancorando la R&D intorno a risultati desiderati piuttosto che a materiali predefiniti. I team identificano i loro obiettivi e sfide, e poi esaminano un gran numero di candidati materiali su larga scala attraverso ottimizzazione, stabilità e, sempre più, esplorazione di interi spazi chimici o cristallini.

Questo è un processo interattivo. I risultati della simulazione informano continuamente il prossimo insieme di candidati, restringendo rapidamente lo spazio di progettazione. Una volta che i materiali entrano nella fase di convalida, sono già stati filtrati attraverso più strati computazionali, riducendo notevolmente lo sforzo sprecato.

Il vero cambiamento, tuttavia, è organizzativo. La simulazione si sposta oltre una capacità di nicchia per diventare uno strato centrale di presa di decisioni. Guida quali esperimenti vengono eseguiti, come vengono allocate le risorse e come i team priorizzano le loro priorità. Nel tempo, ciò crea un sistema a ciclo chiuso in cui la simulazione e la sperimentazione si rafforzano a vicenda, consentendo ai team di esplorare più possibilità mentre rimangono strettamente focalizzati sui percorsi più fattibili.

Man mano che la simulazione guidata dall’intelligenza artificiale diventa centrale nella scienza dei materiali, l’infrastruttura come il calcolo, le GPU e gli stack software sta diventando sempre più critica. Perché l’infrastruttura sta emergendo come il fattore limitante piuttosto che l’innovazione del modello stesso?

Perché molte organizzazioni hanno modelli solidi, ma lottano con flussi di lavoro frammentati e un accesso limitato al calcolo. Trattare l’intelligenza artificiale come uno strumento stratificato sui sistemi legacy conduce a esperimenti isolati, e il fattore limitante si è spostato verso l’infrastruttura e quanto efficacemente le organizzazioni possono integrare il calcolo e la simulazione dei dati in un sistema unificato.

Matlantis è già utilizzata in settori che vanno dall’energia alla produzione avanzata. Quali casi d’uso stanno vedendo il ritorno sugli investimenti più veloce oggi e dove si vedono le prossime ondate di innovazioni emergere?

Il ritorno sugli investimenti più veloce si trova in aree dove i cicli sperimentali sono costosi e gli spazi di progettazione sono grandi, come i materiali per batterie, i catalizzatori e i materiali correlati ai semiconduttori. In questi domini, l’eliminazione dei candidati non validi precocemente crea un valore immediato.

Ad esempio, il produttore chimico Kuraray aveva un tempo di verifica che richiedeva due o tre anni ma è stato ridotto a soli un mese e mezzo utilizzando Matlantis. In una sola campagna di simulazione, 13 miglioramenti proposti per i catalizzatori sono stati valutati e tutti sono stati esclusi come non validi, risparmiando anni di sforzo sperimentale su idee senza sbocco.

Guardando avanti, la prossima ondata di innovazioni verrà dalla convergenza della simulazione e della sperimentazione, non dal miglioramento di esse in isolamento. Oggi, c’è ancora un confine chiaro tra di loro, e vengono trattati come passaggi sequenziali piuttosto che come una strategia unificata.

Tuttavia, quel confine sta iniziando a dissolversi. Con gli avanzamenti nella simulazione ad alta velocità e nell’apprendimento automatico, stiamo vedendo l’emergere di sistemi di scoperta a ciclo chiuso in cui la simulazione guida gli esperimenti in tempo reale, e i dati sperimentali alimentano costantemente i modelli. Man mano che questi sistemi maturano, la scoperta diventerà continua. Quella convergenza, dove la simulazione, l’intelligenza artificiale e la sperimentazione operano come un sistema unificato, è dove verranno guidate le prossime generazioni di innovazioni.

Il suo ruolo copre sia la ricerca tecnica approfondita che il successo dei clienti a livello globale. Quali nuove competenze ritiene che la prossima generazione di scienziati e ingegneri debba sviluppare per rimanere competitivi in ambienti di R&D guidati dall’intelligenza artificiale?

La competenza più importante che la prossima generazione deve rafforzare è la capacità di operare tra discipline. Gli scienziati richiedono una forte competenza nel proprio dominio e la capacità di lavorare con modelli basati sui dati, piattaforme di simulazione scalabili e flussi di lavoro iterativi. Altrettanto importante è comprendere come la simulazione e l’esperimento con i dati si connettono all’interno di un più ampio processo di scoperta.

La prossima generazione sarà definita non solo da ciò che conosce, ma da quanto efficacemente può integrare e applicare quella conoscenza all’interno degli ambienti di R&D moderni.

Guardando avanti, man mano che la simulazione guidata dall’intelligenza artificiale si avvicina alla scoperta dei materiali in tempo reale, quanto siamo vicini a un mondo in cui intere classi di materiali vengono progettate, validate e ottimizzate interamente in silico prima che si verifichi qualsiasi esperimento fisico, e cosa significa ciò per il futuro dell’innovazione?

Stiamo avvicinandoci a questa capacità in specifici domini, ma non ancora universalmente. Per molti sistemi, la simulazione può già eliminare grandi porzioni dello spazio di progettazione e identificare candidati molto promettenti prima che venga condotto qualsiasi esperimento.

Tuttavia, catturare completamente la complessità del mondo reale, come le condizioni di sintesi e gli effetti di scala, rimane una sfida. Di conseguenza, il ruolo della sperimentazione sta evolvendo. Invece di servire come il metodo principale di esplorazione, gli esperimenti diventano più mirati e finalizzati, focalizzati sulla convalida e sul perfezionamento dei risultati computazionali più promettenti. La maggior parte degli sforzi di scoperta a livello iniziale si sposta nella simulazione, consentendo ai test fisici di operare con una precisione e un’efficienza molto maggiori.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Matlantis.