Wywiady
Mathias Ingvarsson, założyciel i dyrektor generalny Holyvolt – cykl wywiadów

Kluczowe punktyPrzewaga Holyvolt to 18 lat zastrzeżonych danych o bateriach, których konkurenci nie…
Zobacz więcej
- Przewaga Holyvolt to 18 lat zastrzeżonych danych o bateriach, których konkurenci nie mogą po prostu pobrać.
- Nieudane formulacje stają się danymi treningowymi tylko wtedy, gdy powtarzalne procesy laboratoryjne oddzielają rzeczywiste niepowodzenia chemiczne od anomalii testowych.
- AI skróciła jedno zadanie projektowania eksperymentu z sześciu tygodni do ośmiu minut, ale naukowcy nadal projektują i oceniają eksperymenty.
Mathias Ingvarsson jest założycielem i dyrektorem generalnym Holyvolt, którą założył w 2022 roku, aby rozwijać nowe podejścia do technologii akumulatorowej. Jego kariera obejmuje międzynarodową ekspansję Tempur-Pedic oraz przedsięwzięcia biznesowe w kilku branżach. W Holyvolt skupia się na łączeniu wiedzy naukowej, danych eksperymentalnych i możliwości produkcyjnych, aby przyspieszyć rozwój materiałów akumulatorowych, między innymi poprzez przejęcie Wildcat Discovery Technologies.
Holyvolt rozwija technologie wytwarzania i magazynowania energii, łącząc wysokoprzepustowe poszukiwanie materiałów z precyzyjnymi metodami produkcji opartymi na sitodruku. Za pośrednictwem Wildcat Discovery Technologies jej platforma badawcza w dziedzinie akumulatorów łączy eksperymenty laboratoryjne, historyczne dane z testów i rozwój materiałów wspomagany przez AI. W tym wywiadzie Ingvarsson opowiada o tym, jak naukowcy łączą uczenie maszynowe z eksperymentami fizycznymi, dlaczego nieudane receptury mogą dostarczać cennych danych oraz co jest potrzebne, by przejść od szybszych prognoz do zweryfikowanych materiałów i produkcji na dużą skalę.
Twoja kariera obejmuje międzynarodową ekspansję Tempur-Pedic i kilka przedsięwzięć biznesowych. Co skłoniło Cię do założenia Holyvolt w 2022 roku i jaka szansa w dziedzinie technologii akumulatorowej przekonała Cię do zbudowania firmy w tak wymagającej technicznie branży?
Tworzyłem firmy działające w najróżniejszych branżach – od materacy po bieliznę – więc akumulatory mogą wydawać się nietypowym kolejnym krokiem. Zawsze jednak pociągały mnie branże, w których dostrzegałem szanse niedostrzegane przez innych.
Kiedy zakładałem Holyvolt, wiedziałem bardzo niewiele o chemii akumulatorów i uważam, że to mi pomogło. Czasem niewiedza o wszystkich powodach, dla których czegoś nie da się zrobić, jest supermocą. Jensen Huang powiedział kiedyś, że gdyby wiedział, jak trudno będzie zbudować Nvidię, prawdopodobnie by jej nie założył. Rozumiem to.
Dostrzegłem, że zachodnia branża akumulatorowa próbuje pokonać Chiny w grze, którą Chiny już wygrały. Branża inwestowała miliardy, próbując odtworzyć technologię, którą Chiny doskonaliły przez dziesięciolecia. Nie rozumiałem, dlaczego nie wkładaliśmy tej samej energii w opracowywanie czegoś lepszego. Akumulatory będą zasilać niemal wszystko wokół nas, a ja dostrzegłem ogromną szansę na nowy sposób ich opracowywania. To skłoniło mnie do założenia Holyvolt.
Kiedy rozważałeś przejęcie Wildcat, co przekonało Cię, że historia eksperymentów tej firmy może stać się podstawą platformy odkryć wspieranej przez AI? Co należało ustalić na temat danych poza samą ich ogromną ilością?
Od razu zwróciła moją uwagę ogromna ilość danych: ponad 500 000 ogniw akumulatorowych przetestowanych przez 18 lat i 165 milionów cykli. Im dokładniej się im przyglądaliśmy, tym większe wrażenie robiły na nas rygorystyczne metody eksperymentów i przełomowe osiągnięcia Wildcat. Takich danych, gromadzonych konsekwentnie przez dziesięciolecia, niezwykle trudno byłoby dostarczyć ponownie.
Nie jestem naukowcem zajmującym się akumulatorami, więc zaprosiłem do współpracy osoby, które wiedziały znacznie więcej ode mnie. Eksperci w dziedzinie akumulatorów, AI i materiałoznawstwa przyjechali obejrzeć laboratorium i, szczerze mówiąc, byli pod ogromnym wrażeniem.
Potem widzisz, jakie firmy zgłaszają się do Wildcat, w tym BMW i inne światowej sławy przedsiębiorstwa z całego łańcucha wartości. To firmy dysponujące ogromnymi budżetami na badania i rozwój oraz zatrudniające jednych z najlepszych naukowców na świecie, a mimo to zwracały się do Wildcat o pomoc. Dla mnie było to ostateczne potwierdzenie wartości tej platformy. Doszedłem do przekonania, że Wildcat stworzyła najbardziej pożądaną platformę do odkrywania nowych materiałów akumulatorowych na świecie. Uważam, że dzięki AI dopiero zaczynamy odkrywać jej możliwości.
Nieudane eksperymenty stanowią ważną część przewagi, jaką dają Wam dane. Czy możesz podać przykład tego, czego model może się nauczyć z nieudanej receptury akumulatora, i wyjaśnić, jak zespół odróżnia istotne niepowodzenie chemiczne od problemu ze sposobem przeprowadzenia eksperymentu?
Niepowodzenia są częścią chemii. Właśnie w ten sposób od setek lat dokonujemy postępu naukowego. Próbujesz czegoś, to nie działa, wyciągasz wnioski i próbujesz ponownie. AI musi uczyć się tak samo.
Od 18 lat prowadzimy wysokoprzepustowe eksperymenty z akumulatorami, dlatego nasze dane obejmują zarówno nieudane receptury, jak i materiały, które udało nam się zoptymalizować. To niezwykle cenne podczas trenowania modelu.
Weźmy akumulatory litowo-metaliczne. W przeciwieństwie do tradycyjnych akumulatorów grafitowych mogą one doświadczać nagłego spadku pojemności, który bardzo trudno przewidzieć. Opracowaliśmy modele uczenia maszynowego, wykorzystujące rzeczywiste dane z cykli pracy akumulatorów przy różnych recepturach elektrolitów, konstrukcjach elektrod i protokołach testowych, aby przewidywać, kiedy może dojść do takiego spadku.
Nasze wstępne modele potrafią przewidywać te spadki z dość dużą pewnością, a my projektujemy bardziej ukierunkowane eksperymenty i testujemy akumulatory w różnych warunkach, aby udoskonalić te prognozy.
Oczywiście te dane mają wartość tylko wtedy, gdy możemy ufać wynikom. Od lat udoskonalamy procedury laboratoryjne, aby zapewnić wysoką powtarzalność eksperymentów i ograniczyć liczbę błędów. Powtarzamy też te same eksperymenty, dzięki czemu możemy ustalić, czy słaby wynik świadczy o rzeczywistym problemie z materiałem, czy jest anomalią w procesie badawczym. Dzięki temu nasze modele nie wyciągają błędnych wniosków na podstawie pojedynczego, niereprezentatywnego wyniku.
Czy mogliby Państwo opisać cykl odkrywania — od zaproponowania materiału przez model, przez testy laboratoryjne, po uwzględnienie ich wyników? Jakie decyzje podejmuje AI, a w których momentach niezbędna jest ocena naukowca?
Wszystko zaczyna się od naszych naukowców. Projektują eksperyment, kierując się tym, czego chcą się dowiedzieć, a nasza platforma do badań wysokoprzepustowych przeprowadza testy. Następnie nasi inżynierowie uczenia maszynowego wykorzystują te wstępne dane do zbudowania modelu i sprawdzają, czy potrafi on przewidywać wyniki przyszłych eksperymentów.
Następnie sprawdzamy te prognozy w laboratorium. Jeśli wyniki się zgadzają, bardziej ufamy modelowi i możemy używać go do oceny nowych formulacji. Jeśli nie, nasi naukowcy badają przyczyny. Czasami model potrzebuje więcej danych, co oznacza konieczność zaprojektowania zupełnie nowych eksperymentów lub przeprowadzenia testów w innych warunkach. Wprowadzamy uzyskane wyniki z powrotem do modelu, udoskonalamy go i powtarzamy cały proces.
Wiele osób z entuzjazmem mówi o samodzielnym odkrywaniu nowych materiałów przez AI, ale ostrożnie formułujemy nasze twierdzenia. Na tym etapie to nasi naukowcy nadal projektują eksperymenty i podejmują najważniejsze decyzje. AI pomaga nam tworzyć prognozy, a laboratorium pozwala sprawdzić, czy rzeczywiście się potwierdzają. Łącząc wiedzę naszych naukowców z AI, udało nam się już znacznie skrócić czas potrzebny na niektóre zadania związane z projektowaniem eksperymentów — z tygodni do zaledwie minut.
Zbiór danych historycznych odzwierciedla materiały, które badacze wybierali wcześniej do analizy. Jak zapobiegacie temu, by modele ograniczały się do tych znanych obszarów, i jak ustalacie, czy nieznana chemia rokuje na tyle dobrze, by uzasadnić testy fizyczne?
To właśnie właściwe pytanie — i dlatego uważam, że nasze laboratorium jest jeszcze cenniejsze niż nasz zbiór danych.
Model uczy się na podstawie dostarczonych mu danych, więc naturalnie trafniej przewiduje wyniki w obszarach, z którymi miał już do czynienia. Prawdziwa szansa polega na wykorzystaniu AI do badania zupełnie nowych obszarów chemii, dla których może brakować danych historycznych.
Właśnie tutaj nasza platforma do badań wysokoprzepustowych daje nam ogromną przewagę. Możemy szybko generować nowe, wiarygodne dane eksperymentalne dotyczące setek formulacji, zapewniając modelom podstawę do nauki nawet w nieznanych obszarach chemii.
Ponieważ możemy testować prognozy w laboratorium, przekazywać wyniki z powrotem do naszych modeli i powtarzać ten proces, stale zwiększamy ich trafność. Każdy eksperyment sprawia, że kolejna prognoza jest lepiej uzasadniona.
Uważam, że to nasza największa przewaga konkurencyjna. Dysponujemy 18-letnimi danymi historycznymi, ale nie ograniczają nas one. Możemy generować nowe dane potrzebne do badania obszarów chemii, które wcześniej nie zostały dokładnie zbadane.
Jak mierzycie postępy wynikające konkretnie z zastosowania AI, wykraczające poza to, co już zapewniają zautomatyzowane badania wysokoprzepustowe? Jakie porównania pokazują, że modele znajdują lepsze kandydatury lub ograniczają liczbę eksperymentów potrzebnych do uzyskania użytecznego wyniku?
To naprawdę trudne pytanie, ponieważ odkrycia naukowe są efektem pracy zespołowej.
Wyobraźmy sobie grupę naukowców wspólnie szukających rozwiązania problemu. W końcu może wpaść na nie jedna osoba, ale pomysł mógł zrodzić się po wielu godzinach dyskusji z pozostałymi uczestnikami. Komu przypisać zasługę?
Myślę, że na AI powinniśmy patrzeć podobnie. To kolejny członek zespołu badawczego. Może pomagać naukowcom szybciej znajdować przydatne informacje, dostrzegać wzorce w danych eksperymentalnych i lepiej rozumieć problem.
Nasza platforma do badań wysokoprzepustowych już teraz daje nam ogromną przewagę, pozwalając szybko przeprowadzać eksperymenty. Obecnie sprawdzamy, jak bardzo AI może jeszcze usprawnić ten proces. Nie chcę podawać liczby, której nie potrafimy rzetelnie uzasadnić. Najważniejsze jest to, czy pomagamy naszym naukowcom znajdować lepsze odpowiedzi w krótszym czasie i przy mniejszej liczbie eksperymentów.
Przy opracowywaniu akumulatorów trzeba godzić sprzeczne cele, takie jak gęstość energii, trwałość cykliczna, bezpieczeństwo, koszt i możliwość produkcji na dużą skalę. Jak przekładacie te kompromisy na cele dla AI i czy zmiana planowanego zastosowania może skierować ją ku zupełnie innym materiałom?
To zależy od tego, do czego akumulator będzie wykorzystywany. Akumulator do drona musi spełniać zupełnie inne wymagania niż ten przeznaczony do samochodu elektrycznego. W jednym zastosowaniu można stawiać na pierwszym miejscu gęstość energii, a w innym — trwałość cykliczną lub koszt.
Możemy dość precyzyjnie określić te cele. Gęstość energii, trwałość cykliczną, bezpieczeństwo i koszt można zmierzyć, dlatego możemy wyznaczyć modelowi konkretne cele dotyczące parametrów, zależnie od zastosowania.
Najtrudniejsze jest przejście od tych celów do materiału, który rzeczywiście pozwoli je osiągnąć.
Zmiana zastosowania może oczywiście wpłynąć na to, jakie materiały badamy. Nasi naukowcy nadal muszą jednak ustalić, które składy chemiczne są obiecujące, zaprojektować eksperymenty i sprawdzić, czy te materiały spełniają wymagania dotyczące parametrów.
Holyvolt rozwija wolne od niklu i kobaltu, nieuporządkowane materiały katodowe o strukturze typu halitu, dążąc do ich komercjalizacji. Jaką rolę odegrała sztuczna inteligencja w tych pracach i które pozostałe przeszkody wymagają rozwiązań z zakresu produkcji lub inżynierii, wykraczających poza odkrywanie materiałów?
Materiały DRX doskonale pokazują, dlaczego nasze podejście ma znaczenie. Możliwych kombinacji materiałów jest ogromnie dużo, a testowanie ich po kolei zajęłoby lata.
W Holyvolt nasza platforma do eksperymentów wysokoprzepustowych pozwala szybko testować setki różnych formulacji i sprawdzać, jak zmiany składu chemicznego wpływają na gęstość energii, napięcie, żywotność baterii i jej wydajność. Dzięki temu udało nam się znacznie szybciej niż przy zastosowaniu tradycyjnych metod badawczych zidentyfikować obiecujące materiały.
Teraz łączymy te dane eksperymentalne z uczeniem maszynowym, aby identyfikować wzorce i pomagać naszym naukowcom decydować, które formulacje zbadać w następnej kolejności. Im więcej testów przeprowadzamy, tym więcej się uczymy i tym lepiej możemy ukierunkować przyszłe eksperymenty.
Już czynimy postępy w kierunku produkcji na skalę komercyjną, a jedną z naszych największych zalet jest to, że korzystamy ze sprawdzonych procesów produkcyjnych. Nie musimy opracowywać całkowicie nowego sprzętu ani wymyślać od nowa sposobu wytwarzania tych materiałów. Koncentrujemy się na zwiększaniu skali produkcji wraz z naszymi partnerami, przy jednoczesnym utrzymaniu stabilnych parametrów i konkurencyjnych kosztów.
Twierdził Pan, że własne dane naukowe mogą stanowić większą przewagę konkurencyjną niż same modele. Co sprawia, że ta przewaga narasta z czasem, i jak łączycie uczenie się na podstawie projektów różnych klientów z ochroną poufnych badań i własności intelektualnej każdego z nich?
Niektóre z najpotężniejszych dostępnych dziś modeli sztucznej inteligencji są otwartoźródłowe i stale się doskonalą. Nie można jednak po prostu pobrać 18 lat badań nad bateriami. Właśnie dlatego nasze dane są tak cenne.
W Holyvolt przetestowaliśmy ponad 500 000 ogniw bateryjnych w ponad 165 milionach cykli. Wiemy, jakich materiałów użyto, jak je przetwarzano, jakie osiągały wyniki i w jakich miejscach zawodziły. Ponieważ przez te wszystkie lata stosowaliśmy spójne metody testowania, możemy bezpośrednio porównywać uzyskane wyniki. Odtworzenie tego przez kogokolwiek innego byłoby niezwykle trudne.
Każdy eksperyment czegoś nas uczy. Ta wiedza pomaga nam doskonalić modele, trafniej przewidywać wyniki i decydować, co przetestować w następnej kolejności. Im więcej eksperymentów przeprowadzamy, tym cenniejsza staje się ta podstawa.
Współpracujemy również z niektórymi z wiodących firm na świecie, które powierzają nam poufne badania. Traktujemy tę odpowiedzialność bardzo poważnie i stosujemy skuteczne zabezpieczenia, by chronić informacje poufne oraz własność intelektualną.
W miarę rozwoju platformy, co jest dziś największym ograniczeniem tempa odkryć: możliwości modeli, zdolność do przeprowadzania eksperymentów, czas potrzebny na sprawdzenie żywotności baterii czy coś innego? Jaki wymierny kamień milowy w ciągu najbliższych 2 lat pokazałby, że sztuczna inteligencja zmienia ekonomikę rozwoju baterii?
Myślę, że największym obecnie wąskim gardłem jest czas, jaki naukowcy poświęcają na projektowanie eksperymentów i analizowanie wyników.
Pomyślmy o tradycyjnym procesie. Naukowiec zadaje pytanie, projektuje eksperyment, przeprowadza testy, analizuje dane, a następnie decyduje, co sprawdzić dalej. Dzięki naszej platformie do eksperymentów wysokoprzepustowych zautomatyzowaliśmy już znaczną część testów fizycznych, ale samo myślenie między kolejnymi etapami nadal zajmuje bardzo dużo czasu.
Niedawno zastosowaliśmy stosunkowo prosty model sztucznej inteligencji w części procesu projektowania eksperymentów. Coś, co normalnie zajęłoby sześć tygodni, trwało osiem minut. To naprawdę niezwykły wynik, który pokazuje, co jest możliwe.
Przyspieszenie projektowania eksperymentów to jednak dopiero początek. Gdy sztuczna inteligencja pomaga nam szybciej ustalać, co testować, musimy też zwiększyć tempo przeprowadzania tych eksperymentów. Dlatego planujemy rozbudować nasze zaplecze laboratoryjne i zainwestować w dalszą automatyzację.
W ciągu najbliższych 2 lat chciałbym, abyśmy znacząco przyspieszyli cały proces odkrywania — od pierwszego pomysłu po materiał o potwierdzonych właściwościach. Jeśli połączymy szybsze podejmowanie decyzji z możliwością przeprowadzania większej liczby eksperymentów, będziemy mogli badać nowe składy chemiczne w tempie, które wcześniej było po prostu nieosiągalne. W ten sposób sztuczna inteligencja może zasadniczo zmienić ekonomikę rozwoju baterii.
Dziękuję za interesującą rozmowę. Czytelnicy, którzy chcieliby dowiedzieć się więcej o materiałach bateryjnych, eksperymentach wysokoprzepustowych i rozwoju technologii energetycznych wspomaganym przez sztuczną inteligencję, powinni odwiedzić stronę Holyvolt.












