Taku Watanabe, VP e Diretor de Operações nos EUA, Matlantis – Série de Entrevistas

Taku Watanabe, VP e Diretor de Operações nos EUA, Matlantis, é um especialista em ciência de materiais e inteligência artificial com uma carreira que abrange pesquisas avançadas de baterias, modelagem computacional e liderança tecnológica global. Atualmente, ele lidera a expansão da Matlantis nos Estados Unidos, a partir de Cambridge, Massachusetts, enquanto também atua como pesquisador principal e diretor de sucesso do cliente global, conectando informática de materiais avançados com casos de uso industriais do mundo real. Antes de se juntar à Matlantis, ele ocupou cargos seniores no Instituto de Pesquisa e Desenvolvimento da Samsung no Japão, focado no desenvolvimento de baterias de estado sólido, e anteriormente realizou pesquisas pós-doutorais no Instituto de Tecnologia da Geórgia após concluir trabalhos de pós-graduação em software de simulação na Universidade da Flórida. Sua carreira se concentra consistentemente em combinar aprendizado de máquina, simulação baseada em física e ciência de materiais para acelerar a inovação em energia e materiais avançados.

Matlantis é uma empresa de informática de materiais impulsionada por inteligência artificial que se concentra em transformar a forma como novos materiais são descobertos e desenvolvidos por meio de simulação atomística de alta velocidade. Sua plataforma baseada em nuvem permite que os pesquisadores modelam comportamentos moleculares e cristalinos com alta precisão e velocidade, reduzindo processos que antes levavam meses para segundos. Construída com base em potenciais interatômicos de aprendizado de máquina e química computacional, a plataforma permite que os cientistas explorem vastas combinações de materiais sem as tradicionais restrições experimentais, apoiando indústrias como semicondutores e armazenamento de energia. Fundada em 2021 por meio de uma colaboração entre Preferred Networks e ENEOS, a Matlantis está se posicionando como uma camada central na transição para a descoberta de materiais baseada em inteligência artificial e fluxos de trabalho de pesquisa e desenvolvimento digitais.

Você passou sua carreira na interseção da ciência de materiais, simulação e inteligência artificial, desde pesquisas de baterias na Samsung até informática de materiais na ENEOS e agora liderando as operações nos EUA da Matlantis. Quais foram os principais momentos que o convenceram de que a simulação impulsionada por inteligência artificial iria fundamentalmente redefinir a descoberta de materiais?

O ponto de inflexão para mim foi a realização de que o verdadeiro gargalo na descoberta de materiais era nossa limitada capacidade de explorar suficientes candidatos. Em meu trabalho com materiais de bateria e mais tarde em informática de materiais, podíamos gerar insights de alta qualidade usando métodos como a teoria do funcional da densidade (DFT), mas apenas em um pequeno conjunto de possibilidades devido a restrições de custo e tempo.

O que mudou foi o surgimento de potenciais de aprendizado de máquina que poderiam preservar a precisão quase quântica enquanto aumentavam dramaticamente a produtividade computacional. Isso desbloqueou duas mudanças importantes.

Primeiro, permitiu a aceleração do trial-and-error de alta fidelidade. Os pesquisadores agora podem executar significativamente mais avaliações de candidatos por unidade de tempo sem sacrificar a precisão, fundamentalmente alterando o ritmo e o escopo da exploração. Em segundo lugar, criou uma nova base para a ciência de dados na descoberta de materiais, porque esse nível de produtividade gera o volume de dados de alta qualidade necessário para tornar as abordagens de aprendizado de máquina verdadeiramente eficazes.

A Matlantis integrou recentemente o Kit de Ferramentas ALCHEMI da NVIDIA (NVDA ) para permitir a simulação em escala industrial. Na sua perspectiva, quais gargalos específicos essa integração remove, e como isso muda o que as equipes de P&D podem realisticamente alcançar hoje?

A integração remove uma discordância fundamental entre os potenciais impulsionados por inteligência artificial e a infraestrutura em que eles dependem. Embora modelos como o PFP sejam intrinsicamente acelerados por GPU, partes-chave do fluxo de trabalho de simulação, como orquestração, tradicionalmente permanecem limitadas por CPU ou conectadas de forma frouxa entre diferentes ferramentas. Isso cria ineficiências no movimento de dados e limita a escalabilidade, introduzindo atrito ao executar grandes ou distribuídas cargas de trabalho.

ALCHEMI aborda isso estendendo a aceleração por GPU por toda a pilha de simulação, construindo sobre a integração anterior com kernels otimizados pela NVIDIA Warp e agora movendo-se para as Operações do Kit de Ferramentas ALCHEMI para execução em escala de produção. O resultado é um cálculo mais rápido e um ambiente de simulação mais coeso e nativo em inteligência artificial que pode operar de forma confiável em escala industrial.

O que torna isso especialmente importante agora é que marca uma transição da visão da plataforma para o deploy real. Com capacidades como o LightPFP, que permitem simulações na escala de centenas de milhares de átomos e inferência mais rápida, a simulação atomística impulsionada por inteligência artificial é usável em fluxos de trabalho de produção.

Para as equipes de P&D, isso muda completamente o papel da simulação. Em vez de ser aplicada seletivamente, ela pode ser incorporada na tomada de decisões diárias, moldando quais materiais são priorizados no início do desenvolvimento.

O anúncio destaca o LightPFP e a integração futura do PFP com o ALCHEMI. Como esses desenvolvimentos melhoram a escalabilidade e a estabilidade em comparação com as tradicionais pipelines de simulação atomística?

O LightPFP aborda um gargalo-chave na simulação atomística: a sobrecarga de comunicação necessária para a construção da lista de vizinhos em sistemas distribuídos. Ao substituir essa etapa durante a inferência com as Operações do Kit de Ferramentas ALCHEMI da NVIDIA, reduz a comunicação entre os nós. Isso torna as simulações em grande escala mais rápidas e estáveis.

Combinado com sua arquitetura baseada em servidor, isso permite que as simulações escalonem de forma mais eficiente, simplificando a infraestrutura e reduzindo a complexidade operacional.

A integração completa do PFP estende esses benefícios para um modelo universal, o que é importante porque as pipelines tradicionais frequentemente lutam para escalar consistentemente em diferentes sistemas de materiais e ambientes computacionais. Juntos, esses desenvolvimentos melhoram tanto a escalabilidade quanto a confiabilidade, permitindo que a simulação se mova de casos de uso de pesquisa isolados para o deploy contínuo em escala industrial sem os trade-offs típicos entre desempenho e estabilidade.

A Matlantis é construída sobre o Potencial Preferido (PFP), treinado em dezenas de milhões de cálculos de nível quântico. Como essa abordagem baseada em dados difere da simulação convencional baseada em física, e onde ela entrega os maiores ganhos de desempenho?

A simulação convencional calcula interações diretamente a partir de princípios fundamentais a cada vez, o que é preciso, mas computacionalmente caro. O PFP, por outro lado, aprende com um vasto conjunto de cálculos quânticos e aplica esse conhecimento durante a inferência. Os maiores ganhos de desempenho vêm em fluxos de trabalho que exigem avaliações repetidas de muitos candidatos, como a triagem de materiais ou a exploração da composição de materiais. Em vez de estar limitado a um punhado de sistemas, os pesquisadores podem avaliar milhares de candidatos enquanto mantêm a precisão significativa.

Uma das afirmações mais convincentes é atingir uma precisão próxima à DFT em velocidades massivamente aceleradas. Em termos práticos, como isso muda a forma como as empresas abordam a experimentação, a prototipagem e o tempo de lançamento no mercado?

Tradionalmente, a DFT tem sido o padrão de ouro para a precisão, mas hoje, seu custo computacional limita como amplamente ela pode ser aplicada; as equipes de P&D confiam fortemente na experimentação e no uso da DFT seletivamente para validação. Atingir uma precisão próxima à DFT em velocidades massivamente aceleradas remove essa restrição.

Em vez de usar a DFT para analisar alguns candidatos após experimentos, as empresas agora podem aproximar imediatamente esse nível de insight por meio de milhares de possibilidades. Isso permite que elas estreitem o espaço de busca computacional antes de comprometer recursos físicos. O resultado é menos experimentos malsucedidos, prototipagem mais direcionada e ciclos de iteração significativamente mais rápidos, reduzindo o tempo de lançamento no mercado enquanto aumenta a confiança no que impulsiona a produção para a frente.

Estamos vendo uma transição em direção à descoberta baseada em simulação em indústrias como semicondutores, baterias e produtos químicos. O que uma fluxo de trabalho de P&D completamente baseado em simulação parece dentro de uma empresa moderna?

Um fluxo de trabalho baseado em simulação começa ancorando o P&D em torno de resultados desejados em vez de materiais pré-definidos. As equipes identificam seus objetivos e desafios e, em seguida, triagem grandes números de materiais candidatos em escala por meio de otimização, estabilidade e, cada vez mais, exploração de espaços químicos ou cristalinos inteiros.

Esse é um processo interativo. Os resultados da simulação continuamente informam o próximo conjunto de candidatos, rapidamente estreitando o espaço de projeto. No momento em que os materiais se movem para a fase de validação, eles já foram filtrados por meio de múltiplas camadas computacionais, reduzindo significativamente o esforço desperdiçado.

A mudança real, no entanto, é organizacional. A simulação se move além de uma capacidade de nicho para se tornar uma camada central de tomada de decisões. Ela orienta quais experimentos são executados, como os recursos são alocados e como as equipes priorizam suas prioridades. Com o tempo, isso cria um sistema de loop fechado onde a simulação e a experimentação se reforçam mutuamente, permitindo que as equipes explorem mais possibilidades enquanto permanecem focadas nos caminhos mais viáveis.

À medida que a simulação impulsionada por inteligência artificial se torna central para a ciência de materiais, a infraestrutura, como computação, GPUs e pilhas de software, está se tornando cada vez mais crítica. Por que a infraestrutura agora está emergindo como o fator limitante em vez da inovação do modelo isoladamente?

Porque muitas organizações têm modelos fortes, mas lutam com fluxos de trabalho fragmentados e acesso limitado à computação. Tratar a inteligência artificial como uma ferramenta camada sobre sistemas legados leva a experimentação isolada, e o fator limitante mudou para a infraestrutura e como efetivamente as organizações podem integrar a simulação computacional e os dados em um sistema unificado.

A Matlantis já está sendo usada em indústrias que variam desde energia até manufatura avançada. Quais casos de uso estão vendo o retorno mais rápido sobre o investimento hoje, e onde você vê a próxima onda de avanços emergindo?

O retorno mais rápido sobre o investimento está em áreas onde os ciclos experimentais são caros e os espaços de projeto são grandes, como materiais de bateria, catalisadores e materiais relacionados a semicondutores. Nesses domínios, eliminar candidatos não viáveis no início cria valor imediato.

Por exemplo, o fabricante químico Kuraray uma vez teve um processo de verificação que levava dois a três anos, mas foi reduzido para apenas um mês e meio usando a Matlantis. Em uma única campanha de simulação, 13 melhorias de catalisador propostas foram avaliadas e todas foram descartadas como não viáveis, economizando anos de esforço experimental em ideias sem saída.

Olhando para o futuro, a próxima onda de avanços virá da convergência da simulação e da experimentação, e não do aprimoramento delas de forma isolada. Hoje, ainda há uma fronteira clara entre as duas, e elas são tratadas como etapas sequenciais em vez de uma estratégia unificada.

No entanto, essa fronteira está começando a se dissolver. Com os avanços na simulação de alta produtividade e no aprendizado de máquina, estamos vendo o surgimento de sistemas de descoberta de loop fechado, onde a simulação orienta os experimentos em tempo real, e os dados experimentais consistentemente alimentam os modelos. À medida que esses sistemas amadurecem, a descoberta se tornará contínua. Essa convergência, onde a simulação, a inteligência artificial e a experimentação operam como um sistema unificado, é onde a próxima geração de avanços será impulsionada.

Seu papel abrange tanto a pesquisa técnica profunda quanto o sucesso do cliente global. Quais novas habilidades você acredita que a próxima geração de cientistas e engenheiros devem desenvolver para permanecer competitivos em ambientes de P&D impulsionados por inteligência artificial?

A habilidade mais importante que a próxima geração precisa reforçar é a capacidade de operar entre disciplinas. Os cientistas requerem forte expertise em domínio e a capacidade de trabalhar com modelos de dados, plataformas de simulação escaláveis e fluxos de trabalho iterativos. Igualmente importante é entender como a simulação e a experimentação com dados se conectam dentro de um processo de descoberta maior.

A próxima geração será definida não apenas pelo que sabem, mas por quão efetivamente eles podem integrar e aplicar esse conhecimento dentro dos ambientes de P&D modernos.

Olhando para o futuro, à medida que a simulação impulsionada por inteligência artificial se aproxima da descoberta de materiais em tempo real, quão perto estamos de um mundo onde classes inteiras de materiais são projetadas, validadas e otimizadas inteiramente in silico antes de qualquer experimento físico ser realizado, e o que isso significa para o futuro da inovação?

Estamos nos aproximando dessa capacidade em domínios específicos, mas não universalmente. Para muitos sistemas, a simulação já pode eliminar grandes porções do espaço de projeto e identificar candidatos altamente promissores antes de qualquer experimento ser conduzido.

No entanto, capturar completamente a complexidade do mundo real, como condições de síntese e efeitos de escala, permanece um desafio. Como resultado, o papel da experimentação está evoluindo. Em vez de servir como o método principal de exploração, os experimentos se tornam mais direcionados e propositais, focados em validar e refinar os resultados computacionais mais promissores. A maioria dos esforços iniciais de descoberta se move para a simulação, permitindo que os testes físicos operem com muito mais precisão e eficiência. Thank you for the great interview, readers who wish to learn more should visit Matlantis.