Interviuri

Mathias Ingvarsson, fondator și director general al Holyvolt – Serie de interviuri

Antoine Tardif
Adaugă Unite.AI la sursele tale preferate pe Google
Mathias Ingvarsson, Founder and CEO of Holyvolt
Puncte cheieAvantajul Holyvolt constă în 18 ani de date proprietare despre baterii pe care…
Vezi mai mult
  • Avantajul Holyvolt constă în 18 ani de date proprietare despre baterii pe care concurenții nu le pot pur și simplu descărca.
  • Formulările eșuate devin date de antrenament doar atunci când procese de laborator reproductibile separă eșecurile reale de chimie de anomaliile de testare.
  • IA a redus o sarcină de proiectare experimentală de la șase săptămâni la opt minute, dar oamenii de știință încă proiectează și evaluează experimentele.

Mathias Ingvarsson este fondatorul și directorul general al Holyvolt, companie pe care a înființat-o în 2022 pentru a explora noi abordări în domeniul tehnologiei bateriilor. Parcursul său profesional include extinderea internațională a Tempur-Pedic și inițiative antreprenoriale în mai multe industrii. La Holyvolt, se concentrează pe conectarea expertizei științifice, a datelor experimentale și a capacităților de producție, pentru a accelera dezvoltarea materialelor pentru baterii, inclusiv prin achiziția Wildcat Discovery Technologies.

Holyvolt dezvoltă tehnologii de producere și stocare a energiei, combinând descoperirea materialelor prin metode de mare capacitate cu abordări de fabricație prin serigrafie de precizie. Prin Wildcat Discovery Technologies, platforma sa de cercetare a bateriilor conectează experimentele de laborator, datele istorice de testare și dezvoltarea materialelor asistată de IA. În acest interviu, Ingvarsson discută despre felul în care oamenii de știință folosesc învățarea automată alături de experimentele fizice, despre valoarea datelor obținute din formulări nereușite și despre ce este necesar pentru a trece de la predicții mai rapide la materiale validate și producție la scară largă.

Parcursul dumneavoastră profesional cuprinde extinderea internațională a Tempur-Pedic și mai multe inițiative antreprenoriale. Ce v-a determinat să înființați Holyvolt în 2022 și ce oportunitate din domeniul tehnologiei bateriilor v-a convins să construiți o companie într-o industrie atât de solicitantă din punct de vedere tehnic?

Am construit afaceri în domenii de la saltele la lenjerie intimă, așa că bateriile pot părea o alegere neobișnuită pentru următorul pas. Dar m-au atras întotdeauna industriile în care văd o oportunitate pe care alții nu o observă.

Știam foarte puține despre chimia bateriilor când am început Holyvolt și, de fapt, cred că acest lucru m-a ajutat. Uneori, faptul că nu știi toate motivele pentru care ceva nu se poate face este un atu extraordinar. Jensen Huang a spus odată că, dacă ar fi știut cât de greu va fi să construiască Nvidia, probabil că nu ar fi început. Înțeleg ce a vrut să spună.

Am văzut o industrie occidentală a bateriilor care încerca să învingă China într-un joc pe care China îl câștigase deja. Industria investea miliarde pentru a reproduce tehnologii pe care China le perfecționase timp de decenii. Nu înțelegeam de ce nu ne dedicam aceeași energie dezvoltării unui produs mai bun. Bateriile vor alimenta aproape tot ce ne înconjoară și am văzut o oportunitate extraordinară de a regândi modul în care le dezvoltăm. Asta m-a determinat să înființez Holyvolt.

Când ați evaluat posibilitatea de a achiziționa Wildcat, ce v-a convins că istoricul experimentelor sale putea deveni baza unei platforme de descoperire cu ajutorul IA? Ce trebuia să stabiliți despre date, dincolo de volumul lor impresionant?

Volumul de date mi-a atras imediat atenția: peste 500.000 de celule de baterie testate de-a lungul a 18 ani și 165 de milioane de cicluri. Cu cât am analizat mai atent datele, cu atât am fost mai impresionați de rigoarea experimentelor și de progresele remarcabile pe care Wildcat le realizase deja. Este incredibil de dificil să reproduci date de acest fel, colectate consecvent de-a lungul mai multor decenii.

Nu sunt specialist în baterii, așa că am apelat la oameni care știau mult mai multe decât mine. Experți în domeniul bateriilor, al IA și al științei materialelor au venit să vadă laboratorul și, sincer, au fost uimiți.

Apoi, uitați-vă la companiile care apelează la Wildcat, printre care BMW și alte companii de renume mondial din întregul lanț valoric. Aceste companii au bugete uriașe pentru cercetare și dezvoltare (R&D) și unii dintre cei mai buni oameni de știință din lume, iar ele apelau la Wildcat pentru ajutor. Pentru mine, aceasta a fost confirmarea supremă. Am ajuns să cred că Wildcat construise cea mai căutată platformă de descoperire a bateriilor din lume. Iar cu ajutorul IA, cred că abia am început să explorăm ceea ce poate face aceasta.

Experimentele nereușite reprezintă o parte esențială a avantajului pe care vi-l oferă datele. Ne puteți da un exemplu despre ce poate învăța un model dintr-o formulare de baterie nereușită și despre cum face echipa dumneavoastră diferența între un eșec chimic relevant și o problemă legată de modul în care a fost desfășurat experimentul?

Eșecul face parte din chimie. Așa am înregistrat progrese științifice timp de sute de ani. Încerci ceva, nu funcționează, înveți din asta și încerci din nou. IA trebuie să învețe în același fel.

De 18 ani desfășurăm experimente de mare capacitate cu baterii, așa că datele noastre includ totul, de la formulări nereușite până la materiale pe care am reușit să le optimizăm. Acest lucru este extrem de valoros pentru antrenarea unui model.

Să luăm bateriile cu litiu-metal. Spre deosebire de bateriile tradiționale cu grafit, acestea pot suferi o scădere bruscă a capacității, foarte greu de anticipat. Am dezvoltat modele de învățare automată folosind date reale despre ciclurile bateriilor, pentru diferite formulări de electroliți, configurații ale electrozilor și protocoale de testare, ca să anticipăm când s-ar putea produce acea scădere.

Modelele noastre inițiale pot anticipa aceste scăderi cu un grad rezonabil de încredere, iar noi concepem experimente mai bine direcționate și testăm bateriile în condiții diferite pentru a rafina predicțiile.

Desigur, aceste date au valoare doar dacă putem avea încredere în rezultate. De ani întregi ne perfecționăm procesele de laborator pentru ca experimentele să fie foarte reproductibile și pentru a reduce la minimum erorile. Repetăm, de asemenea, același experiment de mai multe ori, astfel încât să putem distinge dacă un rezultat slab indică o problemă reală a materialului sau o anomalie în procesul de testare. Astfel, evităm să ne învățăm modelele concluzii greșite pornind de la un singur rezultat nereprezentativ.

Ne puteți descrie un ciclu de descoperire, de la propunerea unui material de către un model până la testarea lui în laborator și integrarea rezultatelor? Ce decizii ia inteligența artificială și în ce privințe rămâne esențială judecata unui cercetător?

Totul începe cu cercetătorii noștri. Ei concep un experiment în funcție de ceea ce vor să afle, iar platforma noastră de testare de mare capacitate efectuează testele. Apoi, inginerii noștri specializați în învățarea automată folosesc aceste date inițiale pentru a construi un model și a vedea dacă acesta poate anticipa rezultatele experimentelor viitoare.

Apoi testăm aceste predicții în laborator. Dacă rezultatele corespund, avem mai multă încredere în model și îl putem folosi pentru a evalua formule noi. Dacă nu, cercetătorii noștri caută să afle de ce. Uneori, modelul are nevoie de mai multe date, ceea ce înseamnă să concepem experimente complet noi sau să testăm în condiții diferite. Reintroducem aceste rezultate în model, îl îmbunătățim și repetăm procesul.

Există mult entuziasm în jurul ideii că inteligența artificială ar putea descoperi singură materiale noi, dar suntem prudenți în privința afirmațiilor pe care le facem. În această etapă, cercetătorii noștri încă proiectează experimentele și iau deciziile-cheie. Inteligența artificială ne ajută să facem predicții, iar laboratorul nostru ne arată dacă acestea se confirmă în practică. Combinând expertiza cercetătorilor noștri cu inteligența artificială, am reușit deja să reducem considerabil timpul necesar pentru anumite sarcini de proiectare experimentală: de la săptămâni la doar câteva minute.

Un set de date istorice reflectă materialele pe care cercetătorii au ales să le studieze în trecut. Cum vă asigurați că modelele nu rămân în limitele acestor domenii familiare și cum stabiliți când o compoziție chimică neobișnuită este suficient de promițătoare pentru a justifica testarea fizică?

Aceasta este exact întrebarea potrivită și tocmai de aceea cred că laboratorul nostru este chiar mai valoros decât setul nostru de date.

Un model învață din datele pe care i le furnizați, așa că, firesc, va face predicții mai fiabile în privința lucrurilor pe care le-a întâlnit deja. Adevărata oportunitate constă în folosirea inteligenței artificiale pentru a explora domenii cu totul noi ale chimiei, unde este posibil să nu existe date istorice.

Aici, platforma noastră de testare de mare capacitate ne oferă un avantaj uriaș. Putem genera rapid date experimentale noi și fiabile pentru sute de formule, oferindu-le modelelor noastre o bază de învățare chiar și în domenii nefamiliare ale chimiei.

Și, pentru că putem testa predicțiile în laborator, putem reintegra rezultatele în modelele noastre și repeta procesul, îmbunătățindu-le continuu acuratețea. Fiecare experiment face ca următoarea predicție să se bazeze pe informații mai solide.

Cred că acesta este cel mai mare avantaj competitiv al nostru. Avem 18 ani de date istorice, dar nu suntem limitați de ele. Putem genera datele noi de care avem nevoie pentru a explora compoziții chimice care nu au fost cercetate temeinic până acum.

Cum măsurați îmbunătățirea care se datorează în mod specific inteligenței artificiale, dincolo de ceea ce oferă deja experimentarea automatizată de mare capacitate? Ce comparații arată că modelele identifică variante mai bune sau reduc numărul de experimente necesare pentru a obține un rezultat util?

Este, de fapt, o întrebare dificilă, pentru că descoperirea științifică este un efort de echipă.

Imaginați-vă un grup de cercetători care discută și analizează o problemă. În cele din urmă, o persoană poate găsi soluția, dar ideea s-ar putea să fi apărut în urma orelor de discuții cu toți ceilalți din încăpere. Cui îi revine meritul?

Cred că ar trebui să privim inteligența artificială într-un mod similar. Este un alt membru al echipei de cercetare. Îi poate ajuta pe cercetători să găsească mai repede informații relevante, să recunoască tipare în datele experimentale și să înțeleagă mai bine o problemă.

Platforma noastră de testare de mare capacitate ne oferă deja un avantaj considerabil, permițându-ne să efectuăm experimentele foarte rapid. Acum încercăm să înțelegem cât de mult ne poate ajuta în plus inteligența artificială. Nu vreau să avansez o cifră pe care nu o putem susține în mod corespunzător. Important este dacă îi ajutăm pe cercetătorii noștri să ajungă la răspunsuri mai bune, în mai puțin timp și cu mai puține experimente.

Dezvoltarea bateriilor presupune obiective concurente, precum densitatea energetică, durata de viață în cicluri, siguranța, costul și posibilitatea de fabricare. Cum transformați aceste compromisuri în obiective pentru inteligența artificială și poate schimbarea aplicației preconizate să o orienteze către materiale fundamental diferite?

Depinde foarte mult de utilizarea bateriei. O baterie destinată unei drone are cerințe foarte diferite de una folosită într-un vehicul electric. Într-o aplicație, ați putea prioritiza densitatea energetică, iar în alta, durata de viață în cicluri sau costul.

Putem defini aceste obiective destul de clar. Densitatea energetică, durata de viață în cicluri, siguranța și costul pot fi măsurate, așa că putem stabili pentru model ținte de performanță specifice aplicației.

Partea dificilă este să pornim de la aceste obiective și să identificăm materialul care le poate îndeplini efectiv.

Modificarea aplicației poate schimba cu siguranță materialele pe care le investigăm. Însă oamenii noștri de știință trebuie în continuare să stabilească ce compoziții chimice sunt promițătoare, să proiecteze experimentele și să testeze dacă materialele respective pot atinge țintele de performanță.

Holyvolt dezvoltă materiale catodice cu structură de sare gemă dezordonată (DRX), fără nichel și cobalt, în vederea comercializării. Ce rol a avut IA în această dezvoltare și ce obstacole rămase necesită soluții de fabricație sau de inginerie, dincolo de descoperirea materialelor?

DRX este un exemplu excelent al motivului pentru care abordarea noastră contează. Există un număr enorm de combinații posibile de materiale, iar testarea lor una câte una ar dura ani.

La Holyvolt, platforma noastră de testare de mare capacitate ne permite să testăm rapid sute de formule diferite și să înțelegem cum influențează modificările compoziției chimice densitatea energetică, tensiunea, durata de viață a bateriei și performanța. Am reușit să identificăm materiale promițătoare mult mai repede decât ar fi permis metodele tradiționale de cercetare.

Acum combinăm aceste date experimentale cu învățarea automată pentru a identifica tipare și a-i ajuta pe oamenii noștri de știință să decidă ce formule să exploreze în continuare. Cu cât testăm mai mult, cu atât învățăm mai multe și ne putem orienta mai bine experimentele viitoare.

Facem deja progrese către producția la scară comercială, iar unul dintre cele mai mari avantaje ale noastre este că folosim procese de fabricație bine stabilite. Nu este nevoie să dezvoltăm echipamente complet noi sau să reinventăm modul în care sunt produse aceste materiale. Ne concentrăm pe extinderea producției împreună cu partenerii noștri, menținând în același timp performanța constantă și costurile competitive.

Ați susținut că datele științifice brevetate pot constitui un avantaj competitiv mai puternic decât modelele în sine. Cum se amplifică acest avantaj în timp și cum echilibrați învățarea dobândită în cadrul proiectelor clienților cu protejarea cercetării confidențiale și a proprietății intelectuale a fiecărui client?

Unele dintre cele mai puternice modele de IA disponibile astăzi sunt cu sursă deschisă și continuă să se îmbunătățească. Dar nu poți pur și simplu să descarci 18 ani de cercetare în domeniul bateriilor. Tocmai de aceea datele noastre sunt atât de valoroase.

La Holyvolt, am testat peste 500.000 de celule de baterii în peste 165 de milioane de cicluri. Știm ce materiale au fost folosite, cum au fost prelucrate, ce performanțe au avut și în ce situații au cedat. Iar pentru că am urmat metode de testare consecvente în toți acești ani, putem compara efectiv rezultatele. Acest lucru este extrem de greu de reprodus de oricine altcineva.

Fiecare experiment ne învață ceva. Cunoștințele dobândite ne ajută să ne îmbunătățim modelele, să facem predicții mai bune și să decidem ce să testăm în continuare. Iar cu cât desfășurăm mai multe experimente, cu atât această bază de cunoștințe devine mai valoroasă.

Colaborăm și cu unele dintre cele mai importante companii din lume, care ne încredințează cercetări sensibile. Luăm această responsabilitate în serios și avem măsuri solide de protecție pentru a păstra în siguranță informațiile confidențiale și proprietatea intelectuală.

Pe măsură ce extindeți platforma, care este astăzi principalul obstacol în calea descoperirilor mai rapide: capacitatea modelelor, capacitatea experimentală, timpul necesar pentru validarea duratei de viață a bateriilor sau altceva? Ce reper măsurabil în următorii doi ani ar demonstra că IA schimbă economia dezvoltării bateriilor?

Cred că astăzi cel mai mare blocaj este timpul pe care oamenii de știință îl petrec proiectând experimente și analizând rezultatele.

Gândiți-vă la procesul tradițional. Un om de știință pune o întrebare, proiectează un experiment, efectuează testele, analizează datele și apoi decide ce să încerce în continuare. Am automatizat deja o mare parte din testarea fizică prin intermediul platformei noastre de testare de mare capacitate, însă gândirea necesară între acești pași consumă în continuare foarte mult timp.

Recent, am aplicat un model de IA relativ simplu unei părți a procesului de proiectare experimentală. O activitate care ar dura în mod normal șase săptămâni a durat opt minute. Este un rezultat cu adevărat remarcabil și arată ce este posibil.

Dar accelerarea proiectării experimentelor este doar începutul. Pe măsură ce IA ne ajută să identificăm mai repede ce trebuie testat, trebuie să creștem și viteza cu care putem desfășura aceste experimente. De aceea, planificăm să ne extindem capacitatea de laborator și să investim în automatizare suplimentară.

În următorii doi ani, vreau să accelerăm considerabil întregul proces de descoperire, de la prima idee până la un material validat. Dacă reușim să combinăm luarea mai rapidă a deciziilor cu posibilitatea de a desfășura mai multe experimente, vom putea explora noi compoziții chimice într-un ritm care pur și simplu nu era posibil înainte. Așa poate IA să schimbe fundamental economia dezvoltării bateriilor.

Vă mulțumim pentru interviul excelent; cititorii care doresc să afle mai multe despre materialele pentru baterii, experimentarea de mare capacitate și dezvoltarea tehnologiilor energetice cu ajutorul IA ar trebui să viziteze Holyvolt.

Antoine este un lider vizionar și partener fondator al Unite.AI, animat de o pasiune de neclintit pentru modelarea și promovarea viitorului inteligenței artificiale și al roboticii. Antreprenor care a fondat mai multe companii, el crede că IA va transforma societatea la fel de profund ca electricitatea și vorbește adesea cu entuziasm despre potențialul tehnologiilor revoluționare și al inteligenței artificiale generale (AGI).

Ca futurolog, se dedică explorării modului în care aceste inovații vor modela lumea noastră. Este, de asemenea, fondatorul Securities.io, o platformă axată pe investiții în tehnologii de vârf care redefinesc viitorul și transformă sectoare întregi.