타쿠 와타나베, Matlantis 미국 운영 책임자 및 부사장 – 인터뷰 시리즈

타쿠 와타나베, Matlantis 미국 운영 책임자 및 부사장은 재료 과학 및 인공지능 전문가로, 고급 배터리 연구, 계산 모델링, 글로벌 기술 리더십 등을 담당한 경력을 보유하고 있습니다. 그는 현재 매사추세츠 주 캠브리지에서 Matlantis의 미국 확장을 이끌고 있으며,同時로 글로벌 고객 성공 책임자로도 활동하며, 고급 재료 정보학을 실제 산업 사용 사례와 연결시키고 있습니다. Matlantis에 합류하기 전, 그는 삼성 R&D研究所 일본에서 모든 고체 배터리 개발에 중점을 둔 고위직을 맡았으며, 조지아 공과 대학에서 박사 후 연구를 수행한 후 플로리다 대학에서 시뮬레이션 소프트웨어에 대한 대학원 과정을 마쳤습니다. 그의 경력은 일관되게 기계 학습, 물리 기반 시뮬레이션, 재료 과학을 결합하여 에너지 및 고급 재료의 혁신을 가속화하는 데 중점을 두고 있습니다.

Matlantis는 고속 원자 단위 시뮬레이션을 통해 새로운 재료를 발견하고 개발하는 방식을 변혁시키는 인공지능 기반 재료 정보학 회사입니다. 클라우드 기반 플랫폼을 통해 연구자들은 높은 정확도와 속도로 분자 및 결晶 행동을 모델링할 수 있으며, 이는 월 단위의 과정을 초 단위로 줄일 수 있습니다. 기계 학습 상호 원자 포텐셜 및 계산 화학을 기반으로 하는 플랫폼은 과학자들이 전통적인 실험 제약 없이 방대한 재료 조합을 탐색할 수 있도록 지원하며, 반도체 및 에너지 저장과 같은 산업을 지원합니다. 2021년 Preferred Networks와 ENEOS의 협력을 통해 설립된 Matlantis는 AI 우선 재료 발견 및 디지털 R&D 워크플로우로의 전환에서 핵심 계층으로 자리 잡으려 하고 있습니다.

재료 과학, 시뮬레이션, 기계 학습의 교차점에서 경력을 보낸 당신은, 삼성의 배터리 연구에서 ENEOS의 재료 정보학까지, 그리고 현재 Matlantis의 미국 운영을 이끌고 있습니다. AI 기반 시뮬레이션이 재료 발견을 근본적으로 재정의할 것이라는 것을 확신하게 된 주요 순간은 언제였나요?

나에게 전환점은 재료 발견의 실제 병목 현상이 우리가 충분한 후보자를 탐색할 수 있는 능력의 제한임을 깨닫는 것이었습니다. 배터리 재료 및 이후 재료 정보학에서 일할 때, 우리는 밀도 함수 이론(DFT)와 같은 방법을 사용하여 높은 품질의 통찰력을 생성할 수 있지만, 비용 및 시간 제약으로 인해 가능성의 작은 집합에만 국한되었습니다.

변화는 기계 학습 포텐셜의 등장으로, 근적외선 수준의 정확도를 유지하면서 계산 처리량을 크게 증가시킬 수 있었습니다. 이는 두 가지 중요한 변화를 가져왔습니다.

첫째, 높은 신뢰도를 유지하면서 가속된 시도와 오류를 가능하게 하였습니다. 연구자들은 이제 더 많은 후보 평가를 단위 시간당 실행할 수 있게 되면서, 탐색의 속도와 범위가 근본적으로 변경되었습니다. 둘째, 재료 발견에서 데이터 과학의 새로운 기초를 마련하였습니다. 이러한 처리량은 기계 학습 접근 방식이真正로 효과적인 높은 품질 데이터의 볼륨을 생성하기에 충분합니다.

Matlantis는 최근 NVIDIA의 ALCHEMI Toolkit과 통합하여 산업 규모의 시뮬레이션 처리량을 가능하게 하였습니다. 당신의 관점에서, 이 통합은 어떤 특정한 병목 현상을 제거하며, 오늘날 R&D 팀이 실제로 달성할 수 있는 것을 어떻게 변경합니까?

이 통합은 AI 기반 포텐셜과 그들이 의존하는 인프라 사이의 근본적인 불일치를 제거합니다. PFP와 같은 모델은 본질적으로 GPU 가속화되지만, 워크플로의 일부인 오케스트레이션과 같은 부분은 전통적으로 CPU에 바인딩되거나 다른 도구에 느슨하게 연결되어 있습니다. 이는 데이터 이동에서 비효율성을 생성하며, 분산 워크로드를 실행할 때 마찰을 도입하여 확장성을 제한합니다.

ALCHEMI는 GPU 가속을 전체 시뮬레이션 스택에 확장함으로써, 이전의 NVIDIA Warp-최적화된 커널 통합과 현재 ALCHEMI Toolkit-Ops를 통해 생산 규모의 실행으로 이동하면서, 이러한 불일치를 해결합니다. 결과는 더 빠른 컴퓨팅과 더 일관된 AI 네이티브 시뮬레이션 환경을 제공하며, 이는 산업 규모에서 안정적으로 작동할 수 있습니다.

이것이 특히 중요한 이유는 플랫폼 비전에서 실제 배포로의 전환을 표시하기 때문입니다. LightPFP와 같은 기능이 수백 개의 원자를 포함하는 시뮬레이션을 가능하게 하면서, 더 빠른 추론과 함께, AI 기반 원자 단위 시뮬레이션이 생산 워크플로에서 사용될 수 있습니다.

R&D 팀에게 이것은 시뮬레이션의 역할을 완전히 변경합니다. 더 이상 선택적으로 적용되지 않고, 매일의 의사 결정에 내장될 수 있습니다. 이는 어떤 재료가 개발 초기에 우선적으로 고려되는지 결정합니다.

공고는 LightPFP와 곧 출시될 PFP의 ALCHEMI Toolkit 통합에 대해 강조합니다. 이러한 개발은 전통적인 원자 단위 시뮬레이션 파이프라인과 비교하여 확장성 및 안정성을 어떻게 개선합니까?

LightPFP는 분산 시스템에서 이웃 목록 생성을 위한 통신 오버헤드를 해결합니다. NVIDIA ALCHEMI Toolkit-Ops로 이를 대체하면, 노드 간 통신이 줄어듭니다. 이는 대규모 시뮬레이션을 더 빠르고 안정적으로 만듭니다.

서버 기반 아키텍처와 결합하면, 시뮬레이션이 더 효율적으로 확장할 수 있으며, 인프라스트럭처와 운영 복잡성이 단순화됩니다.

전체 PFP 통합은 이러한 이점을 보편적인 모델로 확장합니다. 이는 전통적인 파이프라인이 일관되게 확장하는 데 어려움을 겪는 재료 시스템과 컴퓨팅 환경에서 중요합니다. 함께, 이러한 개발은 확장성과 안정성을 모두 개선하여, 시뮬레이션이 분리된 연구 사용 사례에서 연속적인 산업 규모의 배포로 이동할 수 있습니다.

Matlantis는 수십 triệu 개의 양자 수준 계산으로 훈련된 Preferred Potential(PFP) 위에 구축되었습니다. 데이터 기반 접근 방식은 어떻게 전통적인 물리 기반 시뮬레이션과 다르며, 어디에서 가장 큰 성능 개선을 제공합니까?

전통적인 시뮬레이션은 매번 직접 상호 작용을 계산하여 정확하지만, 계산 비용이 많이 듭니다. 반면, PFP는大量의 양자 계산에서 학습하고, 추론 중에 이를 적용합니다. 가장 큰 성능 개선은 반복적으로 평가해야 하는 후보자들이 많은 워크플로우에서 발생합니다. 예를 들어, 재료 스크리닝이나 재료 구성 탐색에서, 연구자들은 높은 정확도를 유지하면서 수천 개의 후보자를 평가할 수 있습니다.

가장 설득력 있는 주장은 근적외선 수준의 정확도를 얻으면서도 대규모로 가속화된 속도를 달성하는 것입니다. 실제로는 어떻게 기업이 실험, 프로토 타이핑, 시장 출시 시간을 접근하는 방식을 변경합니까?

전통적으로, DFT는 정확성의 기준이었습니다. 그러나 오늘날, 그 계산 비용으로 인해, 그 적용 범위가 제한됩니다. R&D 팀은 주로 실험 및 오류와 DFT를 선택적으로 사용하여 검증에 의존합니다. 근적외선 수준의 정확도를 대규모로 가속화하면, 이러한 제약을 제거합니다.

이제 기업은 실험을 수행하기 전에 수천 개의 가능성을 즉시 근사할 수 있습니다. 이것은 물리적 자원을 투입하기 전에 계산 검색 공간을 좁히는 것을 가능하게 합니다. 결과는 실험이 실패할 가능성이 줄어들고, 프로토 타이핑이 더 집중적이며, 반복 주기가 크게 단축되면서, 시장 출시 시간이 줄어듭니다.

반도체, 배터리, 화학물질과 같은 산업에서 시뮬레이션 우선 발견으로의 전환이 진행되고 있습니다. 현대 기업 내에서 완전한 시뮬레이션 우선 R&D 워크플로우는 어떻게 보입니까?

시뮬레이션 우선 워크플로우는 R&D를 원하는 결과 중심으로 정렬합니다. 팀은 목표와 도전 과제를 식별하고, 이후 대규모로 후보 재료를 최적화, 안정성 및 탐색을 통해 스크리닝합니다. 이는 상호 작용적인 프로세스입니다. 시뮬레이션 결과는 지속적으로 다음 후보군을 정보로 제공하며, 빠르게 설계 공간을 좁혀나갑니다. 검증 단계에 들어서기 전에, 재료는 이미 여러 계산 계층을 통해 필터링됩니다. 이는 낭비된 노력을 크게 줄입니다.

실제의 전환은 조직적입니다. 시뮬레이션이 특정 능력에서 벗어나, 의사 결정의 중심 계층이 됩니다. 이는 실험을 실행하는 방식, 자원을 할당하는 방식, 우선순위를 설정하는 방식을 결정합니다. 시간이 지남에 따라, 이는 시뮬레이션과 실험이 서로를 강화하는 폐쇄 루프 시스템을 생성하여, 팀이 더 많은 가능성을 탐색하면서, 가장 실현 가능한 경로에 집중할 수 있도록 합니다.

인공지능이 재료 과학의 핵심이 되는 동안, 컴퓨팅, GPU, 소프트웨어 스택과 같은 인프라는 점점 더 중요해지고 있습니다. 인프라는 모델 혁신만큼 중요해진 이유는 무엇입니까?

많은 조직은 강력한 모델을 보유하고 있지만, 단편화된 워크플로우와 제한된 컴퓨팅 접근으로 어려움을 겪고 있습니다. AI를 레거시 시스템에 계층으로 처리하면, 분리된 실험으로 이어지며, 제한 요소는 모델 혁신만이 아닌 인프라와 조직이 컴퓨팅 및 시뮬레이션을 통합하여 단일 시스템으로 만드는 능력으로 이동했습니다.

Matlantis는 이미 에너지부터 고급 제조业까지 다양한 산업에서 사용되고 있습니다. 오늘날 가장 빠른 투자 회수율을 보이는 사용 사례는 어디이며, 다음 파동의 혁신은 어디에서 등장할 것으로 보입니까?

가장 빠른 투자 회수율은 실험 주기가 비싸고 설계 공간이 큰 분야에서 발생합니다. 예를 들어, 배터리 재료, 촉매, 반도체 관련 재료와 같은 분야에서, 초기에 비실현 가능한 후보를 제거하면 즉각적인 가치를 창출할 수 있습니다.

예를 들어, 화학 제조업체 쿠라라는 이전에 2~3년이 걸리던 검증 과정을 Matlantis를 사용하여 단 1개월 반으로 줄였습니다. 단일 시뮬레이션 캠페인에서 13개의 제안된 촉매 개선이 평가되었으며, 모두 비실현 가능하여 실험에 대한 수년간의 노력을 절약했습니다.

앞으로 보아, 다음 파동의 혁신은 시뮬레이션과 실험의 수렴에서 나올 것입니다. 오늘날, 여전히 두 가지 사이에 명확한 경계가 있으며, 순차적인 단계로 처리됩니다.

그러나, 그 경계는 사라져가고 있습니다. 고처량 시뮬레이션과 기계 학습의 발전으로, 시뮬레이션이 실험을 실시간으로 안내하고, 실험 데이터가 일관되게 모델에 피드백되는 폐쇄 루프 발견 시스템이 등장하고 있습니다. 이러한 시스템이 성숙함에 따라, 발견은 연속적으로 진행될 것입니다. 시뮬레이션, AI, 실험이 하나의 시스템으로 작동하는 곳에서, 다음 세대의 혁신이 驅動될 것입니다.

당신의 역할은 심층 기술 연구와 글로벌 고객 성공을 모두 포함합니다. AI 기반 R&D 환경에서 경쟁력을 유지하기 위해, 다음 세대의 과학자와 엔지니어는 어떤 새로운 기술을 개발해야 합니까?

다음 세대가 강화해야 할 가장 중요한 기술은 다양한 분야를 넘나들며 일할 수 있는 능력입니다. 과학자들은 강력한 도메인 전문 지식과 데이터 기반 모델, 확장 가능한 시뮬레이션 플랫폼, 반복적인 워크플로우와 함께 일할 수 있어야 합니다. 또한, 시뮬레이션과 데이터 실험을 더 큰 발견 프로세스 내에서 어떻게 연결하는지 이해하는 것이 중요합니다.

다음 세대는 그들이 알고 있는 것에 의해 정의될 뿐만 아니라, 그들이 알고 있는 지식을 현대의 R&D 환경 내에서 어떻게 통합하고 적용하는지에 의해 정의될 것입니다.

실제 시간 재료 발견으로 향하는 AI 기반 시뮬레이션이 가까워짐에 따라, 재료의 전체 클래스가 물리적 실험을 수행하기 전에 완전히 실루에서 설계, 검증 및 최적화되는 세계에 얼마나 가까이 왔습니까? 그리고 이것은 혁신의 미래를 어떻게 의미합니까?

특정 영역에서는 이 능력에 접근하고 있지만, 아직 보편적으로는 아닙니다. 많은 시스템에서 시뮬레이션은 이미 대규모로 설계 공간을 제거하고, 실험이 수행되기 전에 가장 유망한 후보를 식별할 수 있습니다.

그러나, 실제 세계의 복잡성을 완전히 포착하는 것은 여전히 도전입니다. 합성 조건 및 확대 효과와 같은 요소들을 완벽하게 모델링하는 것은 어려움이 있습니다. 따라서, 실험의 역할은 진화합니다. 실험은 더 이상 주요 탐색 방법이 아닌, 더 목적적이고 집중적이며, 가장 유망한 계산 결과를 검증하고 개선하는 데 집중됩니다. 발견의 초기 노력 대부분이 시뮬레이션으로 이동하여, 물리적 테스트가 훨씬 더 정밀하고 효율적으로 작동할 수 있도록 합니다.

멋진 인터뷰에 감사드립니다. 더 많은 정보를 배우고 싶은 독자는 Matlantis를 방문하십시오.