Jonathan Bean, CEO & Co-Founder van Materials Nexus – Interview Series

Jonathan Bean is de CEO & Co-Founder van Materials Nexus. Met een achtergrond in zowel de theoretische als de praktische kant van materiaalkunde, was Jonathan snel in staat om de kans te zien voor een nieuw materiaalmodelleringsplatform. Als onderzoeker aan de Universiteit van Cambridge richtte hij Materials Nexus op om de adoptie van nieuwe materialen te versnellen om de klimaatcrisis aan te pakken.

Jonathan’s PhD-onderzoek aan de Universiteit van York was gericht op geavanceerde modelleringstechnieken voor polykristallijne materialen.

Naast zijn rol bij Materials Nexus is Jonathan mentor bij Global Talent Mentoring en de Leaders in Innovation Fellowships van de Royal Academy of Engineering. Hij geeft ook les in materiaalkunde voor ingenieurs aan Trinity College, Cambridge en is een Visiting Fellow aan de London South Bank University.

Materials Nexus is een bedrijf dat AI gebruikt om superieure materialen sneller dan ooit tevoren te maken.

Kunt u het verhaal achter de oprichting van Materials Nexus delen? Wat inspireerde de creatie van het bedrijf en de focus op AI-gedreven materiaalontdekking?

Uiteindelijk is de limiet van wat kan worden gebouwd de materialen die worden gebruikt om het te bouwen; dat was mijn motivatie om materiaalkunde te studeren. Tijdens mijn tijd aan de Universiteit van Cambridge, waar ik samenwerkte met mijn mede-oprichter Robert Forrest, inspireerde de wens om ons onderzoek sneller te laten verlopen ons om machine learning-algoritmes te ontwikkelen. Dit werd de basis van de technologie van Materials Nexus.

Het was duidelijk dat dit onderzoek een positieve impact op de wereld kon hebben en dat de adoptie ervan versneld moest worden. Op dezelfde manier is de prestatie van producten beperkt door materialen, net zoals onze vooruitgang naar net-zero. Dit is wat ons inspireerde om het bedrijf op te richten.

Een drijvende kracht voor ons als bedrijf is om de staat van de wereld te verbeteren, milieutechnisch, geopolitiek en ethisch. Ons doel is om de materiaalindustrie te revolutioneren door het ontwerpen van nieuwe materialen die voldoen aan de groeiende vraag naar zowel duurzaamheid als prestaties.

Kunt u uitleggen hoe AI het proces van materiaalontdekking transformeert, met name in de context van Materials Nexus?

Op dezelfde manier waarop AI de drugontdekking beïnvloedde, verandert het ook fundamenteel de materiaalontdekking; het verandert wat typisch een trial-and-error-gebaseerde aanpak is in een intent-based ontwerpproces. Maar in tegenstelling tot farmaceutisch onderzoek, is er de extra complexiteit en een bredere zoekruimte over de hele periodieke tabel. Bij Materials Nexus kijken we naar de hele lengteschaal, van kwantumniveau tot bulk – dit betekent dat we niet alleen quantummechanica voor samenstellingvoorspelling gebruiken, maar ook modelleren van verwerkingstechnieken en synthese. Dit stelt ons in staat om niet alleen materiaaleigenschappen te identificeren, maar ook fysiek hoogwaardige materialen nauwkeurig te produceren, in een kwestie van maanden in plaats van decennia, waardoor het R&D-proces aanzienlijk wordt versneld.

Wat zijn de belangrijkste voordelen van het gebruik van AI in plaats van traditionele trial-and-error-methoden bij de ontwikkeling van nieuwe materialen?

Het gebruik van AI voor materiaalontdekking biedt verschillende voordelen: snelheid, kosten-efficiëntie en duurzaamheid zijn sleutel. Ons AI-gedreven platform kan grote datasets analyseren en materiaaleigenschappen nauwkeurig voorspellen, allemaal voordat we een laboratorium betreden, waardoor het proces kostenefficiënt en minder verspillend is, omdat het de behoefte aan dure en resource-intensieve experimenten minimaliseert. Dit betekent dat processen die normaal gesproken dagen in een laboratorium duren, op ons platform in uren kunnen worden gedaan.

Dit ontgrendelt uiteindelijk een nieuwe set kansen met gerichte materiaal “ontwerp” in plaats van ontdekking. Het is mogelijk om elke dataset of materiaalparameter, zoals CO2-uitstoot, kosten of gewicht, op te nemen en samenstellingen te zoeken die aan die specifieke behoeften voldoen, waardoor het “ontdekking”-proces op zijn kop wordt gezet.

Wat is de rol van AI en machine learning bij het verminderen van de milieueffecten van materiaalproductie?

Het gebruik van AI en machine learning ontgrendelt een enorme nieuwe set materiaalmogelijkheden via de ontdekkingfase. Bij Materials Nexus kunnen we ofwel specifieke elementen uitsluiten die een hoge milieukosten hebben (bijv. zeldzame aardmetalen) of hun samenstellingspercentage verminderen. We kunnen ook kijken naar verwerkingstechnieken (bijv. de temperatuur, druk of zuiverheid van erts) die nodig zijn om het materiaal te maken en laagenergetische methoden identificeren. Deze twee aspecten kunnen een aanzienlijke impact hebben op de primaire emissies van materiaalproductie. Het is echter belangrijk op te merken dat de milieueffecten verder gaan dan productie alleen. De toepassing van superieure materialen, zowel hoogwaardig als goedkoop, kan een enorm positief secundair milieueffect hebben door duurzame technologieën meer toegankelijk te maken (bijv. goedkopere elektrische voertuigen), efficiënter (bijv. betere computerchips voor AI) en minder giftig in hun eindverwijdering (bijv. het vervangen van hydrofluorkoolstofverbindingen).

Hoe slaagde Materials Nexus erin om een zeldzame-aardmetalen-vrije magneet te creëren in slechts drie maanden, en wat zijn de implicaties van deze doorbraak?

Ons platform kon meer dan 100 miljoen potentiële samenstellingen van zeldzame-aardmetalen-vrije magneten analyseren voordat we een laboratorium betraden. Dit betekende dat toen we naar de synthese-fase overgingen, we al een nauwkeurige voorspelling hadden van de samenstelling en de eigenschappen.

De implicaties van deze magneet zijn aanzienlijk: de doorbraak gaat verder dan de ontdekking van dit enkele materiaal en signaleert de transformatie van eeuwenoude materiaalontwerpprocessen. Naarmate ons platform meer ontwikkeld en geavanceerd wordt, zullen we in staat zijn om samenstellingen nog sneller te voorspellen en over meerdere materiaalklassen. Met 10¹⁰⁰ samenstellingen van elementen in de periodieke tabel, zijn de mogelijkheden eindeloos.

Kan AI zeldzame aardmetalen in andere toepassingen vervangen dan magneten?

AI-geactiveerde materiaalontdekking heeft het potentieel om alternatieve materialen te identificeren en te ontwikkelen voor een breed scala aan toepassingen buiten magneten. In dit geval was het doel om een alternatieve magneetsamenstelling te vinden die zeldzame aardmetalen uitsloot, maar onze machine learning-zoekalgoritmes zijn zo ontworpen dat ze op elke materiaalklasse kunnen worden toegepast. Dit betekent dat we een universeel materiaalontwerpprogramma bouwen.

Op dit moment zijn onze platformmogelijkheden gericht op legeringen en keramiek, met een speciale focus op functionele materialen voor toepassingen in hoge-impactgroene technologieën zoals elektrische motoren, halfgeleiders, supergeleiders en groene waterstof, om er een paar te noemen.

Hoe versterkt de samenwerking tussen Materials Nexus, het Henry Royce Institute en de Universiteit van Sheffield de ontwikkeling van nieuwe materialen?

Onze samenwerkingen met belangrijke strategische partners in het VK’s innovatie-ecosysteem, zoals het Henry Royce Institute en de Universiteit van Sheffield, bieden toegang tot wereldklassefaciliteiten en expertise in gespecialiseerde gebieden van materiaalkunde. Deze partnerschappen stellen ons in staat om de synthese en testing van onze voorspellingen te versnellen.

Welke andere sectoren kunnen profiteren van AI-gedreven materiaalontdekking, en hoe?

AI-gedreven materiaalontdekking kan elke materiaalklasse beïnvloeden. Bij Materials Nexus richten we ons op materialen die het moeilijkst en duurst zijn om te ontwikkelen en te verbeteren, omdat ze de grootste positieve impact kunnen hebben. Elke industrie zal worden beïnvloed: energie, luchtvaart, supercomputing, transport, om er een paar te noemen. Bijvoorbeeld, in de energiesector kan AI helpen om efficiëntere en duurzamere materialen te ontwikkelen voor batterijen en zonnecellen. In supercomputing kan het leiden tot de creatie van nieuwe halfgeleidermaterialen die gegevensopslag en verwerking verbeteren. Door het snelle ontwikkelen van hoogwaardige materialen, kan AI innovatie en duurzaamheid in bijna alle industrieën stimuleren.

Wat zijn de toekomstige ontwikkelingen in AI voor materiaalkunde die we kunnen verwachten, en hoe zullen ze verschillende industrieën beïnvloeden?

Ons werk zal de grenzen van wat mogelijk is blijven verleggen en we zijn toegewijd om die barrières te doorbreken. Superieure materialen betekenen superieure innovatie om de uitdagingen van morgen te tackelen. De toekomst is alleen beperkt door onze verbeelding.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Materials Nexus bezoeken Materials Nexus.