インタビュー
Mathias Ingvarsson、Holyvoltの創業者兼CEO – インタビューシリーズ

要点Holyvoltの強みは、競合他社が単純にダウンロードできない18年間の独自バッテリーデータにある。
もっと見る
- Holyvoltの強みは、競合他社が単純にダウンロードできない18年間の独自バッテリーデータにある。
- 失敗した配合は、再現可能な実験プロセスが実際の化学的失敗と試験上の異常を区別した場合にのみ、訓練データとなる。
- AIはある実験設計作業を6週間から8分に短縮したが、科学者は依然として実験を設計し評価している。
Mathias Ingvarssonは、バッテリー技術に新たなアプローチを追求するため、2022年に設立したHolyvoltの創業者兼CEOです。Tempur-Pedicの国際展開に携わったほか、複数の業界で起業に取り組んできました。Holyvoltでは、Wildcat Discovery Technologiesの買収も通じて、科学的専門知識、実験データ、製造能力を結び付け、バッテリー材料の開発を加速させることに注力しています。
Holyvoltは、エネルギーの生産・貯蔵技術を開発しており、高スループットの材料探索と、製造における精密なスクリーン印刷の手法を組み合わせています。Wildcat Discovery Technologiesを通じて、同社のバッテリー研究プラットフォームは、実験室での実験、過去の試験データ、AIを活用した材料開発を結び付けています。このインタビューでは、科学者が実験と機械学習をどのように併用しているのか、失敗した配合がなぜ貴重なデータになり得るのか、そして予測の高速化から、検証済みの材料と量産可能な生産へと進むには何が必要なのかについて、Ingvarssonが語ります。
これまでTempur-Pedicの国際展開に携わり、複数の事業を立ち上げてきました。2022年にHolyvoltを創業したきっかけは何でしたか。また、技術的に非常に難しいこの業界で会社を立ち上げようと決意するに至った、バッテリー技術のどのような可能性に魅力を感じたのでしょうか。
マットレスから下着まで、さまざまな分野で事業を立ち上げてきました。そう考えると、次にバッテリーに取り組むのは意外に思えるかもしれません。でも私はいつも、ほかの人が見落としている機会があると感じる業界に惹かれてきました。
Holyvoltを立ち上げたとき、バッテリー化学についてはほとんど知りませんでしたが、むしろそれがよかったのだと思います。何かができない理由をすべて知らないことが、ときには大きな強みになるのです。Jensen Huangはかつて、Nvidiaを築くことがどれほど大変かを知っていたら、おそらく始めていなかっただろうと語りました。私にもその気持ちはよく分かります。
私の目には、西側のバッテリー業界が、すでに中国が勝利した競争で中国に勝とうとしているように映りました。業界は、中国が何十年もかけて磨き上げた技術を再現しようと、数十億を投じていました。その同じエネルギーを、なぜもっと優れたものの開発に注がないのか、私には理解できませんでした。バッテリーは、私たちの身の回りにあるほぼすべてのものを動かすようになります。私は、バッテリーの開発方法を根本から見直す大きな機会があると考えました。それがHolyvoltを立ち上げるきっかけになりました。
Wildcatの買収を検討した際、同社が蓄積してきた実験の履歴をAIによる発見プラットフォームの基盤にできると確信したのはなぜですか。データの膨大さ以外に、何を確かめる必要がありましたか。
まず目を引いたのは、データの圧倒的な量でした。18年間にわたって試験された50万個を超えるバッテリーセルと、1億6,500万サイクルです。さらに詳しく調べるほど、実験の厳密さと、Wildcatがすでに達成していた数々のブレークスルーに感銘を受けました。何十年にもわたって一貫した方法で収集されたこのようなデータを再現するのは、非常に困難です。
私はバッテリー科学者ではないので、自分よりはるかに詳しい人たちに参加してもらいました。バッテリー、AI、材料科学の専門家が研究所を見学に来ましたが、率直に言って、彼らは圧倒されていました。
次に、BMWをはじめ、バリューチェーン全体にわたる世界的に名高い企業がWildcatを訪れていることに目を向けてみてください。こうした企業は、莫大な研究開発予算を持ち、世界有数の科学者を擁しているにもかかわらず、Wildcatに支援を求めていました。それが、私にとって何よりの裏付けとなりました。Wildcatは、世界で最も求められているバッテリー発見プラットフォームを築いたのだと確信しました。そしてAIによって、その可能性をまだほんの少し垣間見ているにすぎないと考えています。
失敗した実験は、貴社が持つデータ上の優位性の中核をなしています。うまくいかなかったバッテリー配合からモデルが何を学べるのか、例を挙げていただけますか。また、化学的な要因による意味のある失敗と、実験の実施方法に問題があった場合とを、チームはどのように見分けているのでしょうか。
化学では失敗もつきものです。何百年もの間、科学はそうやって進歩してきました。何かを試し、うまくいかなければ、そこから学んで、もう一度試す。AIも同じように学ぶ必要があります。
私たちは18年間にわたり、高スループットのバッテリー実験を続けてきました。そのため、データには失敗した配合から、最適化に成功した材料まで、あらゆるものが含まれています。モデルの学習にとって、これは非常に価値があります。
リチウム金属電池を例に挙げましょう。従来のグラファイト電池とは異なり、リチウム金属電池では容量が急激に低下することがあり、その予測は非常に困難です。私たちは、さまざまな電解液配合、電極設計、試験プロトコルで得た実際のバッテリーサイクルデータを用いて機械学習モデルを開発し、そうした低下がいつ起こるかを予測しています。
初期モデルは、こうした低下をある程度の信頼度で予測できます。現在は、予測をさらに精緻化するため、より的を絞った実験を設計し、さまざまな条件下でバッテリーを試験しています。
もちろん、結果を信頼できなければ、データに価値はありません。実験の再現性を高め、誤差を最小限に抑えるため、私たちは何年もかけて研究室のプロセスを改善してきました。また、同じ実験を複数回実施し、結果が芳しくない場合、それが材料自体の真の問題を示しているのか、試験プロセス上の異常なのかを見極められるようにしています。そうすることで、単一の代表性に欠ける結果から、モデルに誤った知見を学習させずに済みます。
モデルが材料を提案し、研究室で試験を行い、その結果をモデルに反映するまでの発見サイクルを、順を追って説明していただけますか。AIが判断するのはどの部分で、科学者の判断が不可欠なのはどの部分でしょうか?
まず、科学者が実験を設計します。何を明らかにしたいのかに基づいて実験を設計し、ハイスループット・プラットフォームで試験を実施します。その後、機械学習エンジニアが最初のデータを使ってモデルを構築し、今後の実験結果を予測できるかどうかを確認します。
次に、研究室でその予測を検証します。予測と結果が一致すれば、モデルへの信頼が高まり、新たな配合を評価するために活用できます。一致しない場合は、科学者が原因を調べます。モデルにさらにデータが必要な場合もあり、その際はまったく新しい実験を設計したり、異なる条件で試験したりします。得られた結果をモデルに戻して改良し、このプロセスを繰り返します。
AIが独力で新しい材料を発見することへの期待は高まっていますが、私たちは主張の範囲に慎重を期しています。現段階では、実験の設計や重要な意思決定は、依然として科学者が担っています。AIは予測を支援し、研究室でその予測が実際に成り立つかどうかを確かめます。科学者の専門知識とAIを組み合わせることで、すでに一部の実験設計にかかる時間を、数週間からわずか数分へと大幅に短縮できています。
過去のデータセットには、研究者が以前に調査対象として選んだ材料が反映されています。モデルがそうした既知の領域にとどまらないようにするには、どうしていますか。また、なじみのない化学系が、実際に試験する価値があるほど有望かどうかを、どのように判断していますか?
まさに重要な問いです。だからこそ、私はデータセット以上に、私たちの研究室に価値があると考えています。
モデルは与えられたデータから学習するため、当然ながら、すでに学習したことのある対象を予測する場合のほうが信頼性は高くなります。本当の可能性は、過去のデータが存在しないかもしれない、化学のまったく新しい領域をAIで探ることにあります。
そこで、私たちのハイスループット・プラットフォームが大きな強みを発揮します。数百種類の配合について、新たな信頼性の高い実験データを迅速に生成できます。そのデータが、化学の未知の領域でもモデルが学習するための基盤となります。
さらに、研究室で予測を検証し、その結果をモデルに戻してプロセスを繰り返せるため、モデルの精度を継続的に高められます。実験を重ねるごとに、次の予測はより多くの情報に基づくものになります。
それが私たちの最大の競争優位性だと考えています。私たちには18年分の過去データがありますが、それに縛られているわけではありません。これまで十分に調査されてこなかった化学系を探るために必要な新しいデータを、自ら生成できます。
自動化されたハイスループット実験による成果とは別に、AIによる改善分をどのように測定していますか?モデルがより優れた候補を見つけている、あるいは有用な結果を得るまでに必要な実験数を減らしていることを、どのような比較で示せますか?
それは実際、難しい問いです。科学的発見はチームで取り組むものだからです。
科学者のグループが問題について意見を出し合う場面を考えてみてください。最終的に解決策を思いつくのは一人かもしれませんが、その着想は、同じ場にいた全員との何時間もの議論から生まれた可能性があります。誰の功績とすべきでしょうか?
AIも同じように捉えるべきだと思います。AIは研究チームの一員です。科学者が関連情報をすばやく見つけ、実験データのパターンを把握し、問題をより深く理解するのを助けます。
私たちのハイスループット・プラットフォームは、すでに実験を実施する速さにおいて大きな優位性をもたらしています。現在は、AIによってその先どこまで進めるかを検証しています。裏付けられない数字を提示するつもりはありません。重要なのは、科学者がより短い時間とより少ない実験で、より良い答えにたどり着けるよう支援できているかどうかです。
バッテリーの開発では、エネルギー密度、サイクル寿命、安全性、コスト、製造のしやすさなど、相反する目標の両立が求められます。こうしたトレードオフをどのようにAIの目標に落とし込みますか。また、用途を変えることで、AIが根本的に異なる材料へと導かれることはありますか?
バッテリーの用途によって大きく異なります。ドローン用バッテリーに求められる要件は、電気自動車に搭載するバッテリーの要件とは大きく違います。用途によってはエネルギー密度を優先し、別の用途ではサイクル寿命やコストを重視することもあります。
こうした目標はかなり明確に定められます。エネルギー密度、サイクル寿命、安全性、コストはいずれも測定できるため、用途に応じた具体的な性能目標をモデルに設定できます。
難しいのは、そうした目標を実際に達成できる材料を逆算して見つけることです。
用途を変えれば、調査対象となる材料も確実に変わります。しかし、どの化学組成が有望かを見極め、実験を設計し、その材料が性能目標を達成できるかを検証するのは、依然として科学者の役割です。
Holyvoltは、ニッケルとコバルトを含まない不規則岩塩型(DRX)正極材料の商用化に向けて開発を進めています。この開発にAIはどのような役割を果たしてきましたか。また、材料探索にとどまらず、製造やエンジニアリングの解決策が必要となる課題には、どのようなものが残っていますか?
DRXは、私たちのアプローチが重要である理由をよく示す例です。材料の組み合わせは膨大にあり、一つずつ試していけば何年もかかってしまいます。
Holyvoltでは、ハイスループット・プラットフォームを活用し、何百種類もの配合を迅速に試験するとともに、化学組成の変化がエネルギー密度、電圧、電池寿命、性能にどう影響するかを把握できます。従来の研究手法では不可能なほど短期間で、有望な材料を特定できるようになりました。
現在は、こうした実験データと機械学習を組み合わせ、パターンを特定して、次にどの配合を調べるべきか科学者が判断するのを支援しています。試験を重ねるほど学びが深まり、今後の実験をより適切に導けるようになります。
すでに商業規模の生産に向けて前進しており、確立された製造プロセスを活用していることは、私たちの大きな強みの一つです。まったく新しい設備を開発したり、これらの材料の製造方法を一から考え直したりする必要はありません。性能の一貫性とコスト競争力を保ちながら、パートナーとともに生産を拡大することに注力しています。
独自の科学データは、モデルそのものよりも強力な競争優位性になり得るとおっしゃっています。その優位性が時間とともに積み重なっていくのはなぜでしょうか。また、顧客ごとの機密研究や知的財産を保護しながら、顧客プロジェクトを横断して知見を活用することのバランスを、どのように取っていますか?
現在利用できる最も強力なAIモデルの中には、オープンソースのものがいくつもあり、性能も向上し続けています。しかし、電池研究の18年分の蓄積をダウンロードすることはできません。だからこそ、私たちのデータには大きな価値があります。
Holyvoltでは、50万個を超える電池セルについて、累計1億6,500万サイクル以上の試験を行ってきました。どの材料を使い、どのように処理し、どのような性能を示し、どこで機能しなくなったのかを把握しています。また、長年にわたって一貫した試験方法を用いてきたため、結果を実際に比較できます。こうしたことを再現するのは、他社にとって非常に困難です。
実験のたびに新たな知見が得られます。その知識をもとにモデルを改良し、予測の精度を高め、次に何を試すべきかを判断できます。実験を重ねるほど、その基盤の価値も高まっていきます。
また、世界有数の企業と協業しており、機密性の高い研究を任されています。私たちはその責任を重く受け止め、機密情報と知的財産を保護するための強固な対策を講じています。
プラットフォームの拡大を進めるなかで、現在、発見を加速させるうえで最大の制約となっているのは何でしょうか。モデルの能力、実験の処理能力、電池寿命の検証にかかる時間、それともほかの要因でしょうか。また、今後2年間で、AIが電池開発の経済性を変えていると示す、測定可能な節目は何になるでしょうか?
現在、最大のボトルネックは、科学者が実験の設計と結果の分析に費やす時間だと思います。
従来のプロセスを考えてみてください。科学者が問いを立て、実験を設計し、試験を実施してデータを分析し、そのうえで次に何を試すかを決めます。ハイスループット・プラットフォームによって、物理的な試験の多くはすでに自動化していますが、各段階の間に必要な思考には、今も膨大な時間がかかっています。
最近、実験設計プロセスの一部に、比較的シンプルなAIモデルを適用しました。通常なら6週間かかる作業が、8分で終わりました。これは実に驚くべき成果であり、何が可能なのかを示しています。
しかし、実験設計を速めることは始まりにすぎません。AIの支援によって、何を試すべきかをより早く特定できるようになれば、実験の実施速度も高める必要があります。そのため、研究所の実験能力を拡大し、さらなる自動化に投資する計画です。
今後2年間で、最初のアイデアから検証済みの材料に至るまで、発見プロセス全体を大幅に加速させたいと考えています。意思決定の迅速化と、より多くの実験を実施する能力を組み合わせられれば、これまで不可能だったペースで新たな化学組成を探求できます。AIはこのようにして、電池開発の経済性を根本から変える可能性があります。
素晴らしいインタビューをありがとうございました。電池材料、ハイスループット実験、AIを活用したエネルギー技術の開発について詳しく知りたい方は、Holyvoltをご覧ください。












