Intervjuer
Mathias Ingvarsson, grunnlegger og administrerende direktør i Holyvolt – intervjuserie

Viktige punkterHolyvolts fortrinn er 18 år med proprietære batteridata som konkurrenter ikke bare kan…
Vis mer
- Holyvolts fortrinn er 18 år med proprietære batteridata som konkurrenter ikke bare kan laste ned.
- Mislykkede formuleringer blir treningsdata bare når reproduserbare laboratorieprosesser skiller reelle kjemifeil fra testavvik.
- AI kuttet en eksperimentell designoppgave fra seks uker til åtte minutter, men forskere designer og vurderer fortsatt eksperimenter.
Mathias Ingvarsson er grunnlegger og administrerende direktør i Holyvolt, som han etablerte i 2022 for å utforske nye tilnærminger til batteriteknologi. Karrieren hans omfatter Tempur-Pedics internasjonale ekspansjon og gründerprosjekter i flere bransjer. I Holyvolt arbeider han med å koble vitenskapelig ekspertise, eksperimentelle data og produksjonskapasitet for å framskynde utviklingen av batterimaterialer, blant annet gjennom oppkjøpet av Wildcat Discovery Technologies.
Holyvolt utvikler teknologier for energiproduksjon og -lagring ved å kombinere materialoppdagelse med høy gjennomstrømning og presise silketrykkmetoder for produksjon. Gjennom Wildcat Discovery Technologies kobler selskapets plattform for batteriforskning sammen laboratorieeksperimenter, historiske testdata og KI-basert materialutvikling. I dette intervjuet forteller Ingvarsson hvordan forskere bruker maskinlæring sammen med fysiske eksperimenter, hvorfor mislykkede formuleringer kan være verdifulle data, og hva som kreves for å gå fra raskere prediksjoner til validerte materialer og produksjon i stor skala.
Karrieren din omfatter Tempur-Pedics internasjonale ekspansjon og flere gründerprosjekter. Hva fikk deg til å grunnlegge Holyvolt i 2022, og hvilken mulighet innen batteriteknologi overbeviste deg om å bygge et selskap i en så teknisk krevende bransje?
Jeg har bygget virksomheter innen alt fra madrasser til undertøy, så batterier kan virke som et uvanlig neste steg. Men jeg har alltid vært tiltrukket av bransjer der jeg ser muligheter andre overser.
Jeg kunne svært lite om batterikjemi da jeg startet Holyvolt, og jeg tror faktisk det var en fordel. Noen ganger kan det være en superkraft å ikke kjenne alle grunnene til at noe ikke lar seg gjøre. Jensen Huang har sagt at hvis han hadde visst hvor vanskelig det ville være å bygge Nvidia, ville han sannsynligvis ikke ha startet. Det kan jeg kjenne meg igjen i.
Det jeg så, var en vestlig batteriindustri som prøvde å slå Kina i et spill Kina allerede hadde vunnet. Bransjen investerte milliarder i å kopiere teknologi som Kina hadde brukt flere tiår på å perfeksjonere. Jeg kunne ikke forstå hvorfor vi ikke brukte den samme innsatsen på å utvikle noe bedre. Batterier kommer til å drive nesten alt rundt oss, og jeg så en enorm mulighet til å tenke nytt om hvordan vi utvikler dem. Det var det som fikk meg til å starte Holyvolt.
Da du vurderte å kjøpe Wildcat, hva overbeviste deg om at selskapets eksperimenthistorikk kunne bli grunnlaget for en KI-plattform for oppdagelser? Hva måtte du fastslå om dataene utover det enorme omfanget?
Den enorme datamengden fanget umiddelbart oppmerksomheten min. Mer enn 500 000 battericeller testet over 18 år og 165 millioner sykluser. Jo mer vi undersøkte, desto mer imponert ble vi over hvor grundig eksperimentene var, og over gjennombruddene Wildcat allerede hadde oppnådd. Det er utrolig vanskelig å gjenskape data som er samlet inn konsekvent over flere tiår.
Jeg er ikke batteriforsker, så jeg hentet inn folk som visste langt mer enn meg. Eksperter på batterier, KI og materialvitenskap kom for å se laboratoriet, og de ble ærlig talt fullstendig imponert.
Så ser man på selskapene som oppsøker Wildcat, blant dem BMW og andre verdenskjente selskaper fra hele verdikjeden. Dette er selskaper med enorme FoU-budsjetter og noen av verdens beste forskere, og de henvendte seg til Wildcat for å få hjelp. For meg var det den endelige bekreftelsen. Jeg ble overbevist om at Wildcat hadde bygget verdens mest ettertraktede plattform for batterioppdagelser. Og med KI tror jeg at vi bare har skrapt i overflaten av hva plattformen kan gjøre.
Mislykkede eksperimenter er en sentral del av datafordelen deres. Kan du gi et eksempel på hva en modell kan lære av en mislykket batteriformulering, og hvordan teamet deres skiller mellom en betydningsfull kjemisk feil og et problem med måten eksperimentet ble gjennomført på?
Feil er en del av kjemien. Slik har vi gjort vitenskapelige framskritt i flere hundre år. Man prøver noe, det fungerer ikke, man lærer av det og prøver igjen. KI må lære på samme måte.
Vi har gjennomført høyproduksjonseksperimenter med batterier i 18 år, så dataene våre omfatter alt fra mislykkede formuleringer til materialer vi har optimalisert med hell. Det er utrolig verdifullt når en modell skal trenes.
Ta litium-metallbatterier. I motsetning til tradisjonelle grafittbatterier kan de oppleve et plutselig kapasitetsfall som er svært vanskelig å forutsi. Vi har utviklet maskinlæringsmodeller basert på faktiske data fra batterisykluser med ulike elektrolyttformuleringer, elektrodedesign og testprotokoller for å forutsi når et slikt fall kan inntreffe.
De første modellene våre kan forutsi slike fall med rimelig sikkerhet, og vi planlegger mer målrettede eksperimenter og tester batterier under ulike forhold for å forbedre prediksjonene.
Disse dataene er selvfølgelig bare verdifulle hvis vi kan stole på resultatene. Vi har brukt flere år på å forbedre laboratorieprosessene våre for å gjøre eksperimentene svært reproduserbare og minimere feil. Vi gjennomfører også flere gjentakelser av det samme eksperimentet, slik at vi kan avgjøre om et dårlig resultat skyldes et reelt problem med materialet eller et avvik i testprosessen. På den måten unngår vi å lære modellene våre feil ting på grunnlag av ett enkelt resultat som ikke er representativt.
Kan du ta oss gjennom en oppdagelsessyklus, fra en modell foreslår et materiale til laboratoriet tester det og resultatene innarbeides? Hvilke beslutninger tar KI, og på hvilke områder er forskerens skjønn fortsatt avgjørende?
Det begynner med forskerne våre. De utformer et eksperiment ut fra hva de ønsker å finne ut, og plattformen vår for høy gjennomstrømning gjennomfører testene. Deretter bruker maskinlæringsingeniørene våre de innledende dataene til å bygge en modell og undersøke om den kan forutsi resultatene av framtidige eksperimenter.
Deretter tester vi disse forutsigelsene i laboratoriet. Hvis resultatene stemmer, får vi større tillit til modellen og kan bruke den til å evaluere nye formuleringer. Hvis de ikke stemmer, undersøker forskerne våre hvorfor. Noen ganger trenger modellen mer data, noe som betyr at vi må utforme helt nye eksperimenter eller teste under andre forhold. Vi fører resultatene tilbake inn i modellen, forbedrer den og gjentar prosessen.
Det er stor begeistring for at KI skal oppdage nye materialer på egen hånd, men vi er nøye med hva vi hevder. På dette stadiet er det fortsatt forskerne våre som utformer eksperimentene og tar de viktigste beslutningene. KI hjelper oss med å lage forutsigelser, mens laboratoriet vårt viser om de faktisk holder mål. Ved å kombinere ekspertisen til forskerne våre med KI har vi allerede klart å redusere tiden som kreves for enkelte oppgaver knyttet til eksperimentdesign, dramatisk – fra uker til bare minutter.
Et historisk datasett gjenspeiler materialene forskere tidligere har valgt å undersøke. Hvordan hindrer dere modellene i å holde seg til disse velkjente områdene, og hvordan avgjør dere når en ukjent kjemisk sammensetning er lovende nok til å begrunne fysisk testing?
Det er nettopp det riktige spørsmålet, og derfor mener jeg at laboratoriet vårt er enda mer verdifullt enn datasettet vårt.
En modell lærer av dataene den får, så naturligvis er den mer pålitelig når den forutsier noe den allerede har sett. Den virkelige muligheten ligger i å bruke KI til å utforske helt nye områder innen kjemi, der slike historiske data kanskje ikke finnes.
Det er her plattformen vår for høy gjennomstrømning gir oss et enormt fortrinn. Vi kan raskt generere nye, pålitelige eksperimentelle data for hundrevis av formuleringer, slik at modellene våre får et grunnlag å lære av også på ukjente områder innen kjemi.
Og fordi vi kan teste forutsigelsene i laboratoriet, føre resultatene tilbake til modellene våre og gjenta prosessen, kan vi stadig forbedre nøyaktigheten deres. Hvert eksperiment gjør den neste forutsigelsen mer velinformert.
Jeg mener dette er vårt største konkurransefortrinn. Vi har 18 års historiske data, men vi er ikke begrenset av dem. Vi kan generere de nye dataene vi trenger for å utforske kjemiske sammensetninger som ikke har vært grundig undersøkt tidligere.
Hvordan måler dere forbedringen som spesifikt kan tilskrives KI, utover det automatiserte eksperimenter med høy gjennomstrømning allerede gir? Hvilke sammenligninger viser at modellene finner bedre kandidater eller reduserer antallet eksperimenter som trengs for å oppnå et nyttig resultat?
Det er faktisk et vanskelig spørsmål, fordi vitenskapelige oppdagelser er et lagarbeid.
Se for deg en gruppe forskere som idémyldrer rundt et problem. Én person finner kanskje til slutt løsningen, men ideen kan ha oppstått etter flere timers diskusjon med alle de andre i rommet. Hvem får æren?
Jeg mener vi bør se på KI på samme måte. Den er et annet medlem av forskerteamet. Den kan hjelpe forskerne med å finne relevant informasjon raskere, gjenkjenne mønstre i eksperimentelle data og forstå et problem bedre.
Plattformen vår for høy gjennomstrømning gir oss allerede et betydelig fortrinn når det gjelder hvor raskt vi kan gjennomføre eksperimenter. Nå arbeider vi med å finne ut hvor mye mer KI kan bidra. Jeg vil ikke oppgi et tall vi ikke kan underbygge ordentlig. Det viktige er om vi hjelper forskerne våre med å komme fram til bedre svar på kortere tid og med færre eksperimenter.
Utvikling av batterier innebærer motstridende mål, blant annet energitetthet, sykluslevetid, sikkerhet, kostnader og produserbarhet. Hvordan omsetter dere disse avveiningene til mål for KI, og kan en endring i den tiltenkte bruken føre til at KI peker mot helt andre materialer?
Det avhenger virkelig av hva batteriet skal brukes til. Et batteri til en drone har helt andre krav enn et batteri som skal brukes i et elektrisk kjøretøy. I én anvendelse kan energitetthet være viktigst, mens sykluslevetid eller kostnader kan prioriteres i en annen.
Vi kan definere disse målene ganske tydelig. Energitetthet, sykluslevetid, sikkerhet og kostnader kan alle måles, så vi kan gi modellen konkrete ytelsesmål ut fra bruksområdet.
Det vanskelige er å gå baklengs fra disse målene og finne et materiale som faktisk kan oppfylle dem.
Å endre bruksområdet kan absolutt endre hvilke materialer vi undersøker. Men forskerne våre må fortsatt avgjøre hvilke kjemiske sammensetninger som er lovende, utforme forsøkene og teste om materialene kan oppfylle ytelsesmålene.
Holyvolt bringer nikkel- og koboltfrie katodematerialer med uordnet steinsaltstruktur nærmere kommersialisering. Hvilken rolle har KI spilt i denne utviklingen, og hvilke gjenværende hindringer krever løsninger innen produksjon eller ingeniørfag utover oppdagelsen av nye materialer?
DRX er et godt eksempel på hvorfor tilnærmingen vår er viktig. Det finnes et enormt antall mulige kombinasjoner av materialer, og det ville tatt årevis å teste dem én etter én.
Hos Holyvolt gjør plattformen vår for høy gjennomstrømning det mulig å teste hundrevis av ulike formuleringer raskt og forstå hvordan endringer i kjemisk sammensetning påvirker energitetthet, spenning, batterilevetid og ytelse. Vi har kunnet identifisere lovende materialer langt raskere enn tradisjonelle forskningsmetoder ville gjort mulig.
Nå kombinerer vi disse forsøksdataene med maskinlæring for å identifisere mønstre og hjelpe forskerne våre med å avgjøre hvilke formuleringer de skal utforske videre. Jo mer vi tester, desto mer lærer vi, og desto bedre kan vi veilede framtidige forsøk.
Vi gjør allerede framskritt mot produksjon i kommersiell skala, og en av våre største fordeler er at vi bruker veletablerte produksjonsprosesser. Vi trenger ikke å utvikle helt nytt utstyr eller finne opp produksjonsmetodene for disse materialene på nytt. Vi fokuserer på å øke produksjonen sammen med partnerne våre, samtidig som vi opprettholder jevn ytelse og konkurransedyktige kostnader.
Du har hevdet at proprietære vitenskapelige data kan være et sterkere konkurransefortrinn enn modellene i seg selv. Hva gjør at dette fortrinnet vokser over tid, og hvordan balanserer dere læring på tvers av kundeprosjekter med å beskytte hver kundes konfidensielle forskning og immaterielle rettigheter?
Noen av de kraftigste KI-modellene som er tilgjengelige i dag, er åpen kildekode, og de blir stadig bedre. Men du kan ikke bare laste ned 18 års batteriforskning. Det er det som gjør dataene våre så verdifulle.
Hos Holyvolt har vi testet mer enn 500 000 battericeller gjennom mer enn 165 millioner sykluser. Vi vet hvilke materialer som ble brukt, hvordan de ble behandlet, hvordan de fungerte, og hvor de sviktet. Og fordi vi har fulgt konsekvente testmetoder gjennom alle disse årene, kan vi faktisk sammenligne resultatene. Det er svært vanskelig for andre å etterligne.
Hvert forsøk lærer oss noe. Denne kunnskapen hjelper oss med å forbedre modellene våre, lage bedre prognoser og avgjøre hva vi skal teste videre. Og jo flere forsøk vi gjennomfører, desto mer verdifullt blir dette grunnlaget.
Vi samarbeider også med noen av verdens ledende selskaper, som betror oss sensitiv forskning. Vi tar dette ansvaret på alvor og har sterke sikkerhetstiltak på plass for å beskytte konfidensiell informasjon og immaterielle rettigheter.
Når dere utvider plattformen, hva er den største begrensningen for raskere oppdagelse i dag: modellkapasitet, forsøkskapasitet, tiden det tar å validere batterilevetid eller noe annet? Hvilken målbar milepæl i løpet av de neste to årene vil vise at KI endrer økonomien i batteriutviklingen?
Jeg tror den største flaskehalsen i dag er tiden forskerne bruker på å utforme forsøk og analysere resultatene.
Tenk på den tradisjonelle prosessen. En forsker stiller et spørsmål, utformer et forsøk, gjennomfører testene, analyserer dataene og avgjør deretter hva som skal prøves videre. Vi har allerede automatisert mye av den fysiske testingen gjennom plattformen vår for høy gjennomstrømning, men det krever fortsatt svært mye tid å tenke seg gjennom stegene imellom.
Vi brukte nylig en relativt enkel KI-modell på en del av prosessen med forsøksutforming. Noe som vanligvis ville tatt seks uker, tok åtte minutter. Det er et ganske enestående resultat, og det viser hva som er mulig.
Men å få fortgang i utformingen av forsøk er bare begynnelsen. Etter hvert som KI hjelper oss med å finne ut raskere hva vi bør teste, må vi også øke tempoet på gjennomføringen av forsøkene. Derfor planlegger vi å utvide laboratoriekapasiteten og investere i ytterligere automatisering.
I løpet av de neste to årene vil jeg at vi skal sette opp farten dramatisk i hele oppdagelsesprosessen, fra den første ideen til et validert materiale. Hvis vi kan kombinere raskere beslutningstaking med muligheten til å gjennomføre flere forsøk, kan vi utforske nye kjemiske sammensetninger i et tempo som rett og slett ikke var mulig før. Slik kan KI endre økonomien i batteriutviklingen i bunn og grunn.
Takk for et flott intervju. Lesere som ønsker å lære mer om batterimaterialer, forsøk med høy gjennomstrømning og utvikling av energiteknologi ved hjelp av KI, bør besøke Holyvolt.












