Taku Watanabe, VP i szef operacji w Stanach Zjednoczonych, Matlantis – seria wywiadów

Taku Watanabe, VP i szef operacji w Stanach Zjednoczonych, Matlantis, jest specjalistą w dziedzinie materiałów i sztucznej inteligencji z karierą obejmującą zaawansowane badania baterii, modelowanie komputerowe i globalne przywództwo technologiczne. Obecnie kieruje ekspansją Matlantis w Stanach Zjednoczonych z Cambridge, Massachusetts, oraz pełni funkcję głównego badacza i szefa globalnego zespołu sukcesu klientów, łącząc zaawansowaną informatykę materiałów z przypadkami użycia w przemyśle. Przed dołączeniem do Matlantis pełnił stanowiska kierownicze w Samsung R&D Institute Japan, zajmując się rozwojem baterii typu all-solid-state, a wcześniej prowadził badania podoktoranckie na Georgia Institute of Technology po ukończeniu studiów podyplomowych z oprogramowania symulacyjnego na University of Florida. Jego kariera konsekwentnie koncentruje się na łączeniu uczenia maszynowego, symulacji opartej na fizyce i nauki o materiałach w celu przyspieszenia innowacji w dziedzinie energii i zaawansowanych materiałów.

Matlantis to firma zajmująca się informatyką materiałów napędzaną przez sztuczną inteligencję, skupiająca się na transformacji sposobu odkrywania i opracowywania nowych materiałów za pomocą symulacji atomistycznej o wysokiej prędkości. Jej platforma oparta na chmurze umożliwia badaczom modelowanie zachowań molekularnych i krystalicznych z wysoką dokładnością i prędkością, redukując procesy, które wcześniej trwały miesiące, do sekund. Zbudowana na potencjałach międzyatomowych opartych na uczeniu maszynowym i chemii komputerowej, platforma pozwala naukowcom na eksplorację ogromnych połączeń materiałowych bez tradycyjnych ograniczeń eksperymentalnych, wspierając branże takie jak półprzewodniki i magazynowanie energii. Założona w 2021 roku w wyniku współpracy między Preferred Networks i ENEOS, Matlantis pozycjonuje się jako kluczowa warstwa w przesunięciu w kierunku odkrywania materiałów opartych na sztucznej inteligencji i cyfrowych przepływach badań i rozwoju.

Przez całą swoją karierę znajdowałeś się na przecięciu nauki o materiałach, symulacji i sztucznej inteligencji, od badań nad bateriami w Samsungu do informatyki materiałów w ENEOS, a teraz kierujesz operacjami w Stanach Zjednoczonych w Matlantis. Jakie kluczowe momenty przekonały Cię, że symulacja napędzana przez sztuczną inteligencję zmieni w fundamentalny sposób odkrywanie materiałów?

Punktem zwrotnym dla mnie było zrozumienie, że prawdziwe ograniczenie w odkrywaniu materiałów polega na naszej ograniczonej zdolności do zbadania wystarczającej liczby kandydatów. W mojej pracy nad materiałami baterii i później w informatyce materiałów mogliśmy generować wysokiej jakości spostrzeżenia przy użyciu metod takich jak teoria funkcyjna gęstości (DFT), ale tylko w małym zakresie możliwości ze względu na ograniczenia czasowe i kosztowe.

To, co się zmieniło, to pojawienie się potencjałów opartych na uczeniu maszynowym, które mogą zachować dokładność na poziomie kwantowym, jednocześnie znacznie zwiększając przepływność obliczeniową. To odblokowało dwa ważne przesunięcia.

Po pierwsze, umożliwiło przyspieszone próby i błędy o wysokiej wierności. Badacze mogą teraz prowadzić znacznie więcej ocen kandydatów na jednostkę czasu bez poświęcania dokładności, co w zasadniczy sposób zmienia tempo i zakres eksploracji. Po drugie, stworzyło nową podstawę dla nauki o danych w odkrywaniu materiałów, ponieważ taki poziom przepływności generuje objętość wysokiej jakości danych potrzebnych do tego, aby podejścia oparte na uczeniu maszynowym były naprawdę skuteczne.

Matlantis niedawno zintegrował się z zestawem narzędzi ALCHEMI od NVIDIA, umożliwiając symulację na skalę przemysłową. Z Twojego punktu widzenia, jakie konkretne wąskie gardła usuwa ta integracja, i jak zmienia to, co zespoły R&D mogą realistycznie osiągnąć dzisiaj?

Integracja usuwa podstawowe niezgodność między potencjałami napędzanymi przez sztuczną inteligencję a infrastrukturą, na której one polegają. Podczas gdy modele takie jak PFP są z natury przyspieszane przez GPU, kluczowe części przepływu pracy symulacji, takie jak orchestracja, tradycyjnie pozostawały związane z CPU lub luźno połączone z różnymi narzędziami. To tworzy nieefektywności w przepływie danych i ogranicza skalowalność, wprowadzając tarcie podczas uruchamiania dużych lub rozproszonych obciążeń.

ALCHEMI rozwiązuje to, rozszerzając przyspieszenie GPU na cały stos symulacji, opierając się na wcześniejszej integracji z jądrami zoptymalizowanymi przez NVIDIA Warp i teraz przechodząc do zestawu narzędzi ALCHEMI Toolkit-Ops dla wykonywania na skalę produkcyjną. Wynikiem jest szybsze obliczenia i bardziej spójne, rodzinne środowisko symulacji, które może działać niezawodnie na skalę przemysłową.

Co sprawia, że jest to szczególnie ważne teraz, to fakt, że oznacza to przejście od wizji platformy do rzeczywistego wdrożenia. Z możliwościami takimi jak LightPFP, umożliwiającymi symulacje na skalę setek tysięcy atomów i szybsze wnioskowanie, symulacja atomistyczna napędzana przez sztuczną inteligencję jest użyteczna w przepływach pracy produkcyjnych.

Dla zespołów R&D to zmienia rolę symulacji całkowicie. Zamiast być stosowaną selektywnie, może być wbudowana w codzienną podejmowanie decyzji, kształtując, które materiały są priorytetowe na wczesnym etapie rozwoju.

W ogłoszeniu podkreślono LightPFP i nadchodzącą integrację PFP z ALCHEMI. Jak te rozwoje poprawiają skalowalność i stabilność w porównaniu z tradycyjnymi potokami symulacji atomistycznej?

LightPFP rozwiązuje kluczowe wąskie gardło w symulacji atomistycznej: nadmiar komunikacji wymagany do konstrukcji listy sąsiadów w systemach rozproszonych. Poprzez zastąpienie tego kroku podczas wnioskowania za pomocą zestawu narzędzi ALCHEMI Toolkit-Ops, redukuje komunikację między węzłami. To sprawia, że duże symulacje są zarówno szybsze, jak i bardziej stabilne.

Połączone z architekturą serwerową, umożliwia to symulacjom skalowanie w sposób bardziej wydajny, jednocześnie upraszczając infrastrukturę i redukując złożoność operacyjną.

Pełna integracja PFP rozszerza te korzyści na uniwersalny model, co jest ważne, ponieważ tradycyjne potoki często mają trudności ze skalowaniem w sposób ciągły w różnych systemach materiałowych i środowiskach obliczeniowych. Razem te rozwoje poprawiają zarówno skalowalność, jak i niezawodność, umożliwiając symulacji przechodzenie od izolowanych przypadków użycia w badaniach do ciągłego, przemysłowego wdrożenia bez typowych kompromisów między wydajnością a stabilnością.

Matlantis jest zbudowany na Preferred Potential (PFP), przeszkolony na dziesiątkach milionów obliczeń na poziomie kwantowym. Jak ten podejście oparte na danych różni się od konwencjonalnej symulacji opartej na fizyce, i gdzie dostarcza największe zyski wydajności?

Tradycyjna symulacja oblicza interakcje bezpośrednio z pierwszych zasad każdego razu, co jest dokładne, ale obliczeniowo kosztowne. PFP uczy się z ogromnego zbioru obliczeń kwantowych i stosuje tę wiedzę podczas wnioskowania. Największe zyski wydajności pochodzą z przepływów pracy, które wymagają powtarzających się ocen na wielu kandydatach, takich jak przesiewanie materiałów lub eksploracja składu materiału. Zamiast być ograniczonym do niewielkiej liczby systemów, badacze mogą oceniać tysiące kandydatów, zachowując przy tym znaczącą dokładność.

Jednym z najbardziej przekonywujących twierdzeń jest osiąganie dokładności na poziomie DFT przy masowo przyspieszonych prędkościach. W praktycznych warunkach, jak to zmienia sposób, w jaki firmy podechodzą do eksperymentowania, prototypowania i czasu wejścia na rynek?

Tradycyjnie DFT była standardem dokładności, ale dzisiaj jej koszt obliczeniowy ogranicza, jak szeroko może być stosowana; zespoły R&D opierały się głównie na próbach i błędach oraz wykorzystywaniu DFT w sposób selektywny do walidacji. Dokładność na poziomie DFT przy masowo przyspieszonych prędkościach usuwa to ograniczenie.

Zamiast używać DFT do analizy kilku kandydatów po eksperymentach, firmy mogą teraz natychmiast przybliżyć ten poziom spostrzeżeń na tysiące możliwości. To pozwala im zawęzić przestrzeń wyszukiwania komputacyjnego przed zaangażowaniem zasobów fizycznych. Wynikiem jest mniej nieudanych eksperymentów, bardziej ukierunkowane prototypowanie i znacznie szybsze cykle iteracji, ostatecznie redukując czas wejścia na rynek, jednocześnie zwiększając zaufanie do tego, co wprowadza się do produkcji.

Obserwujemy przejście w kierunku symulacji jako pierwszego odkrywania w branżach takich jak półprzewodniki, baterie i chemikalia. Jak wygląda pełny przepływ R&D oparty na symulacji wewnątrz nowoczesnego przedsiębiorstwa?

Przepływ oparty na symulacji zaczyna się od kotwiczenia badań i rozwoju wokół pożądanych wyników, a nie predefiniowanych materiałów. Zespoły identyfikują swoje cele i wyzwania, a następnie przesiewają dużą liczbę kandydatów na materiały na dużą skalę za pomocą optymalizacji, stabilności i coraz częściej eksploracji całych przestrzeni chemicznych lub krystalicznych.

Jest to interaktywny proces. Wyniki symulacji ciągle informują o następnej serii kandydatów, szybko zawężając przestrzeń projektowania. Do momentu, gdy materiały przechodzą do fazy walidacji, zostały już przefiltrowane przez wiele warstw komputacyjnych, znacznie redukując zmarnowane wysiłki.

Prawdziwa zmiana dotyczy jednak organizacji. Symulacja przechodzi od funkcji niszy do stania się centralną warstwą podejmowania decyzji. Kieruje, które eksperymenty są prowadzone, jak są przydzielane zasoby i jak zespoły ustalają swoje priorytety. Z czasem tworzy to system zamkniętej pętli, w którym symulacja i eksperymenty wzajemnie się wzmacniają, umożliwiając zespołom eksplorowanie większej liczby możliwości, jednocześnie pozostając ściśle skupionymi na najbardziej wiarygodnych ścieżkach.

Jako że sztuczna inteligencja staje się centralna w nauce o materiałach, infrastruktura, taka jak obliczenia, GPU i stosy oprogramowania, staje się coraz bardziej krytyczna. Dlaczego infrastruktura teraz wyłania się jako czynnik ograniczający, a nie sama innowacja modelu?

Ponieważ wiele organizacji ma silne modele, ale boryka się z fragmentaryzowanymi przepływami pracy i ograniczonym dostępem do obliczeń. Traktowanie sztucznej inteligencji jako narzędzia warstwowego na systemach legacy prowadzi do izolowanych eksperymentów, a czynnikiem ograniczającym stała się infrastruktura i to, jak skutecznie organizacje mogą zintegrować symulację i dane obliczeniowe w jeden, zunifikowany system.

Matlantis jest już używany w branżach od energii po zaawansowaną produkcję. Jakie przypadki użycia widzą największy zwrot z inwestycji dzisiaj, i gdzie widzisz następną falę przełomów?

Największy zwrot z inwestycji jest w obszarach, w których cykle eksperymentalne są drogie, a przestrzenie projektowe są duże, takie jak materiały baterii, katalizatory i materiały związane z półprzewodnikami. W tych dziedzinach eliminacja niezdolnych kandydatów na wczesnym etapie tworzy natychmiastową wartość.

Na przykład, producent chemiczny Kuraray miał kiedyś proces weryfikacji, który trwał dwa do trzech lat, ale został zredukowany do zaledwie półtora miesiąca przy użyciu Matlantis. W jednej kampanii symulacyjnej oceniono 13 proponowanych ulepszeń katalizatora i wszystkie zostały wykluczone jako niezdolne, co zaoszczędziło lata eksperymentalnych wysiłków na martwe pomysły.

Spoglądając w przyszłość, następna fala przełomów przyjdzie z konwergencji symulacji i eksperymentowania, a nie z ich poprawy w izolacji. Dzisiaj wciąż istnieje wyraźna granica między nimi, i są one traktowane jako sekwencyjne kroki, a nie jako zjednoczona strategia.

Jednak ta granica zaczyna się rozmywać. Z postępami w symulacji o wysokiej wydajności i sztucznej inteligencji, widzimy pojawienie się systemów odkrywania z pętlą zamkniętą, w których symulacja kieruje eksperymentami w czasie rzeczywistym, a dane eksperymentalne stale zasilają modele. Gdy te systemy dojrzewają, odkrywanie stanie się ciągłe. Ta konwergencja, w której symulacja, sztuczna inteligencja i eksperymenty działają jako zunifikowany system, jest miejscem, w którym następna generacja przełomów będzie napędzana.

Twoja rola obejmuje zarówno głębokie badania techniczne, jak i globalny sukces klientów. Jakie nowe zestawy umiejętności uważasz, że następna generacja naukowców i inżynierów musi rozwinąć, aby pozostać konkurencyjnymi w środowiskach R&D napędzanych przez sztuczną inteligencję?

Najważniejszą umiejętnością, którą następna generacja musi wzmocnić, jest zdolność do pracy w różnych dyscyplinach. Naukowcy wymagają silnej ekspertyzy w swojej dziedzinie oraz umiejętności pracy z modelami opartymi na danych, platformami symulacji o dużej skali i iteracyjnymi przepływami pracy. Równie ważne jest zrozumienie, jak symulacja i eksperymenty danych łączą się w ramach większego procesu odkrywania.

Następna generacja zostanie zdefiniowana nie tylko przez to, co wiedzą, ale przez to, jak skutecznie mogą integrować i stosować tę wiedzę w nowoczesnych środowiskach R&D.

Spoglądając w przyszłość, gdy symulacja napędzana przez sztuczną inteligencję zbliża się do odkrywania materiałów w czasie rzeczywistym, jak blisko jesteśmy świata, w którym całe klasy materiałów są projektowane, walidowane i optymalizowane całkowicie in silico przed jakimkolwiek eksperymentem fizycznym, i co to oznacza dla przyszłości innowacji?

Blisko jesteśmy tej możliwości w określonych dziedzinach, ale jeszcze nie powszechnie. Dla wielu systemów symulacja może już wyeliminować duże części przestrzeni projektowej i zidentyfikować bardzo obiecujących kandydatów przed przeprowadzeniem jakiegokolwiek eksperymentu.

Jednak pełne uchwycenie złożoności świata rzeczywistego, takiej jak warunki syntezy i efekty skalowania, pozostaje wyzwaniem. W związku z tym rola eksperymentu ewoluuje. Zamiast służyć jako główny środek eksploracji, eksperymenty stają się bardziej ukierunkowane i celowe, skupiając się na walidacji i udoskonaleniu najbardziej obiecujących wyników komputacyjnych. Większość wczesnych wysiłków odkrywania przechodzi w symulację, pozwalając testom fizycznym działać z o wiele większą precyzją i wydajnością. Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Matlantis.