Taku Watanabe, VP og leder av US-Operasjoner, Matlantis – Intervju-serie

Taku Watanabe, VP og leder av US-Operasjoner, Matlantis, er en materials vitenskaps- og AI-ekspert med en karriere som spenner over avansert batteriforskning, komputasjonsmodellering og global teknologiledelse. Han leder for tiden Matlantis’ utvidelse i USA fra Cambridge, Massachusetts, samtidig som han også fungerer som hovedforsker og leder for global kundesuksess, og kobler avanserte materialer-informatics med virkelige industrielle bruksområder. Før han ble med i Matlantis, hadde han seniorstillinger i Samsung R&D Institute Japan med fokus på all-fast-batteriutvikling, og tidligere utførte han postdoktorgradsarbeid ved Georgia Institute of Technology etter å ha fullført doktorgradsarbeid i simuleringsprogramvare ved University of Florida. Hans karriere er konsistent sentrert rundt å kombinere maskinlæring, fysikk-basert simulering og materials vitenskap for å akselerere innovasjon i energi og avanserte materialer.

Matlantis er et AI-drevet materials-informatics-selskap som fokuserer på å transformere hvordan nye materialer oppdages og utvikles gjennom høyhastighetsatomistisk simulering. Deres sky-baserte plattform gjør det mulig for forskere å modellere molekylær og krystallisk atferd med både høy nøyaktighet og hastighet, og reduserer prosesser som tidligere tok måneder til sekunder. Bygget på maskinlæring interatomiske potensialer og komputasjonskjemiske beregninger, gjør plattformen det mulig for vitenskapsmenn å utforske store materialkombinasjoner uten tradisjonelle eksperimentelle begrensninger, og støtter industrier som halvledere og energilagring. Grunnlagt i 2021 gjennom et samarbeid mellom Preferred Networks og ENEOS, posisjonerer Matlantis seg selv som en kjernekomponent i skiftet mot AI-først materials-opptak og digital R&D-arbeidsflyt.

Du har brukt din karriere på skjæringspunktet mellom materials vitenskap, simulering og maskinlæring, fra batteriforskning hos Samsung til materials-informatics hos ENEOS og nå leder av US-Operasjoner hos Matlantis. Hva var de viktigste øyeblikkene som overbeviste deg om at AI-drevet simulering ville fundamentalt endre materials-opptak?

Vendepunktet for meg var å innse at den virkelige flaskenhalen i materials-opptak var vår begrensede evne til å utforske nok kandidater. I mitt arbeid med batterimaterialer og senere i materials-informatics, kunne vi generere høykvalitetsinnsikt ved hjelp av metoder som tetthetsfunksjonsteori (DFT), men bare over en liten mengde muligheter på grunn av kostnads- og tidsbegrensninger.

Hva endret seg, var oppkomsten av maskinlæringspotensialer som kunne bevare nær kvantum-nivå-nøyaktighet samtidig som de dramatisk økte beregningsgjennomstrømmingen. Dette låste opp to viktige endringer.

Først, gjorde det det mulig å akselerere prøving og feil med høy troverdighet. Forskere kan nå kjøre betydelig flere kandidatvurderinger per tidsenhet uten å ofre nøyaktighet, fundamentalt endrer tempo og omfang av utforskning. For det andre, skapte det en ny basis for data-vitenskap i materials-opptak, fordi den niveauet av gjennomstrømming genererer volumet av høykvalitetsdata som trengs for å gjøre maskinlærings-tilnærmingene virkelig effektive.

Matlantis har nylig integrert med NVIDIA’s ALCHEMI Toolkit for å muliggjøre industri-skala simulering-gjennomstrømming. Fra din perspektiv, hva er de spesifikke flaskenhalene som denne integreringen fjerner, og hvordan endrer det hva R&D-lag kan realistisk oppnå i dag?

Integreringen fjerner en grunnleggende misforhold mellom AI-drevne potensialer og infrastrukturen de avhenger av. Mens modeller som PFP er innebygget GPU-akselerert, har nøkkel-delene av simulering-arbeidsflyten, som for eksempel orkestrering, tradisjonelt forblett CPU-bundet eller løst koblet over ulike verktøy. Dette skaper ineffektiviteter i data-bevegelse og begrenser skalerbarhet ved å introdusere friksjon når store eller distribuerte arbeidsbyrde kjøres.

ALCHEMI adresserer dette ved å utvide GPU-akselerasjon over hele simulering-staken, bygget på tidligere integrasjon med NVIDIA Warp-optimerte kjerner og nå flytter inn i ALCHEMI Toolkit-Ops for produksjon-skala-eksekvering. Resultatet er raskere beregning og en mer samlet, AI-nativ simulering-miljø som kan operere pålitelig på industri-skala.

Hva gjør dette spesielt viktig nå, er at det markerer en overgang fra plattform-visjon til virkelig utrulling. Med kapasiteter som LightPFP som muliggjør simuleringer på skalaen av hundre tusen atomer og raskere inferens, er AI-drevet atomistisk simulering brukbar i produksjons-arbeidsflyt.

For R&D-lag, endrer det rollen til simulering helt. I stedet for å bli anvendt selektivt, kan det bli innbygget i hverdags-beslutning, og forme hvilke materialer som prioriteres tidlig i utvikling.

Den annonsen høydepunktet LightPFP og kommende PFP-integrering med ALCHEMI. Hvordan forbedrer disse utviklingene skalerbarhet og stabilitet sammenlignet med tradisjonelle atomistiske simulering-pipelines?

LightPFP adresserer en nøkkel-flaskenhal i atomistisk simulering: kommunikasjons-overhodet som kreves for nabo-liste-konstruksjon i distribuerte systemer. Ved å erstatte dette steget under inferens med NVIDIA ALCHEMI Toolkit-Ops, reduseres inter-nøde-kommunikasjon. Dette gjør stor-skala-simuleringer både raskere og mer stabile.

Kombinert med dens server-baserte arkitektur, gjør dette det mulig for simuleringer å skaleres mer effektivt samtidig som infrastruktur og operasjonell kompleksitet forenkles.

Full PFP-integrering utvider disse fordelene til en universell modell, som er viktig fordi tradisjonelle pipelines ofte sliter med å skaleres konsistent over ulike material-systemer og beregnings-miljøer. Sammen, forbedrer disse utviklingene både skalerbarhet og pålitelighet, og muliggjør simulering å flytte fra isolerte forsknings-bruksområder til kontinuerlig, industri-skala-utbredelse uten de typiske kompromissene mellom ytelse og stabilitet.

Matlantis er bygget på Preferred Potential (PFP), trent på titalls millioner kvantum-nivå-beregninger. Hvordan skiller denne data-drevne tilnærmingen seg fra konvensjonell fysikk-basert simulering, og hvor leverer den de største ytelses-gevinster?

Konvensjonell simulering beregner interaksjoner direkte fra første prinsipper hver gang, som er nøyaktig men komputasjonskrevende. PFP lærer derimot fra en stor mengde kvantum-beregninger og anvender denne kunnskapen under inferens. De største ytelses-gevinster kommer i arbeidsflyter som krever gjentakende vurdering over mange kandidater, som for eksempel screening av materialer eller utforskning av material-sammensetning. I stedet for å være begrenset til en håndfull systemer, kan forskere nå vurdere tusenvis av kandidater samtidig som de opprettholder meningsfull nøyaktighet.

En av de mest overbevisende påstandene er å oppnå nær DFT-nøyaktighet på massivt akselererte hastigheter. I praktiske termer, hvordan endrer dette måten bedrifter nærmer seg eksperimentering, prototyping og tid til marked?

Tradisjonelt har DFT vært standarden for nøyaktighet, men i dag begrenser dens komputasjonskostnad hvor bredt det kan anvendes; R&D-lag har avhengig av trial-and-error-eksperimentering og anvender DFT selektivt for validering. Nær-DFT-nøyaktighet på massivt akselererte hastigheter fjerner denne begrensningen.

I stedet for å bruke DFT til å analysere noen kandidater etter eksperimenter, kan bedrifter nå umiddelbart approksimere det nivået av innsikt over tusenvis av muligheter. Dette gjør det mulig for dem å snevre inn det komputasjons-baserte søke-rommet før de begynner å bruke fysiske ressurser. Resultatet er færre mislykkede eksperimenter, mer målrettet prototyping og betydelig raskere iterasjons-sykluser, og ultimate reduksjon av tid til marked samtidig som tillit til hva som driver produksjon fremover øker.

Vi ser en overgang mot simulering-først-opptak over industrier som halvledere, batterier og kjemikalier. Hva ser en fullstendig simulering-først R&D-arbeidsflyt ut som i en moderne bedrift?

En simulering-først-arbeidsflyt starter med å feste R&D rundt ønskede resultater i stedet for forhåndsdefinerte materialer. Lagene identifiserer sine mål og utfordringer, og så skanner de store mengder av kandidat-materialer i skala ved hjelp av optimering, stabilitet og stadig mer, utforskning av hele kjemiske eller krystalliske rom.

Dette er en interaktiv prosess. Simulering-resultater informerer kontinuerlig om den neste mengden av kandidater, og raskt snevrer inn design-rommet. Når materialer flyttes inn i validerings-fasen, har de allerede blitt filtrert gjennom flere komputasjons-lag, og betydelig reduserer bortkastet innsats.

Den virkelige endringen er likevel organisatorisk. Simulering flytter seg bort fra en nisje-kapasitet til å bli en sentral beslutnings-lag. Det guidere hvilke eksperimenter som kjøres, hvordan ressurser allokeres, og hvordan lag prioriterer sine prioriteringer. Over tid, skaper dette en lukket-syklus hvor simulering og eksperimentering forsterker hverandre, og muliggjør at lag kan utforske flere muligheter samtidig som de holder seg fokusert på de mest livskraftige stier.

Som AI blir sentral i materials-vitenskap, blir infrastruktur som beregning, GPU-er og programvare-stabler stadig viktigere. Hvorfor er infrastruktur nå fremkommet som begrensningen i stedet for modell-innovasjon alene?

Fordi mange organisasjoner har sterke modeller, men sliter med fragmenterte arbeidsflyter og begrensede beregnings-tilganger. Å behandle AI som et verktøy lagt på legacy-systemer, leder til isolert eksperimentering, og begrensningen har skiftet til infrastruktur og hvordan organisasjoner kan integrere beregning og data-simulering i ett enkelt, samlet system.

Matlantis blir allerede brukt over industrier fra energi til avansert produksjon. Hvilke bruksområder ser du den raskeste avkastningen på investering i dag, og hvor ser du den neste bølgen av gjennombrudd kommer?

Den raskeste avkastningen på investering er i områder hvor eksperiment-sykluser er dyre og design-rommet er stort, som for eksempel batterimaterialer, katalysatorer og halvleder-relaterte materialer. I disse domenene, fjerner eliminering av ikke-levende kandidater tidlig umiddelbar verdi.

For eksempel, hadde kjemisk produsent Kuraray en verifiserings-prosess som tok to til tre år, men ble redusert til bare en og en halv måned ved hjelp av Matlantis. I en enkelt simulerings-kampanje, ble 13 foreslåtte katalysator-forbedringer evaluert og alle ble forkastet som ikke-levende og sparede år med eksperimentell innsats på døde veier.

I fremtiden, vil den neste bølgen av gjennombrudd komme fra konvergens av simulering og eksperimentering, ikke fra å forbedre dem i isolasjon. I dag, er det fortsatt en tydelig grense mellom de to, og de behandles som sekvensielle trinn i stedet for en samlet strategi.

Likevel, begynner denne grensen å forsvinne. Med fremgang i høy-gjennomstrømnings-simulering og maskinlæring, ser vi oppkomsten av lukkede-syklus-opptaks-systemer hvor simulering guidere eksperimenter i sanntid, og eksperimentell data konsistent matere tilbake til modeller. Når disse systemene modnes, vil oppdagelse bli kontinuerlig. Denne konvergens, hvor simulering, AI og eksperimentering opererer som ett samlet system, er hvor den neste generasjonen av gjennombrudd vil bli drevet.

Din rolle spenner over både dyp teknisk forskning og global kundesuksess. Hva nye ferdigheter tror du den neste generasjonen av vitenskapsmenn og ingeniører må utvikle for å holde seg konkurransedyktige i AI-drevne R&D-miljøer?

Den viktigste ferdigheten den neste generasjonen må forsterke, er evnen til å operere på tvers av disipliner. Vitenskapsmenn krever sterke domene-ekspertise og evnen til å arbeide med data-drevne modeller, skalerbare simulering-plattformer og iterative arbeidsflyter. Like viktig er å forstå hvordan simulering og data-eksperimentering kobles sammen i en større oppdags-prosess.

Den neste generasjonen vil bli definert ikke bare av hva de vet, men av hvor effektivt de kan integrere og anvende denne kunnskapen i moderne R&D-miljøer.

Ser fremover, mens AI-drevet simulering nærmer seg sanntids-material-opptak, hvor nærme er vi en verden hvor hele klasser av materialer blir designet, valideret og optimalisert fullstendig i silico før noen fysisk eksperiment utføres, og hva betyr dette for fremtiden av innovasjon?

Vi nærmer oss denne kapasiteten i bestemte domener, men ikke ennå universelt. For mange systemer, kan simulering allerede eliminere store deler av design-rommet og identifisere høyt lovende kandidater før noen eksperiment utføres.

Likevel, å fange virkelige kompleksiteter, som syntese-betingelser og skala-oppeffekter, forblir utfordrende. Som en følge, utvikler rollen til eksperimentering seg. I stedet for å fungere som primær metode for utforskning, blir eksperimenter mer målrettede og formål-rettet, fokusert på å validere og forbedre de mest lovende komputasjons-resultatene. De fleste av de tidlige anstrengelsene i oppdagelse flytter inn i simulering, og tillater fysisk testing å operere med langt større presisjon og effisiens. Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Matlantis.