タク・ワタナベ、VP兼US事業本部長、Matlantis – インタビューシリーズ

タク・ワタナベ、MatlantisのVP兼US事業本部長は、先進バッテリー研究、計算モデリング、グローバルテクノロジー指導を経た材料科学とAIのスペシャリストです。現在、カンブリッジ、マサチューセッツ州からMatlantisの米国での拡大を牽引しながら、プリンシパルリサーチャーおよびグローバルカスタマーサクセス本部長としても活躍しています。ここで彼は、先進材料インフォマティクスを現実の産業用途と結び付けています。Matlantisに入社する前は、全固体バッテリー開発に焦点を当てたサムスンR＆D研究所ジャパンの上級役職を務め、ジョージア工科大学でのポスドク研究を終えた後、フロリダ大学でのシミュレーションソフトウェアの大学院研究を終えました。彼のキャリアは、機械学習、物理ベースのシミュレーション、材料科学を組み合わせて、エネルギーと先進材料のイノベーションを加速することに常に焦点を当てています。

Matlantisは、高速原子レベルシミュレーションを通じて新材料の発見と開発方法を変革することを目指す、AI駆動の材料インフォマティクス企業です。クラウドベースのプラットフォームを活用して、研究者は高精度と高速性で分子や結晶の挙動をモデル化できます。従来、数ヶ月を要したプロセスが、数秒で完了します。マシンラーニングインターアトミックポテンシャルと計算化学に基づくこのプラットフォームでは、科学者は従来の実験的制約なしに、膨大な材料の組み合わせを探索できます。半導体やエネルギー貯蔵などの産業を支援しています。2021年に、Preferred NetworksとENEOSの共同で設立されたMatlantisは、AI先導の材料発見とデジタルR＆Dワークフローへの移行において、重要なレイヤーとして自己を位置付けしています。

あなたは、バッテリー研究から材料インフォマティクスまで、材料科学、シミュレーション、機械学習の交差点でキャリアを歩いてきました。AI駆動のシミュレーションが材料発見を根本的に変えるという結論に至ったのは、どのような瞬間でしたか?

私にとっての転換点は、材料発見における実際のボトルネックが、十分な候補者を探索する能力が限られていることであることを理解した時でした。バッテリー材料や材料インフォマティクスでの私の仕事では、密度汎関数理論（DFT）などの方法を使用して、高品質の洞察を生成することができましたが、コストと時間の制約により、候補者の数は限られていました。

何が変わったのかというと、マシンラーニングポテンシャルが、近い量子レベルの精度を維持しながら、計算スループットを劇的に増加させることができるようになったことです。これにより、2つの重要なシフトが起こりました。

第一に、高速で高忠実度のトライアルアンドエラーが可能になりました。研究者は、精度を犠牲にすることなく、候補者の評価を大幅に増やすことができます。これは、探索のペースと範囲を根本的に変えるものです。第二に、材料発見におけるデータサイエンスの基盤が生まれました。なぜなら、シミュレーションのスループットが、機械学習アプローチを真正に効果的にするために必要な、高品質データのボリュームを生成するからです。

Matlantisは最近、NVIDIAのALCHEMI Toolkitと統合して、産業規模のシミュレーションスループットを可能にしました。この統合によって、どのようなボトルネックが解消され、R＆Dチームが現実的に達成できることが何ですか?

この統合は、AI駆動のポテンシャルとそれに依存するインフラストラクチャーの間の基本的なミスマッチを解消します。PFPのようなモデルは本質的にGPUアクセラレーションですが、シミュレーションワークフローの重要な部分は、オーケストレーションなどが従来、CPUバウンドまたはツール間で疎結合で残っていました。これにより、データの移動に非効率性が生じ、分散ワークロードを実行する際に摩擦が生じ、スケーラビリティが制限されます。

ALCHEMIは、これをGPUアクセラレーションをフルシミュレーションスタックに拡張することで解決します。以前のNVIDIA Warp最適化カーネルとの統合に基づき、現在はALCHEMI Toolkit-Opsを介した生産規模の実行に移行しています。結果として、コンピュートが速くなり、AIネイティブなシミュレーション環境がより統合的となり、産業規模で信頼性を持って動作できるようになります。

これが特に重要なのは、プラットフォームのビジョンから実際の展開への移行を示しているからです。LightPFPなどの機能により、数十万原子のスケールでのシミュレーションが可能になり、高速な推論が可能になっています。AI駆動の原子レベルシミュレーションが、生産ワークフローで使用可能になりました。

R＆Dチームにとって、これはシミュレーションの役割を完全に変えるものです。シミュレーションは、選択的に適用されるのではなく、日常の意思決定に埋め込まれるようになります。どの材料を優先するか、資源をどのように割り当てるか、チームがどのように優先順位を付けるかを形作ります。

発表では、LightPFPとALCHEMIとのPFP統合について触れています。これらの開発は、従来の原子レベルシミュレーションパイプラインと比較して、スケーラビリティと安定性をどのように向上させますか?

LightPFPは、分散システムでの近傍リスト構築のための通信オーバーヘッドという、原子レベルシミュレーションのボトルネックに対処します。NVIDIA (NVDA ) ALCHEMI Toolkit-Opsを使用して、推論時のこのステップを置き換えることで、ノード間の通信を削減します。これにより、大規模シミュレーションがより高速で安定したものになります。

サーバーベースのアーキテクチャと組み合わせて使用することで、シミュレーションはより効率的にスケールし、インフラストラクチャと運用の複雑さが軽減されます。

完全なPFP統合により、これらの利点が普遍的なモデルに拡大されます。これは重要です。なぜなら、従来のパイプラインは、さまざまな材料システムや計算環境で一貫してスケールするのに苦労するからです。これらの開発により、スケーラビリティと信頼性が向上し、シミュレーションが、通常のパフォーマンスと安定性のトレードオフなしに、孤立した研究用途から継続的な産業規模の展開へと移行できるようになります。

Matlantisは、数千万の量子レベル計算でトレーニングされたPreferred Potential（PFP）に基づいて構築されています。このデータ駆動型アプローチは、従来の物理ベースのシミュレーションとどのように異なり、どのようなパフォーマンスの向上をもたらしますか?

従来のシミュレーションは、各計算のたびに直接相互作用を計算します。これは正確ですが、計算コストが高いです。PFPは、膨大な量の量子計算から学習し、その知識を推論時に適用します。最大のパフォーマンス向上は、候補者の評価を繰り返し行う必要があるワークフロー、たとえば材料のスクリーニングや材料組成の探索で実現されます。代わりに、研究者は、精度を犠牲にすることなく、数千の候補者を評価できます。

最も魅力的である主張のひとつは、DFTに近い精度を、劇的に加速されたスピードで達成することです。実用的には、企業が実験、プロトタイピング、市場投入までの時間にどのような影響を与えますか?

従来、DFTは精度の金標準でしたが、現在、その計算コストにより、広範囲に適用することが制限されています。R＆Dチームは、試行錯誤の実験と、選択的にDFTを使用して検証することに大きく依存しています。DFTに近い精度を、劇的に加速されたスピードで達成することで、この制約が解消されます。

企業は、実験後にわずか数個の候補者を分析するのではなく、数千の可能性に対して、DFTと同等のレベルの洞察を即座に近似することができます。これにより、物理的なリソースを投入する前に、計算的な検索空間を絞り込むことができます。結果として、失敗した実験が減り、ターゲットを絞ったプロトタイピングが可能になり、イテレーションサイクルが大幅に短縮され、市場投入までの時間が短縮され、製品化に進むものに対する自信が高まります。

半導体、バッテリー、化学などの業界で、シミュレーション先導の発見への移行が見られます。現代の企業内で、完全にシミュレーション先導のR＆Dワークフローはどのように見えますか?

シミュレーション先導のワークフローは、事前に定義された材料ではなく、望ましい結果を中心にR＆Dを据えることから始まります。チームは、目標と課題を特定し、次に、最適化、安定性、そして、化学空間や結晶空間の全体的な探索を含む、候補材料の大量のスクリーニングを実行します。

これは、シミュレーションの結果が次の候補者セットを継続的に情報に基づいて選択する、インタラクティブなプロセスです。シミュレーションの結果は、設計空間を迅速に狭め、検証段階に到達するまでに、候補者は複数の計算層を通過することになります。これにより、無駄な努力が大幅に削減されます。

しかし、実際のシフトは組織的なものです。シミュレーションは、ニッチな機能を超えて、中央の意思決定レイヤーになります。実験の実行、リソースの割り当て、チームの優先順位付けを導きます。時間の経過とともに、これにより、シミュレーションと実験が相互に強化される、閉ループシステムが生まれます。チームは、より多くの可能性を探索しながら、最も実行可能なパスに密接に焦点を当てることができます。

AIが材料科学の中心になるにつれ、コンピュート、GPU、ソフトウェアスタックなどのインフラストラクチャが、モデルイノベーション単独よりも重要な制限要因として浮上しています。なぜモデルイノベーションだけでなくインフラストラクチャが制限要因になっているのでしょうか?

多くの組織は強力なモデルを持っていますが、断片化されたワークフローと限られたコンピュートアクセスに苦労しています。AIをレガシーシステム上に重ねたツールとして扱うと、孤立した実験につながり、制限要因はモデルイノベーションからインフラストラクチャとシミュレーションを統一システムに統合する能力に移りました。

Matlantisは、エネルギーから先進的な製造まで、さまざまな業界で使用されています。どのようなユースケースが現在最も速いROIを実現していますか? 次のブレークスルーはどこで起こりそうですか?

最も速いROIは、実験サイクルが高価で設計空間が大きい領域、たとえばバッテリー材料、触媒、半導体関連材料で実現されています。これらのドメインでは、非実行可能な候補者を早期に排除することで、即時の価値が生まれます。

例えば、化学メーカーのクラレでは、検証プロセスが2～3年かかっていたのが、Matlantisを使用することで1.5ヶ月に短縮されました。シミュレーションキャンペーンの一回で、13の提案された触媒改良が評価され、すべて非実行可能として却下され、無駄な実験努力を数年間節約することができました。

先を見ると、次のブレークスルーは、シミュレーションと実験の収束から生まれるでしょう。現在、両者間に明確な境界があり、通常、連続的なステップではなく、順番に実行されるものと見なされています。

しかし、この境界は消えつつあります。高速シミュレーションと機械学習の進歩により、シミュレーションが実時間で実験を導く、実験データがモデルに継続的にフィードバックされる、閉ループ発見システムが登場しています。これらのシステムが成熟するにつれ、発見は継続的なものになります。シミュレーション、AI、実験が統一システムとして動作する収束点で、次の世代のブレークスルーが生まれるでしょう。

あなたの役割は、深い技術研究とグローバルカスタマーサクセスの両方を包含しています。AI駆動のR＆D環境で競争力を維持するために、次の世代の科学者やエンジニアがどのような新しいスキルセットを身に付ける必要があると思いますか?

最も重要なスキルは、分野を超えた作業能力を強化することです。科学者は、ドメインの専門知識と、データ駆動型モデルの作業、スケーラブルなシミュレーションプラットフォーム、イテレーティブなワークフローの理解が必要です。同様に重要なのは、シミュレーションとデータ実験が、より大きな発見プロセスの中でどのように接続されるかを理解することです。

次の世代は、知識のみで定義されるのではなく、知識を現代のR＆D環境内でどのように統合して適用するかで定義されるようになります。

AI駆動のシミュレーションが実時間の材料発見に近づくにつれ、材料の全クラスがシミュレーションで設計、検証、最適化される世界はどのくらい近いのでしょうか? それはイノベーションの未来にどのような意味を持ちますか?

特定のドメインでは、その能力に近づいていますが、まだ普遍的ではありません。多くのシステムでは、シミュレーションは、実験前に大部分の設計空間を排除し、最も有望な候補者を特定することができます。

しかし、合成条件やスケールアップ効果などの現実世界の複雑さを完全に捉えることは、依然として課題です。したがって、実験の役割は進化しています。実験は、主な探索方法ではなく、よりターゲットを絞り、目的のものになりました。計算結果の最も有望な結果を検証し、洗練することに焦点を当てています。発見の初期段階での努力の大部分がシミュレーションに移行し、物理的なテストは、はるかに高い精度と効率で実行されるようになります。

素晴らしいインタビュー、詳細を知りたい読者はMatlantisを訪れてください。