Interviews

Mathias Ingvarsson, oprichter en CEO van Holyvolt – interviewreeks

Antoine Tardif
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Mathias Ingvarsson, Founder and CEO of Holyvolt
Belangrijkste puntenDe voorsprong van Holyvolt bestaat uit 18 jaar aan eigen batterijgegevens die…
Meer weergeven
  • De voorsprong van Holyvolt bestaat uit 18 jaar aan eigen batterijgegevens die concurrenten niet zomaar kunnen downloaden.
  • Mislukte formuleringen worden alleen trainingsdata wanneer reproduceerbare laboratoriumprocessen echte chemische fouten scheiden van testafwijkingen.
  • AI verkortte één experimentele ontwerptaak van zes weken naar acht minuten, maar wetenschappers ontwerpen en beoordelen experimenten nog steeds.

Mathias Ingvarsson is oprichter en CEO van Holyvolt, dat hij in 2022 oprichtte om nieuwe benaderingen van batterijtechnologie te ontwikkelen. Zijn carrière omvat de internationale expansie van Tempur-Pedic en ondernemende projecten in verschillende sectoren. Bij Holyvolt richt hij zich op het samenbrengen van wetenschappelijke expertise, experimentele gegevens en productiecapaciteiten om de ontwikkeling van batterijmaterialen te versnellen, onder meer via de overname van Wildcat Discovery Technologies.

Holyvolt ontwikkelt technologieën voor energieproductie en -opslag en combineert de ontdekking van materialen op grote schaal met uiterst nauwkeurige zeefdruktechnieken voor de productie. Via Wildcat Discovery Technologies brengt het batterijonderzoeksplatform laboratoriumexperimenten, historische testgegevens en AI-ondersteunde materiaalontwikkeling samen. In dit interview bespreekt Ingvarsson hoe wetenschappers machine learning inzetten naast fysieke experimenten, waarom mislukte samenstellingen waardevolle gegevens kunnen opleveren en wat ervoor nodig is om van snellere voorspellingen te komen tot gevalideerde materialen en productie op schaal.

Uw carrière omvat de internationale expansie van Tempur-Pedic en verschillende ondernemende projecten. Wat bracht u ertoe Holyvolt in 2022 op te richten, en welke kans in de batterijtechnologie overtuigde u ervan een bedrijf op te bouwen in een sector die zo veeleisend is op technisch vlak?

Ik heb bedrijven opgebouwd in uiteenlopende sectoren, van matrassen tot ondergoed, dus batterijen lijken misschien een ongebruikelijke volgende stap. Maar ik voel me altijd aangetrokken tot sectoren waarin ik kansen zie die anderen over het hoofd zien.

Toen ik Holyvolt oprichtte, wist ik heel weinig van batterijchemie, en ik denk eigenlijk dat dat me heeft geholpen. Soms is het een superkracht als je niet alle redenen kent waarom iets niet kan. Jensen Huang zei ooit dat hij Nvidia waarschijnlijk niet had opgericht als hij had geweten hoe moeilijk het zou zijn om het bedrijf op te bouwen. Dat herken ik.

Wat ik zag, was een westerse batterijsector die China probeerde te verslaan in een spel dat China al had gewonnen. De sector investeerde miljarden in een poging technologie te evenaren die China in tientallen jaren had geperfectioneerd. Ik begreep niet waarom we niet evenveel energie staken in de ontwikkeling van iets beters. Batterijen zullen bijna alles om ons heen van stroom voorzien, en ik zag een enorme kans om opnieuw na te denken over de manier waarop we ze ontwikkelen. Dat bracht me ertoe Holyvolt op te richten.

Toen u overwoog Wildcat over te nemen, wat overtuigde u ervan dat de experimentele geschiedenis ervan de basis kon vormen voor een AI-platform voor ontdekkingen? Wat moest u, naast de enorme hoeveelheid gegevens, over die gegevens vaststellen?

De enorme hoeveelheid gegevens trok meteen mijn aandacht: meer dan 500.000 batterijcellen die in 18 jaar tijd 165 miljoen cycli hadden doorlopen. Hoe meer we onderzochten, hoe meer indruk de grondigheid van de experimenten en de doorbraken die Wildcat al had bereikt op ons maakten. Zulke gegevens, die decennialang op een consistente manier zijn verzameld, zijn ongelooflijk moeilijk te evenaren.

Ik ben geen batterijwetenschapper, dus haalde ik mensen erbij die er veel meer van wisten dan ik. Deskundigen op het gebied van batterijen, AI en materiaalkunde kwamen het laboratorium bekijken en waren, eerlijk gezegd, diep onder de indruk.

Kijk vervolgens naar de bedrijven die naar Wildcat komen, waaronder BMW en andere wereldberoemde bedrijven uit de hele waardeketen. Dit zijn bedrijven met enorme budgetten voor onderzoek en ontwikkeling en enkele van de beste wetenschappers ter wereld, en toch klopten ze bij Wildcat aan voor hulp. Dat was voor mij de ultieme bevestiging. Ik raakte ervan overtuigd dat Wildcat het meest gewilde platform voor batterijontdekking ter wereld had ontwikkeld. En met AI hebben we naar mijn overtuiging nog maar het topje van de ijsberg gezien van wat het kan betekenen.

Mislukte experimenten vormen een belangrijk onderdeel van uw gegevensvoordeel. Kunt u een voorbeeld geven van wat een model kan leren van een mislukte batterijsamenstelling, en hoe uw team onderscheid maakt tussen een betekenisvolle chemische mislukking en een probleem met de uitvoering van een experiment?

Mislukkingen horen bij de chemie. Zo boeken we al honderden jaren wetenschappelijke vooruitgang. Je probeert iets, het werkt niet, je leert ervan en probeert het opnieuw. AI moet op dezelfde manier leren.

We doen al 18 jaar lang batterijexperimenten met hoge doorvoercapaciteit. Onze gegevens omvatten dan ook alles, van mislukte samenstellingen tot materialen die we met succes hebben geoptimaliseerd. Dat is bijzonder waardevol bij het trainen van een model.

Neem lithium-metaalbatterijen. In tegenstelling tot traditionele grafietbatterijen kunnen die een plotselinge capaciteitsdaling vertonen, die zeer moeilijk te voorspellen is. We hebben machinelearningmodellen ontwikkeld op basis van daadwerkelijke batterijcycli en gegevens uit verschillende elektrolytsamenstellingen, elektrodeontwerpen en testprotocollen, om te voorspellen wanneer zo’n daling zich kan voordoen.

Onze eerste modellen kunnen deze dalingen met redelijke zekerheid voorspellen. We ontwerpen gerichtere experimenten en testen batterijen onder verschillende omstandigheden om die voorspellingen te verfijnen.

Die gegevens zijn natuurlijk alleen waardevol als we de resultaten kunnen vertrouwen. We hebben jarenlang onze laboratoriumprocessen verfijnd om experimenten zeer reproduceerbaar te maken en fouten tot een minimum te beperken. We voeren hetzelfde experiment ook meerdere keren uit, zodat we kunnen vaststellen of een slecht resultaat wijst op een daadwerkelijk probleem met het materiaal of op een afwijking in het testproces. Zo voorkomen we dat onze modellen verkeerde lessen trekken uit één niet-representatief resultaat.

Kunt u ons meenemen in een ontdekkingscyclus, vanaf het moment dat een model een materiaal voorstelt tot het laboratorium het test en de resultaten verwerkt? Welke beslissingen neemt de AI, en waar blijft het oordeel van een wetenschapper onmisbaar?

Het begint bij onze wetenschappers. Zij ontwerpen een experiment op basis van wat ze willen onderzoeken, waarna ons platform voor experimenten met hoge doorvoersnelheid de tests uitvoert. Vervolgens gebruiken onze machinelearning-engineers die eerste gegevens om een model te bouwen en te kijken of het de resultaten van toekomstige experimenten kan voorspellen.

Vervolgens testen we die voorspellingen in het laboratorium. Komen de resultaten overeen, dan krijgen we meer vertrouwen in het model en kunnen we het gebruiken om nieuwe samenstellingen te beoordelen. Zo niet, dan onderzoeken onze wetenschappers waarom. Soms heeft het model meer gegevens nodig. Dat betekent dat we geheel nieuwe experimenten moeten ontwerpen of onder andere omstandigheden moeten testen. We voeren die resultaten terug aan het model, verfijnen het en herhalen het proces.

Er is veel enthousiasme over het idee dat AI zelfstandig nieuwe materialen ontdekt, maar we zijn voorzichtig met onze beweringen. In dit stadium ontwerpen onze wetenschappers nog steeds de experimenten en nemen zij de belangrijkste beslissingen. AI helpt ons voorspellingen te doen; ons laboratorium laat zien of die voorspellingen ook daadwerkelijk standhouden. Door de expertise van onze wetenschappers te combineren met AI hebben we de tijd die bepaalde taken rond het ontwerpen van experimenten kosten al drastisch kunnen terugbrengen: van weken tot slechts enkele minuten.

Een historische dataset weerspiegelt de materialen die onderzoekers eerder hebben gekozen om te onderzoeken. Hoe voorkomt u dat uw modellen binnen die vertrouwde gebieden blijven, en hoe bepaalt u wanneer een onbekende chemie veelbelovend genoeg is om fysieke tests te rechtvaardigen?

Dat is precies de juiste vraag, en daarom denk ik dat ons laboratorium nog waardevoller is dan onze dataset.

Een model leert van de gegevens die je het geeft. Het is dus vanzelfsprekend betrouwbaarder in het voorspellen van zaken die het al eerder is tegengekomen. De echte kans ligt in het gebruik van AI om volledig nieuwe gebieden van de chemie te verkennen, waar historische gegevens mogelijk ontbreken.

Daar biedt ons platform voor experimenten met hoge doorvoersnelheid ons een enorm voordeel. We kunnen snel nieuwe, betrouwbare experimentele gegevens genereren voor honderden samenstellingen. Zo krijgen onze modellen een basis om van te leren, zelfs op onbekende gebieden van de chemie.

Omdat we voorspellingen in het laboratorium kunnen testen, de resultaten aan onze modellen kunnen terugvoeren en het proces kunnen herhalen, kunnen we hun nauwkeurigheid voortdurend verbeteren. Elk experiment zorgt ervoor dat de volgende voorspelling op meer informatie berust.

Ik denk dat dit ons grootste concurrentievoordeel is. We beschikken over 18 jaar aan historische gegevens, maar zijn daar niet toe beperkt. We kunnen de nieuwe gegevens genereren die nodig zijn om chemische samenstellingen te verkennen die nog niet grondig zijn onderzocht.

Hoe meet u de verbetering die specifiek aan AI kan worden toegeschreven, boven op wat geautomatiseerde experimenten met hoge doorvoersnelheid al opleveren? Welke vergelijkingen laten zien dat de modellen betere kandidaten vinden of het aantal experimenten verminderen dat nodig is om een bruikbaar resultaat te bereiken?

Dat is inderdaad een lastige vraag, omdat wetenschappelijke ontdekkingen het resultaat zijn van teamwork.

Denk aan een groep wetenschappers die samen over een probleem brainstormt. Uiteindelijk komt misschien één persoon met de oplossing, maar dat idee kan zijn voortgekomen uit urenlange gesprekken met alle anderen in de ruimte. Wie krijgt de eer?

Ik denk dat we AI op een vergelijkbare manier moeten bekijken. Het is een extra lid van het onderzoeksteam. Het kan wetenschappers helpen sneller relevante informatie te vinden, patronen in experimentele gegevens te herkennen en een probleem beter te doorgronden.

Ons platform voor experimenten met hoge doorvoersnelheid geeft ons nu al een enorm voordeel doordat we experimenten snel kunnen uitvoeren. We proberen nu te begrijpen hoeveel verder AI ons kan brengen. Ik wil geen cijfer noemen dat we niet goed kunnen onderbouwen. Het gaat erom of we onze wetenschappers helpen om in minder tijd en met minder experimenten betere antwoorden te vinden.

Bij de ontwikkeling van batterijen moeten uiteenlopende doelstellingen tegen elkaar worden afgewogen, waaronder energiedichtheid, levensduur in cycli, veiligheid, kosten en produceerbaarheid. Hoe vertaalt u die afwegingen naar doelen voor de AI, en kan een andere beoogde toepassing ertoe leiden dat de AI naar wezenlijk andere materialen zoekt?

Dat hangt echt af van de toepassing van de batterij. Een batterij voor een drone moet aan heel andere eisen voldoen dan een batterij voor een elektrisch voertuig. Bij de ene toepassing kan energiedichtheid de hoogste prioriteit hebben, terwijl bij een andere de levensduur in cycli of de kosten zwaarder wegen.

We kunnen die doelstellingen vrij precies vaststellen. Energiedichtheid, levensduur in cycli, veiligheid en kosten zijn allemaal meetbaar. Daardoor kunnen we het model specifieke prestatiedoelen meegeven die aansluiten op de toepassing.

Het lastige is om vanuit die doelstellingen terug te redeneren naar een materiaal dat ze daadwerkelijk kan waarmaken.

Een verandering van de toepassing kan zeker invloed hebben op welke materialen we onderzoeken. Maar onze wetenschappers moeten nog steeds bepalen welke chemische samenstellingen veelbelovend zijn, de experimenten ontwerpen en testen of die materialen aan de prestatiedoelen kunnen voldoen.

Holyvolt brengt nikkel- en kobaltvrije kathodematerialen met een wanordelijke steenzoutstructuur richting commercialisering. Welke rol heeft AI gespeeld in die ontwikkeling en welke resterende obstakels vragen om productie- of technische oplossingen die verder gaan dan materiaalontwikkeling?

DRX is een uitstekend voorbeeld van waarom onze aanpak belangrijk is. Er zijn ontzettend veel mogelijke combinaties van materialen, en die één voor één testen zou jaren duren.

Bij Holyvolt kunnen we met ons platform voor tests met hoge doorvoer snel honderden verschillende samenstellingen testen en begrijpen hoe veranderingen in de chemische samenstelling van invloed zijn op de energiedichtheid, spanning, levensduur van batterijen en prestaties. We hebben veelbelovende materialen veel sneller kunnen identificeren dan met traditionele onderzoeksmethoden mogelijk zou zijn.

Nu combineren we die experimentele gegevens met machinaal leren om patronen te herkennen en onze wetenschappers te helpen bepalen welke samenstellingen ze vervolgens moeten onderzoeken. Hoe meer we testen, hoe meer we leren en hoe beter we toekomstige experimenten kunnen sturen.

We boeken al vooruitgang richting productie op commerciële schaal, en een van onze grootste voordelen is dat we gebruikmaken van gevestigde productieprocessen. We hoeven geen volledig nieuwe apparatuur te ontwikkelen of opnieuw uit te vinden hoe deze materialen worden geproduceerd. We richten ons erop de productie samen met onze partners op te schalen, met behoud van consistente prestaties en concurrerende kosten.

U hebt betoogd dat eigen wetenschappelijke gegevens een sterker concurrentievoordeel kunnen opleveren dan de modellen zelf. Waardoor wordt dat voordeel in de loop der tijd steeds groter, en hoe zorgt u ervoor dat u kennis uit verschillende klantprojecten kunt benutten zonder het vertrouwelijke onderzoek en de intellectuele eigendom van elke klant in gevaar te brengen?

Sommige van de krachtigste AI-modellen die vandaag beschikbaar zijn, zijn opensource en worden alleen maar beter. Maar je kunt niet zomaar 18 jaar aan batterijonderzoek downloaden. Dat maakt onze gegevens zo waardevol.

Bij Holyvolt hebben we meer dan 500.000 batterijcellen getest, verdeeld over meer dan 165 miljoen cycli. We weten welke materialen zijn gebruikt, hoe ze zijn verwerkt, hoe ze presteerden en waar ze het begaven. En omdat we al die jaren dezelfde testmethoden hebben gehanteerd, kunnen we de resultaten daadwerkelijk met elkaar vergelijken. Dat is voor anderen bijzonder moeilijk na te bootsen.

Elk experiment leert ons iets. Die kennis helpt ons onze modellen te verbeteren, betere voorspellingen te doen en te bepalen wat we vervolgens moeten testen. En hoe meer experimenten we uitvoeren, hoe waardevoller die basis wordt.

We werken ook samen met enkele van de toonaangevendste bedrijven ter wereld, die ons hun vertrouwelijke onderzoek toevertrouwen. We nemen die verantwoordelijkheid serieus en hebben sterke maatregelen getroffen om vertrouwelijke informatie en intellectuele eigendom te beschermen.

Wat is nu de grootste belemmering voor snellere ontdekkingen terwijl u het platform uitbreidt: de mogelijkheden van modellen, de experimentele capaciteit, de tijd die nodig is om de levensduur van batterijen te valideren, of iets anders? Welke meetbare mijlpaal in de komende twee jaar zou aantonen dat AI de economie van batterijontwikkeling verandert?

Ik denk dat de grootste flessenhals momenteel de tijd is die wetenschappers besteden aan het ontwerpen van experimenten en het analyseren van de resultaten.

Denk aan het traditionele proces. Een wetenschapper stelt een vraag, ontwerpt een experiment, voert de tests uit, analyseert de gegevens en besluit vervolgens wat er als volgende moet worden geprobeerd. We hebben al een groot deel van het fysieke testwerk geautomatiseerd met ons platform voor tests met hoge doorvoer, maar het denkwerk tussen die stappen kost nog steeds ontzettend veel tijd.

Onlangs hebben we een relatief eenvoudig AI-model toegepast op een deel van het proces voor het ontwerpen van experimenten. Iets wat normaal zes weken zou duren, kostte nu acht minuten. Dat is een buitengewoon resultaat en laat zien wat er mogelijk is.

Maar het versnellen van het experimentele ontwerp is nog maar het begin. Terwijl AI ons helpt sneller te bepalen wat we moeten testen, moeten we die experimenten ook sneller kunnen uitvoeren. Daarom zijn we van plan onze laboratoriumcapaciteit uit te breiden en verder te investeren in automatisering.

De komende twee jaar wil ik dat we het hele ontdekkingsproces aanzienlijk versnellen, van het eerste idee tot een gevalideerd materiaal. Als we snellere besluitvorming kunnen combineren met de mogelijkheid om meer experimenten uit te voeren, kunnen we nieuwe chemische samenstellingen verkennen in een tempo dat eerder simpelweg niet mogelijk was. Zo kan AI de economie van batterijontwikkeling fundamenteel veranderen.

Bedankt voor het boeiende interview. Lezers die meer willen weten over batterijmaterialen, experimenten met hoge doorvoer en de ontwikkeling van energietechnologie met behulp van AI, kunnen terecht bij Holyvolt.

Antoine is een visionaire leider en medeoprichter van Unite.AI, gedreven door een onwankelbare passie om de toekomst van AI en robotica vorm te geven en vooruit te helpen. Als serieondernemer gelooft hij dat AI de samenleving net zo ingrijpend zal veranderen als elektriciteit. Hij spreekt vaak enthousiast over het potentieel van baanbrekende technologieën en artificiële algemene intelligentie (AGI).

Als futurist onderzoekt hij hoe deze innovaties onze wereld zullen vormgeven. Daarnaast is hij oprichter van Securities.io, een platform dat zich richt op investeringen in geavanceerde technologieën die de toekomst opnieuw definiëren en hele sectoren veranderen.