Taku Watanabe, VP en hoofd van de Amerikaanse operaties, Matlantis – Interviewserie

Taku Watanabe, VP en hoofd van de Amerikaanse operaties van Matlantis, is een specialist in materiaalkunde en AI met een carrière die zich uitstrekt over geavanceerd batterijonderzoek, computationeel modelleren en wereldwijde technologische leiderschap. Hij leidt momenteel de expansie van Matlantis in de Verenigde Staten vanuit Cambridge, Massachusetts, en fungeert ook als hoofdonderzoeker en hoofd van de mondiale klantensucces, waarbij hij geavanceerde materiaalinformatie koppelt aan industriële gebruiksgevallen in de praktijk. Voordat hij bij Matlantis kwam, bekleedde hij seniorfuncties bij het Samsung R&D-instituut in Japan, met een focus op de ontwikkeling van all-solid-state-batterijen, en voerde hij eerder postdoctoraal onderzoek uit aan het Georgia Institute of Technology na het voltooien van zijn graduate-onderzoek naar simulatiesoftware aan de Universiteit van Florida. Zijn carrière draait consequent om het combineren van machine learning, fysica-gebaseerde simulatie en materiaalkunde om innovatie in energie en geavanceerde materialen te versnellen.

Matlantis is een AI-gedreven materiaalinformatiebedrijf dat zich richt op het transformeren van de manier waarop nieuwe materialen worden ontdekt en ontwikkeld door middel van high-speed atomistische simulatie. Het cloud-gebaseerde platform van het bedrijf stelt onderzoekers in staat om moleculaire en kristalgedragingen te modelleren met zowel hoge nauwkeurigheid als snelheid, waardoor processen die eerder maanden duurden, nu in seconden kunnen worden voltooid. Gebaseerd op machine learning-interatomische potentialen en computationele chemie, stelt het platform wetenschappers in staat om uitgebreide materiaalcombinaties te onderzoeken zonder traditionele experimentele beperkingen, waardoor het ondersteuning biedt aan industrieën zoals halfgeleiders en energieverstoring. Opgericht in 2021 door een samenwerking tussen Preferred Networks en ENEOS, positioneert Matlantis zich als een kernlaag in de overgang naar AI-geleide materiaalontdekking en digitale R&D-workflows.

U hebt uw carrière doorgebracht op het snijvlak van materiaalkunde, simulatie en machine learning, van batterijonderzoek bij Samsung tot materiaalinformatie bij ENEOS en nu het leiden van de Amerikaanse operaties bij Matlantis. Wat waren de belangrijkste momenten die u ervan overtuigden dat AI-gedreven simulatie de materiaalontdekking fundamenteel zou veranderen?

Het keerpunt voor mij was het besef dat de echte bottleneck in materiaalontdekking onze beperkte mogelijkheid was om voldoende kandidaten te onderzoeken. In mijn werk aan batterijmaterialen en later in materiaalinformatie konden we hoge kwaliteit inzichten genereren met behulp van methoden zoals dichtheidsfunctionele theorie (DFT), maar alleen over een kleine set van mogelijkheden vanwege de kosten- en tijdsbeperkingen.

Wat veranderde, was de opkomst van machine learning-potentiëlen die near-kwantumniveau-nauwkeurigheid konden behouden terwijl de computationele doorvoer aanzienlijk werd verhoogd. Dit ontgrendelde twee belangrijke verschuivingen.

Ten eerste maakte het versnelde trial-and-error mogelijk op hoog niveau. Onderzoekers kunnen nu aanzienlijk meer kandidaatbeoordelingen per tijdseenheid uitvoeren zonder de nauwkeurigheid te offeren, waardoor de snelheid en het bereik van de exploratie fundamenteel veranderen. Ten tweede creëerde het een nieuwe basis voor datascience in materiaalontdekking, omdat dat niveau van doorvoer het volume van hoge kwaliteit gegevens genereert dat nodig is om machine learning-benaderingen echt effectief te maken.

Matlantis heeft onlangs de integratie met NVIDIA’s (NVDA ) ALCHEMI Toolkit mogelijk gemaakt om industriële simulatiedoorvoer te ermöglichen. Vanuit uw perspectief, welke specifieke bottlenecks verwijdert deze integratie, en hoe verandert het wat R&D-teams realistisch kunnen bereiken vandaag?

De integratie verwijdert een fundamentele mismatch tussen AI-gedreven potentialen en de infrastructuur waarop ze afhankelijk zijn. Terwijl modellen zoals PFP inherent GPU-versneld zijn, zijn belangrijke delen van de simulatieworkflow, zoals orkestratie, traditioneel CPU-gebonden gebleven of losjes verbonden met verschillende tools. Dit creëert inefficiënties in dataverplaatsing en beperkt schaalbaarheid door wrijving te introduceren bij het uitvoeren van grote of gedistribueerde workloads.

ALCHEMI adresseert dit door GPU-versnelling uit te breiden over de volledige simulatiestack, gebouwd op eerdere integratie met NVIDIA Warp-geoptimaliseerde kernels en nu verhuizend naar ALCHEMI Toolkit-Ops voor productieschaaluitvoering. Het resultaat is snellere berekening en een meer coherente, AI-natieve simulatieomgeving die betrouwbaar kan opereren op industriële schaal.

Wat dit extra belangrijk maakt, is dat het een overgang markeert van platformvisie naar echte implementatie. Met capaciteiten zoals LightPFP die simulaties mogelijk maken op de schaal van honderdduizenden atomen en snellere inferentie, is AI-gedreven atomistische simulatie bruikbaar in productieworkflows.

Voor R&D-teams verandert dit de rol van simulatie volledig. In plaats van selectief te worden toegepast, kan het worden ingebed in het dagelijkse beslissingsproces, waardoor wordt bepaald welke materialen prioriteit krijgen in de vroege ontwikkelingsfase.

De aankondiging benadrukt LightPFP en de aanstaande PFP-integratie met ALCHEMI. Hoe verbeteren deze ontwikkelingen de schaalbaarheid en stabiliteit in vergelijking met traditionele atomistische simulatiepijplijnen?

LightPFP adresseert een belangrijke bottleneck in atomistische simulatie: de communicatieoverhead die nodig is voor de constructie van een burenlijst in gedistribueerde systemen. Door deze stap tijdens inferentie te vervangen met NVIDIA ALCHEMI Toolkit-Ops, wordt de inter-nodecommunicatie verminderd. Dit maakt grote-schaal simulaties zowel sneller als stabiel.

In combinatie met de servergebaseerde architectuur, stelt dit simulaties in staat om efficiënter te schalen, waardoor de infrastructuur en de operationele complexiteit worden vereenvoudigd.

De volledige PFP-integratie breidt deze voordelen uit tot een universeel model, wat belangrijk is omdat traditionele pijplijnen vaak moeite hebben om consistent te schalen over verschillende materiaalsystemen en computationele omgevingen. Samen verbeteren deze ontwikkelingen zowel de schaalbaarheid als de betrouwbaarheid, waardoor simulatie kan verschuiven van geïsoleerde onderzoeksgevallen naar continue, industriële-schaalimplementatie zonder de typische compromissen tussen prestaties en stabiliteit.

Matlantis is gebouwd op Preferred Potential (PFP), getraind op tientallen miljoenen kwantumniveau-berekeningen. Hoe verschilt deze gegevensgestuurde benadering van conventionele fysica-gebaseerde simulatie, en waar levert het de grootste prestatieverbeteringen?

Conventionele simulatie berekent interacties rechtstreeks vanuit de eerste principes elke keer, wat nauwkeurig maar computationeel duur is. PFP leert daarentegen van een uitgebreide set van kwantumberekeningen en past die kennis toe tijdens inferentie. De grootste prestatieverbeteringen komen in workflows die herhaalde evaluatie over veel kandidaten vereisen, zoals het screenen van materialen of het onderzoeken van materiaalsamenstelling. In plaats van beperkt te zijn tot een handvol systemen, kunnen onderzoekers nu duizenden kandidaten evalueren terwijl ze nog steeds betekenisvolle nauwkeurigheid behouden.

Een van de meest overtuigende claims is het bereiken van near-DFT-nauwkeurigheid bij massaal versnelde snelheden. In praktische termen, hoe verandert dit de manier waarop bedrijven experimenten, prototyping en tijd-tot-markt benaderen?

Traditioneel is DFT de gouden standaard voor nauwkeurigheid geweest, maar vandaag beperkt de computationele kosten hoe breed het kan worden toegepast; R&D-teams zijn sterk afhankelijk van trial-and-error-experimenten en gebruiken DFT selectief voor validatie. Near-DFT-nauwkeurigheid bij massaal versnelde snelheden verwijdert deze beperking.

In plaats van DFT te gebruiken om een paar kandidaten te analyseren na experimenten, kunnen bedrijven nu onmiddellijk die niveau van inzicht benaderen over duizenden mogelijkheden. Dit stelt hen in staat om de computationele zoekruimte te verkleinen voordat ze fysieke middelen toewijzen. Het resultaat is minder mislukte experimenten, meer gericht prototyping en aanzienlijk snellere iteratiecycli, wat uiteindelijk de tijd-tot-markt vermindert en het vertrouwen verhoogt in wat de productie naar voren brengt.

We zien een overgang naar simulatie-geleide ontdekking in industrieën zoals halfgeleiders, batterijen en chemicaliën. Wat ziet een volledig simulatie-geleide R&D-workflow eruit in een moderne onderneming?

Een simulatie-geleide workflow begint met het ankeren van R&D rond gewenste resultaten in plaats van vooraf gedefinieerde materialen. Teams identificeren hun doelen en uitdagingen en schermen vervolgens grote aantallen kandidaatmaterialen op schaal door middel van optimalisatie, stabiliteit en steeds vaker, exploratie van hele chemische of kristalruimtes.

Dit is een interactief proces. Simulatieresultaten informeren voortdurend de volgende set kandidaten, waardoor de ontwerpruimte snel wordt verkleind. Wanneer materialen de validatiefase bereiken, zijn ze al gefilterd door meerdere computationele lagen, waardoor verspilde inspanning aanzienlijk wordt verminderd.

De echte verschuiving is echter organisatorisch. Simulatie gaat verder dan een niche-capaciteit en wordt een centrale beslissingslaag. Het leidt experimenten, resource-toewijzing en prioritering van teams. Na verloop van tijd creëert dit een gesloten systeem waarin simulatie en experimenten elkaar versterken, waardoor teams meer mogelijkheden kunnen onderzoeken terwijl ze zich strak focussen op de meest haalbare paden.

Naarmate AI-centrale materiaalkunde wordt, wordt infrastructuur zoals compute, GPUs en software-stacks steeds kritieker. Waarom is infrastructuur nu de beperkende factor in plaats van enkel modelinnovatie?

Omdat veel organisaties sterke modellen hebben, maar worstelen met gefragmenteerde workflows en beperkte compute-toegang. Het behandelen van AI als een tool die op legacy-systemen is gebaseerd, leidt tot geïsoleerd experimenten, en de beperkende factor is verschoven naar infrastructuur en hoe effectief organisaties compute en datascience in een enkel, geïntegreerd systeem kunnen integreren.

Matlantis wordt al gebruikt in industrieën variërend van energie tot geavanceerde fabricage. Welke use cases zien de snelste return on investment vandaag, en waar verwacht u de volgende golf van doorbraken?

De snelste ROI is in gebieden waar experimentele cycli duur zijn en ontwerpruimtes groot zijn, zoals batterijmaterialen, katalysatoren en halfgeleidergerelateerde materialen. In deze domeinen creëert het elimineren van niet-haalbare kandidaten vroeg onmiddellijke waarde.

Als voorbeeld had de chemische fabrikant Kuraray eerder een verificatieproces dat twee tot drie jaar duurde, maar werd teruggebracht tot slechts een maand en een half met behulp van Matlantis. In een enkele simulatiecampagne werden 13 voorgestelde verbeteringen van katalysatoren geëvalueerd en alle werden uitgesloten als niet-haalbaar, waardoor jaren van experimentele inspanning op doodlopende ideeën werden bespaard.

Als we vooruitkijken, zal de volgende golf van doorbraken komen van de convergentie van simulatie en experimenten, niet van het verbeteren ervan in isolatie. Vandaag is er nog een duidelijke grens tussen de twee, en worden ze meestal behandeld als opeenvolgende stappen in plaats van een geïntegreerde strategie.

Die grens begint echter te vervagen. Met de vooruitgang in high-throughput-simulatie en machine learning zien we de opkomst van gesloten ontdekkingsystemen waarin simulatie experimenten in real-time leidt en experimentele gegevens consistent terugvoeren in modellen. Naarmate deze systemen volwassen worden, zal ontdekking continu worden. Die convergentie, waarin simulatie, AI en experimenten als een geïntegreerd systeem opereren, is waar de volgende generatie van doorbraken zal worden aangedreven.

Uw rol omvat zowel diepgaand technisch onderzoek als mondiale klantensucces. Welke nieuwe vaardigheden denkt u dat de volgende generatie van wetenschappers en ingenieurs moet ontwikkelen om concurrerend te blijven in AI-gedreven R&D-omgevingen?

De belangrijkste vaardigheid die de volgende generatie moet versterken, is de mogelijkheid om over disciplines heen te werken. Wetenschappers hebben sterke domeinexpertise en de capaciteit nodig om met data-gedreven modellen, schaalbare simulatieplatforms en iteratieve workflows te werken. Even belangrijk is het begrijpen van hoe simulatie en data-experimenten zich verhouden binnen een groter ontdekkingsproces.

De volgende generatie zal niet alleen worden gedefinieerd door wat ze weten, maar door hoe effectief ze hun kennis kunnen integreren en toepassen binnen moderne R&D-omgevingen.

Terwijl AI-gedreven simulatie real-time materiaalontdekking nadert, hoe dicht zijn we bij een wereld waarin hele klassen van materialen volledig in silico worden ontworpen, gevalideerd en geoptimaliseerd voordat enig fysiek experiment plaatsvindt, en wat betekent dit voor de toekomst van innovatie?

We naderen die capaciteit in specifieke domeinen, maar nog niet universeel. Voor veel systemen kan simulatie al grote delen van de ontwerpruimte elimineren en hoogwaardige kandidaten identificeren voordat enig experiment wordt uitgevoerd.

Het volledig vastleggen van de real-world complexiteit, zoals synthetische condities en schaaleffecten, blijft echter een uitdaging. Als gevolg daarvan evolueert de rol van experimenten. In plaats van de primaire methode van exploratie te zijn, worden experimenten meer gericht en doelgericht, gefocust op het valideren en verfijnen van de meest veelbelovende computationele resultaten. De meeste vroege inspanningen van ontdekking verschuiven naar simulatie, waardoor fysieke testing met veel grotere precisie en efficiëntie kan worden uitgevoerd.

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