Entrevistas

Mathias Ingvarsson, fundador e CEO da Holyvolt – Série de entrevistas

Antoine Tardif
Adicione Unite.AI às suas fontes preferidas no Google
Mathias Ingvarsson, Founder and CEO of Holyvolt
Pontos-chaveA vantagem da Holyvolt são 18 anos de dados proprietários de baterias que os…
Ver mais
  • A vantagem da Holyvolt são 18 anos de dados proprietários de baterias que os concorrentes não podem simplesmente baixar.
  • Formulações fracassadas tornam-se dados de treinamento apenas quando processos laboratoriais reproduzíveis separam falhas reais de química de anomalias de teste.
  • A IA reduziu uma tarefa de design experimental de seis semanas para oito minutos, mas os cientistas ainda projetam e avaliam experimentos.

Mathias Ingvarsson é fundador e CEO da Holyvolt, empresa que criou em 2022 para explorar novas abordagens à tecnologia de baterias. Sua carreira inclui a expansão internacional da Tempur-Pedic e empreendimentos em vários setores. Na Holyvolt, ele se dedica a conectar conhecimento científico, dados experimentais e capacidade de fabricação para acelerar o desenvolvimento de materiais para baterias, inclusive por meio da aquisição da Wildcat Discovery Technologies.

A Holyvolt desenvolve tecnologias de produção e armazenamento de energia, combinando a descoberta de materiais em alto rendimento com técnicas de fabricação por serigrafia de precisão. Por meio da Wildcat Discovery Technologies, sua plataforma de pesquisa de baterias conecta experimentos de laboratório, dados históricos de testes e desenvolvimento de materiais com IA. Nesta entrevista, Ingvarsson fala sobre como cientistas usam aprendizado de máquina em conjunto com experimentos físicos, por que formulações malsucedidas podem gerar dados valiosos e o que é necessário para passar de previsões mais rápidas a materiais validados e produção em escala.

Sua carreira inclui a expansão internacional da Tempur-Pedic e vários empreendimentos. O que levou você a fundar a Holyvolt em 2022, e que oportunidade na tecnologia de baterias o convenceu a criar uma empresa em um setor tão exigente do ponto de vista técnico?

Criei empresas em áreas que vão de colchões a roupas íntimas, então as baterias podem parecer um passo seguinte incomum. Mas sempre me atraíram os setores em que percebo uma oportunidade que outros não veem.

Eu sabia muito pouco sobre química de baterias quando fundei a Holyvolt, e, na verdade, acho que isso me ajudou. Às vezes, não conhecer todos os motivos pelos quais algo não pode ser feito é um superpoder. Jensen Huang disse certa vez que, se soubesse como seria difícil construir a Nvidia, provavelmente não teria começado. Entendo bem o que ele quis dizer.

O que vi foi um setor ocidental de baterias tentando vencer a China em um jogo que ela já havia ganhado. O setor investia bilhões para tentar reproduzir uma tecnologia que a China passou décadas aperfeiçoando. Eu não entendia por que não direcionávamos a mesma energia ao desenvolvimento de algo melhor. As baterias vão alimentar quase tudo ao nosso redor, e vi uma enorme oportunidade de repensar como as desenvolvemos. Foi isso que me levou a fundar a Holyvolt.

Quando você avaliou a aquisição da Wildcat, o que o convenceu de que seu histórico experimental poderia servir de base para uma plataforma de descoberta com IA? O que era preciso verificar sobre os dados além do seu grande volume?

O enorme volume de dados chamou minha atenção imediatamente. Mais de 500.000 células de bateria testadas ao longo de 18 anos e 165 milhões de ciclos. E, quanto mais analisávamos os dados, mais nos impressionavam o rigor dos experimentos e os avanços que a Wildcat já havia alcançado. É incrivelmente difícil reproduzir dados desse tipo, coletados de forma consistente ao longo de décadas.

Não sou cientista especializado em baterias, então reuni pessoas que sabiam muito mais do que eu. Especialistas em baterias, IA e ciência dos materiais foram conhecer o laboratório e, francamente, ficaram impressionados.

Depois, basta observar as empresas que procuram a Wildcat, entre elas a BMW e outras companhias de renome mundial de toda a cadeia de valor. São empresas com enormes orçamentos de P&D e alguns dos melhores cientistas do mundo, e elas recorriam à Wildcat em busca de ajuda. Para mim, essa foi a validação definitiva. Convenci-me de que a Wildcat havia criado a plataforma de descoberta de baterias mais procurada do mundo. E, com a IA, acredito que estamos apenas começando a explorar todo o seu potencial.

Experimentos malsucedidos são uma parte central da vantagem que seus dados oferecem. Você pode dar um exemplo do que um modelo pode aprender com uma formulação de bateria que não deu certo e explicar como sua equipe distingue uma falha química relevante de um problema na execução do experimento?

O fracasso faz parte da química. É assim que a ciência avança há centenas de anos. Você tenta algo, não dá certo, aprende com isso e tenta de novo. A IA precisa aprender da mesma forma.

Há 18 anos realizamos experimentos de alto rendimento com baterias, por isso nossos dados incluem desde formulações malsucedidas até materiais que conseguimos otimizar. Isso é extremamente valioso para treinar um modelo.

Considere as baterias de lítio metálico. Ao contrário das baterias tradicionais de grafite, elas podem sofrer uma queda repentina de capacidade, muito difícil de prever. Desenvolvemos modelos de aprendizado de máquina com dados reais de ciclos de bateria, abrangendo diferentes formulações de eletrólitos, projetos de eletrodos e protocolos de teste, para prever quando essa queda pode ocorrer.

Nossos modelos iniciais conseguem prever essas quedas com um grau razoável de confiança, e estamos planejando experimentos mais direcionados e testando baterias em diferentes condições para refinar as previsões.

É claro que esses dados só têm valor se pudermos confiar nos resultados. Passamos anos aperfeiçoando nossos processos de laboratório para tornar os experimentos altamente reproduzíveis e minimizar os erros. Também repetimos o mesmo experimento várias vezes, para identificar se um resultado ruim reflete um problema real com o material ou uma anomalia no processo de teste. Assim, não ensinamos aos nossos modelos conclusões erradas com base em um único resultado não representativo.

Você poderia nos explicar um ciclo de descoberta, desde a proposta de um material por um modelo até os testes em laboratório e a incorporação dos resultados? Que decisões a IA toma e em que etapas o julgamento de um cientista continua sendo essencial?

Tudo começa com nossos cientistas. Eles elaboram um experimento com base no que pretendem descobrir, e nossa plataforma de alto rendimento realiza os testes. Em seguida, nossos engenheiros de aprendizado de máquina usam esses dados iniciais para criar um modelo e verificar se ele consegue prever os resultados de experimentos futuros.

Em seguida, testamos essas previsões no laboratório. Se os resultados corresponderem às previsões, confiamos mais no modelo e podemos usá-lo para avaliar novas formulações. Se não corresponderem, nossos cientistas investigam o motivo. Às vezes, o modelo precisa de mais dados, o que significa elaborar experimentos totalmente novos ou testar em condições diferentes. Inserimos esses resultados no modelo, refinamos o modelo e repetimos o processo.

Há muito entusiasmo em torno da possibilidade de a IA descobrir novos materiais de forma independente, mas somos cautelosos com o que afirmamos. Nesta etapa, nossos cientistas ainda elaboram os experimentos e tomam as principais decisões. A IA nos ajuda a fazer previsões, enquanto nosso laboratório verifica se elas realmente se confirmam. Ao combinar a experiência de nossos cientistas com a IA, já conseguimos reduzir drasticamente o tempo necessário para certas tarefas de planejamento experimental: de semanas para apenas minutos.

Um conjunto de dados históricos reflete os materiais que os pesquisadores escolheram investigar no passado. Como vocês evitam que seus modelos se restrinjam a essas áreas conhecidas e determinam quando uma química desconhecida é promissora o suficiente para justificar testes físicos?

Essa é exatamente a pergunta certa e é por isso que acredito que nosso laboratório é ainda mais valioso do que nosso conjunto de dados.

Um modelo aprende com os dados que recebe, então é natural que seja mais confiável ao fazer previsões sobre coisas que já viu. A verdadeira oportunidade está em usar a IA para explorar áreas totalmente novas da química, onde talvez não existam dados históricos.

É aí que nossa plataforma de alto rendimento nos dá uma enorme vantagem. Podemos gerar rapidamente novos dados experimentais confiáveis para centenas de formulações, oferecendo aos nossos modelos uma base de aprendizado até mesmo em áreas desconhecidas da química.

E, como podemos testar previsões no laboratório, inserir os resultados em nossos modelos e repetir o processo, conseguimos aprimorar continuamente a precisão deles. Cada experimento torna a previsão seguinte mais embasada.

Acredito que essa é nossa maior vantagem competitiva. Temos 18 anos de dados históricos, mas não estamos limitados por eles. Podemos gerar os novos dados necessários para explorar químicas que ainda não foram investigadas a fundo.

Como vocês medem a melhoria atribuível especificamente à IA, além do que a experimentação automatizada de alto rendimento já proporciona? Que comparações mostram que os modelos estão encontrando candidatos melhores ou reduzindo o número de experimentos necessários para chegar a um resultado útil?

Essa é, na verdade, uma pergunta difícil, porque a descoberta científica é um trabalho em equipe.

Pense em um grupo de cientistas debatendo um problema. Uma pessoa pode acabar encontrando a solução, mas a ideia talvez tenha surgido após horas de conversa com todas as outras pessoas na sala. Quem leva o crédito?

Acho que devemos pensar na IA de maneira semelhante. Ela é mais um integrante da equipe de pesquisa. Pode ajudar os cientistas a encontrar informações relevantes mais rapidamente, reconhecer padrões nos dados experimentais e compreender um problema com mais profundidade.

Nossa plataforma de alto rendimento já nos dá uma enorme vantagem na rapidez com que podemos realizar experimentos. Agora estamos trabalhando para entender até que ponto a IA pode nos levar ainda mais longe. Não quero apresentar um número que não possamos fundamentar adequadamente. O que importa é saber se estamos ajudando nossos cientistas a chegar a respostas melhores em menos tempo e com menos experimentos.

O desenvolvimento de baterias envolve objetivos concorrentes, como densidade energética, vida útil em ciclos, segurança, custo e facilidade de fabricação. Como vocês traduzem essas compensações em metas para a IA, e uma mudança na aplicação pretendida pode levá-la a buscar materiais fundamentalmente diferentes?

Isso depende muito do uso previsto para a bateria. Uma bateria para um drone tem requisitos muito diferentes dos de uma bateria para um veículo elétrico. Em uma aplicação, pode-se priorizar a densidade energética; em outra, a vida útil em ciclos ou o custo.

Podemos definir essas metas com bastante clareza. A densidade energética, a vida útil em ciclos, a segurança e o custo podem ser medidos, então podemos fornecer ao modelo objetivos de desempenho específicos para cada aplicação.

A parte difícil é partir dessas metas e chegar a um material que realmente possa alcançá-las.

Mudar a aplicação pode, sem dúvida, mudar os materiais que investigamos. Mas nossos cientistas ainda precisam determinar quais composições químicas são promissoras, planejar os experimentos e testar se esses materiais podem atingir as metas de desempenho.

A Holyvolt está levando materiais catódicos de estrutura sal-gema desordenada, sem níquel nem cobalto, rumo à comercialização. Que papel a IA desempenhou nesse desenvolvimento e quais desafios restantes exigem soluções de fabricação ou engenharia que vão além da descoberta de materiais?

A DRX é um ótimo exemplo de por que nossa abordagem é importante. Há um número enorme de combinações possíveis de materiais, e testá-las uma a uma levaria anos.

Na Holyvolt, nossa plataforma de experimentação de alto rendimento nos permite testar rapidamente centenas de formulações diferentes e entender como as mudanças na composição química afetam a densidade energética, a tensão, a vida útil da bateria e o desempenho. Conseguimos identificar materiais promissores muito mais rápido do que os métodos tradicionais de pesquisa permitiriam.

Agora estamos combinando esses dados experimentais com aprendizado de máquina para identificar padrões e ajudar nossos cientistas a decidir quais formulações explorar em seguida. Quanto mais testamos, mais aprendemos e melhor conseguimos orientar os experimentos futuros.

Já estamos avançando rumo à produção em escala comercial, e uma de nossas maiores vantagens é usar processos de fabricação bem estabelecidos. Não precisamos desenvolver equipamentos totalmente novos nem reinventar a forma como esses materiais são produzidos. Nosso foco é ampliar a produção com nossos parceiros, mantendo um desempenho consistente e custos competitivos.

Você argumentou que dados científicos proprietários podem representar uma vantagem competitiva maior do que os próprios modelos. O que faz essa vantagem crescer cumulativamente com o tempo, e como vocês equilibram o aprendizado obtido em projetos de clientes com a proteção das pesquisas confidenciais e da propriedade intelectual de cada cliente?

Alguns dos modelos de IA mais poderosos disponíveis hoje são de código aberto, e só ficam melhores. Mas não é possível simplesmente baixar 18 anos de pesquisa sobre baterias. É isso que torna nossos dados tão valiosos.

Na Holyvolt, testamos mais de 500.000 células de bateria ao longo de mais de 165 milhões de ciclos. Sabemos quais materiais foram usados, como foram processados, qual foi seu desempenho e onde falharam. E, como seguimos métodos de teste consistentes durante todos esses anos, podemos comparar os resultados. É extremamente difícil para qualquer outra pessoa reproduzir isso.

Cada experimento nos ensina algo. Esse conhecimento nos ajuda a aprimorar nossos modelos, fazer previsões melhores e decidir o que testar em seguida. E, quanto mais experimentos realizamos, mais valiosa se torna essa base.

Também trabalhamos com algumas das principais empresas do mundo, que confiam a nós pesquisas sensíveis. Levamos essa responsabilidade a sério e adotamos medidas rigorosas para proteger informações confidenciais e propriedade intelectual.

À medida que a plataforma cresce, qual é hoje o maior entrave para acelerar as descobertas: a capacidade dos modelos, a capacidade experimental, o tempo necessário para validar a vida útil das baterias ou algum outro fator? Que marco mensurável nos próximos dois anos demonstraria que a IA está mudando a economia do desenvolvimento de baterias?

Acho que hoje o maior gargalo é o tempo que os cientistas passam planejando experimentos e analisando os resultados.

Pense no processo tradicional. Um cientista faz uma pergunta, planeja um experimento, realiza os testes, analisa os dados e então decide o que tentar em seguida. Já automatizamos boa parte dos testes físicos por meio de nossa plataforma de alto rendimento, mas o trabalho intelectual entre essas etapas ainda consome muito tempo.

Recentemente, aplicamos um modelo de IA relativamente simples a uma parte do processo de planejamento experimental. Algo que normalmente levaria seis semanas levou oito minutos. É um resultado extraordinário e mostra o que é possível fazer.

Mas acelerar o planejamento experimental é apenas o começo. À medida que a IA nos ajuda a identificar mais rapidamente o que testar, também precisamos aumentar a velocidade com que realizamos esses experimentos. Por isso, planejamos ampliar a capacidade do nosso laboratório e investir em mais automação.

Nos próximos dois anos, quero ver todo o processo de descoberta se acelerar drasticamente, da primeira ideia até um material validado. Se conseguirmos combinar decisões mais rápidas com a capacidade de realizar mais experimentos, poderemos explorar novas composições químicas em um ritmo que simplesmente não era possível antes. É assim que a IA pode mudar fundamentalmente a economia do desenvolvimento de baterias.

Obrigado pela ótima entrevista. Os leitores que quiserem saber mais sobre materiais para baterias, experimentação de alto rendimento e desenvolvimento de tecnologias energéticas com IA devem visitar a Holyvolt.

Antoine é um líder visionário e sócio fundador da Unite.AI, movido por uma paixão inabalável por moldar e promover o futuro da IA e da robótica. Empreendedor que já fundou várias empresas, acredita que a IA transformará a sociedade tanto quanto a eletricidade e costuma falar com entusiasmo sobre o potencial das tecnologias disruptivas e da inteligência artificial geral (AGI).

Como futurista, dedica-se a explorar como essas inovações moldarão o nosso mundo. Além disso, é fundador da Securities.io, uma plataforma voltada ao investimento em tecnologias de ponta que estão redefinindo o futuro e transformando setores inteiros.