Taku Watanabe, VP și șef al operațiunilor din SUA, Matlantis – Seria de interviuri

Taku Watanabe, VP și șef al operațiunilor din SUA, Matlantis, este un specialist în știința materialelor și inteligență artificială, cu o carieră care acoperă cercetarea avansată a bateriilor, modelarea computațională și conducerea tehnologică la nivel global. El conduce în prezent expansiunea Matlantis în Statele Unite, din Cambridge, Massachusetts, și servește, de asemenea, ca cercetător principal și șef al succesului clienților la nivel global, conectând informatica materialelor avansate cu cazurile de utilizare industriale din lumea reală. Înainte de a se alătura Matlantis, el a ocupat funcții de conducere la Samsung R&D Institute Japan, axate pe dezvoltarea bateriilor cu stare solidă, și a efectuat cercetări postdoctorale la Georgia Institute of Technology, după ce a absolvit studii de masterat în software de simulare la Universitatea din Florida. Cariera sa se concentrează în mod constant pe combinarea învățării automate, simulării bazate pe fizică și știința materialelor pentru a accelera inovația în domeniul energiei și al materialelor avansate.

Matlantis este o companie de informatică a materialelor condusă de inteligență artificială, axată pe transformarea modului în care sunt descoperite și dezvoltate noi materiale prin simulare atomistică de mare viteză. Platforma sa bazată pe cloud permite cercetătorilor să modeleze comportamentul molecular și cristalin cu o acuratețe și o viteză ridicate, reducând procesele care au durat luni la secunde. Construit pe potențiale interatomice de învățare automată și chimie computațională, platforma permite oamenilor de știință să exploreze combinații de materiale vaste fără constrângerile experimentale tradiționale, sprijinind industrii precum semiconductoarele și stocarea energiei. Fondată în 2021 prin colaborarea dintre Preferred Networks și ENEOS, Matlantis se poziționează ca un strat central în schimbarea către descoperirea materialelor condusă de inteligență artificială și fluxuri de lucru de cercetare și dezvoltare digitale.

Ați petrecut cariera la intersecția științei materialelor, simulării și învățării automate, de la cercetarea bateriilor la Samsung la informatica materialelor la ENEOS și acum conduceți operațiunile din SUA la Matlantis. Care au fost momentele cheie care v-au convins că simularea condusă de inteligență artificială va schimba fundamental descoperirea materialelor?

Punctul de cotitură pentru mine a fost realizarea că adevăratul blocaj în descoperirea materialelor a fost capacitatea noastră limitată de a explora suficienți candidați. În munca mea asupra materialelor pentru baterii și, ulterior, asupra informaticii materialelor, am putut genera insight-uri de calitate folosind metode precum teoria funcțională a densității (DFT), dar numai pentru un set mic de posibilități, din cauza constrângerilor de cost și timp.

Ce s-a schimbat a fost apariția potențialelor de învățare automată care puteau păstra o acuratețe aproape de nivelul cuantic, în timp ce creșteau dramatic debitul computațional. Acest lucru a deblocat două schimbări importante.

În primul rând, a permis accelerarea încercărilor și erorilor la o fidelitate ridicată. Cercetătorii pot rula acum o cantitate semnificativ mai mare de evaluări ale candidaților pe unitatea de timp, fără a sacrifica acuratețea, schimbând fundamental ritmul și amploarea explorării. În al doilea rând, a creat o nouă bază pentru știința datelor în descoperirea materialelor, deoarece acel nivel de debit generează volumul de date de calitate necesar pentru a face abordările de învățare automată cu adevărat eficiente.

Matlantis a integrat recent cu NVIDIA ALCHEMI Toolkit pentru a permite debitul de simulare la scară industrială. Din perspectiva dvs., care sunt blocajele specifice pe care le elimină această integrare și cum schimbă ceea ce pot realiza echipele de cercetare și dezvoltare în prezent?

Integrarea elimină un decalaj fundamental între potențialele conduse de inteligență artificială și infrastructura pe care o utilizează. În timp ce modele precum PFP sunt în mod inerent accelerate de GPU, părți cheie ale fluxului de lucru de simulare, cum ar fi orchestrarea, au rămas tradițional CPU-orientate sau slab conectate între diferite instrumente. Acest lucru creează ineficiențe în mișcarea datelor și limitează scalabilitatea prin introducerea de fricțiune la rularea de sarcini mari sau distribuite.

ALCHEMI abordează acest lucru prin extinderea accelerării GPU pe întregul stiv de simulare, construind pe integrarea anterioară cu kernel-urile NVIDIA Warp-optimize și mutându-se acum către ALCHEMI Toolkit-Ops pentru execuția la scară de producție. Rezultatul este un calcul mai rapid și un mediu de simulare mai coerent și nativ pentru inteligență artificială, care poate opera în mod fiabil la scară industrială.

Ce face ca acest lucru să fie mai important acum este că marchează o tranziție de la viziunea platformei la implementarea reală. Cu capacități precum LightPFP, care permit simulări la scară de sute de mii de atomi și inferență mai rapidă, simularea atomistică condusă de inteligență artificială este utilizabilă în fluxurile de lucru de producție.

Pentru echipele de cercetare și dezvoltare, acest lucru schimbă rolul simulării în întregime. În loc să fie aplicate selectiv, acestea pot fi încorporate în procesele de luare a deciziilor de zi cu zi, modelând care materiale sunt prioritizate devreme în dezvoltare.

Anunțul subliniază LightPFP și integrarea viitoare PFP cu ALCHEMI. Cum îmbunătățesc aceste evoluții scalabilitatea și stabilitatea în comparație cu pipeline-urile tradiționale de simulare atomistică?

LightPFP abordează o blocaj cheie în simularea atomistică: suprasarcina de comunicare necesară pentru construcția listei de vecini în sistemele distribuite. Prin înlocuirea acestui pas în timpul inferenței cu NVIDIA ALCHEMI Toolkit-Ops, reduce comunicarea între noduri. Acest lucru face simulările la scară largă atât mai rapide, cât și mai stabile.

Combinate cu arhitectura sa bazată pe server, acest lucru permite simulărilor să scaleze mai eficient, simplificând, de asemenea, infrastructura și reducând complexitatea operațională.

Integrarea completă PFP extinde aceste beneficii la un model universal, ceea ce este important, deoarece pipeline-urile tradiționale adesea luptă să scaleze în mod constant pe diferite sisteme de materiale și medii computaționale. Împreună, aceste evoluții îmbunătățesc atât scalabilitatea, cât și fiabilitatea, permițând simulării să treacă de la cazuri de utilizare izolate de cercetare la implementarea continuă la scară industrială, fără compromisurile tipice între performanță și stabilitate.

Matlantis este construit pe Preferred Potential (PFP), antrenat pe zeci de milioane de calcule la nivel cuantic. Cum se diferențiază abordarea bazată pe date de simularea convențională bazată pe fizică și unde oferă cele mai mari câștiguri de performanță?

Simularea convențională calculează interacțiunile direct din principii de bază de fiecare dată, ceea ce este precis, dar computațional scump. PFP, în schimb, învață dintr-un set vast de calcule cuantice și aplică acea cunoaștere în timpul inferenței. Cele mai mari câștiguri de performanță vin în fluxurile de lucru care necesită evaluări repetate ale multor candidați, cum ar fi screening-ul materialelor sau explorarea compoziției materialelor. În loc să fie limitat la un set mic de sisteme, cercetătorii pot evalua mii de candidați, menținând în același timp o acuratețe semnificativă.

Una dintre cele mai convingătoare afirmații este atingerea unei acurateți aproape de nivelul DFT la viteze masiv accelerate. În termeni practici, cum schimbă acest lucru modul în care companiile abordează experimentarea, prototiparea și timpul de piață?

Tradițional, DFT a fost standardul de aur pentru acuratețe, dar astăzi, costul său computațional limitează cât de larg poate fi aplicat; echipele de cercetare și dezvoltare s-au bazat puternic pe experimentarea prin încercări și erori și au utilizat DFT selectiv pentru validare. Atingerea unei acurateți aproape de nivelul DFT la viteze masiv accelerate elimină această constrângere.

În loc să utilizeze DFT pentru a analiza câțiva candidați după experimente, companiile pot acum aproxima imediat acel nivel de perspicacitate pe mii de posibilități. Acest lucru le permite să îngusteze spațiul de căutare computațională înainte de a aloca resurse fizice. Rezultatul este mai puține experimente eșuate, prototiparea mai țintită și cicluri de iterare semnificativ mai rapide, reducând în final timpul de piață, în timp ce crește încrederea în ceea ce avansează producția.

Asistăm la o tranziție către descoperirea simulată prima în industrii precum semiconductoarele, bateriile și chimicalele. Cum arată un flux de lucru de cercetare și dezvoltare complet simulat prima într-o întreprindere modernă?

Un flux de lucru simulat prima începe prin ancorarea cercetării și dezvoltării în jurul rezultatelor dorite, în loc de materiale predefinite. Echipele identifică obiectivele și provocările lor și apoi evaluează un număr mare de candidați pentru materiale prin mijloace de optimizare, stabilitate și, din ce în ce mai mult, explorarea întregului spațiu chimic sau cristalin.

Acesta este un proces interactiv. Rezultatele simulării informează în mod constant următorul set de candidați, îngustând rapid spațiul de proiectare. Până când materialele trec în faza de validare, acestea au fost deja filtrate prin multiple straturi computaționale, reducând semnificativ efortul irosit.

Schimbarea reală, cu toate acestea, este organizațională. Simularea trece dincolo de o capacitate de nișă pentru a deveni un strat central de luare a deciziilor. Aceasta ghidă experimentele care sunt rulate, cum sunt alocate resursele și cum echipele își prioritizează prioritățile. În timp, acest lucru creează un sistem închis în care simularea și experimentarea se întăresc reciproc, permițând echipelor să exploreze mai multe posibilități, în timp ce rămân strâns focalizate pe cele mai viabile căi.

Pe măsură ce inteligența artificială devine centrală pentru știința materialelor, infrastructura, cum ar fi computerele, GPU-urile și stivurile de software, devine din ce în ce mai critică. De ce infrastructura este acum factorul limitativ, în loc de inovația modelului în sine?

Pentru că multe organizații au modele puternice, dar luptă cu fluxuri de lucru fragmentate și acces limitat la computere. Tratarea inteligenței artificiale ca un instrument stratificat peste sisteme legacy duce la experimente izolate, iar factorul limitativ s-a mutat către infrastructură și cât de bine organizațiile pot integra simularea computațională și datele într-un sistem unificat.

Matlantis este deja utilizat în industrii care variază de la energie la producție avansată. Care sunt cazurile de utilizare care văd cel mai rapid randament al investiției în prezent și unde anticipați următoarea undă de descoperiri?

Randamentul cel mai rapid al investiției se află în domenii unde ciclurile experimentale sunt scumpe și spațiul de proiectare este mare, cum ar fi materialele pentru baterii, catalizatorii și materialele legate de semiconductoare. În aceste domenii, eliminarea candidaților neviable devreme creează valoare imediată.

De exemplu, producătorul chimic Kuraray a avut odată un proces de verificare care a durat doi sau trei ani, dar a fost redus la doar o lună și jumătate folosind Matlantis. Într-o singură campanie de simulare, 13 îmbunătățiri propuse ale catalizatorului au fost evaluate și toate au fost respinse ca neviable, economisind ani de efort experimental pe idei fără viitor.

Privind înainte, următoarea undă de descoperiri va veni din convergența simulării și experimentării, nu din îmbunătățirea lor în mod izolat. Astăzi, există încă o graniță clară între cele două, și sunt tratate în general ca pași secvențiali, în loc de o strategie unificată.

Însă, acea graniță începe să se dizolve. Cu progresele în simularea de mare debit și învățarea automată, asistăm la apariția sistemelor de descoperire închise, în care simularea ghidă experimentele în timp real, iar datele experimentale hrănesc în mod constant modelele. Pe măsură ce aceste sisteme maturează, descoperirea va deveni continuă. Acea convergență, în care simularea, inteligența artificială și experimentarea operează ca un sistem unificat, este unde va fi condusă următoarea generație de descoperiri.

Rolul dvs. acoperă atât cercetarea tehnică profundă, cât și succesul clienților la nivel global. Care sunt noile seturi de abilități pe care credeți că următoarea generație de oameni de știință și ingineri trebuie să le dezvolte pentru a rămâne competitivi în medii de cercetare și dezvoltare conduse de inteligență artificială?

Cea mai importantă abilitate pe care următoarea generație trebuie să o consolideze este capacitatea de a opera între discipline. Oamenii de știință necesită o expertiză puternică în domeniu și capacitatea de a lucra cu modele de date, platforme de simulare scalabile și fluxuri de lucru iterative. La fel de importantă este înțelegerea modului în care simularea și experimentarea datelor se conectează în cadrul unui proces mai larg de descoperire.

Următoarea generație va fi definită nu doar de ceea ce știu, ci și de cât de eficient pot integra și aplica cunoașterea în cadrul modern al mediilor de cercetare și dezvoltare.

Privind înainte, pe măsură ce simularea condusă de inteligență artificială se apropie de descoperirea materialelor în timp real, cât de aproape suntem de o lume în care întregi clase de materiale sunt proiectate, validate și optimizate complet în silico, înainte de a fi efectuată orice experimentare fizică, și ce înseamnă acest lucru pentru viitorul inovației?

Ne apropiem de această capacitate în anumite domenii, dar nu încă universal. Pentru multe sisteme, simularea poate deja elimina o parte semnificativă a spațiului de proiectare și identifica candidați foarte promițători înainte de a fi efectuată orice experimentare.

Însă, capturarea completă a complexității lumii reale, cum ar fi condițiile de sinteză și efectele de scară, rămâne o provocare. Ca urmare, rolul experimentării evoluează. În loc să servească ca metodă principală de explorare, experimentele devin mai țintite și mai conștiente, axate pe validarea și rafinarea celor mai promițători rezultate computaționale. Cele mai multe eforturi de descoperire din stadiul incipient se mută în simulare, permițând testării fizice să opereze cu o precizie și o eficiență mult mai mare.

Mulțumim pentru interviul excelent; cititorii care doresc să afle mai multe despre Matlantis ar trebui să viziteze Matlantis.