Интервью
Mathias Ingvarsson, основатель и генеральный директор Holyvolt — серия интервью

Ключевые моментыПреимущество Holyvolt — это 18 лет собственных данных о батареях, которые конкуренты не…
Показать больше
- Преимущество Holyvolt — это 18 лет собственных данных о батареях, которые конкуренты не могут просто скачать.
- Неудачные составы становятся обучающими данными только тогда, когда воспроизводимые лабораторные процессы отделяют реальные химические сбои от аномалий тестирования.
- ИИ сократил одну задачу экспериментального проектирования с шести недель до восьми минут, но учёные по-прежнему проектируют и оценивают эксперименты.
Mathias Ingvarsson — основатель и генеральный директор Holyvolt, компании, которую он создал в 2022 году, чтобы искать новые подходы к аккумуляторным технологиям. Его карьера охватывает международную экспансию Tempur-Pedic и предпринимательские проекты в нескольких отраслях. В Holyvolt он сосредоточен на том, чтобы объединить научную экспертизу, экспериментальные данные и производственные возможности для ускорения разработки аккумуляторных материалов, в том числе благодаря приобретению Wildcat Discovery Technologies.
Holyvolt разрабатывает технологии производства и хранения энергии, сочетая высокопроизводительный поиск материалов с применением методов прецизионной трафаретной печати в производстве. Благодаря Wildcat Discovery Technologies платформа компании для исследования аккумуляторов объединяет лабораторные эксперименты, накопленные данные испытаний и разработку материалов с применением ИИ. В этом интервью Ингварссон рассказывает, как учёные используют машинное обучение наряду с физическими экспериментами, почему неудачные составы могут быть ценным источником данных и что нужно, чтобы перейти от более быстрых прогнозов к проверенным материалам и масштабируемому производству.
Ваш профессиональный путь охватывает международную экспансию Tempur-Pedic и несколько предпринимательских проектов. Что побудило вас основать Holyvolt в 2022 году и какая возможность в сфере аккумуляторных технологий убедила вас создать компанию в такой технически сложной отрасли?
Я создавал компании в самых разных сферах — от матрасов до нижнего белья, поэтому аккумуляторы могут показаться необычным следующим шагом. Но меня всегда привлекали отрасли, где я замечал возможности, которых не видели другие.
Когда я основал Holyvolt, я очень мало знал о химии аккумуляторов, и, думаю, это мне даже помогло. Иногда незнание всех причин, по которым что-то невозможно, становится настоящим преимуществом. Дженсен Хуанг однажды сказал, что, знай он, насколько трудно будет создать Nvidia, то, вероятно, не стал бы этого делать. Я его понимаю.
Я видел, как западная аккумуляторная отрасль пытается обыграть Китай в игре, которую тот уже выиграл. Отрасль вкладывала миллиарды в попытки воспроизвести технологии, которые Китай совершенствовал десятилетиями. Я не понимал, почему мы не направляем столько же усилий на разработку чего-то лучшего. Аккумуляторы будут обеспечивать энергией почти всё вокруг нас, и я видел огромную возможность пересмотреть подход к их разработке. Именно это и побудило меня основать Holyvolt.
Когда вы оценивали возможность приобрести Wildcat, что убедило вас в том, что накопленная история экспериментов может стать основой платформы для открытий с помощью ИИ? Что нужно было установить о данных помимо их огромного объёма?
Меня сразу поразил сам объём данных: более 500 000 аккумуляторных элементов, испытанных за 18 лет, и 165 миллионов циклов. Чем глубже мы изучали данные, тем сильнее впечатлялись строгостью экспериментов и прорывами, которых Wildcat уже добилась. Такие данные, последовательно собиравшиеся десятилетиями, невероятно трудно воспроизвести.
Я не учёный в области аккумуляторов, поэтому привлёк людей, которые разбирались в этом гораздо лучше меня. Эксперты по аккумуляторам, ИИ и материаловедению приехали посмотреть лабораторию и, откровенно говоря, были потрясены.
Затем обратите внимание на компании, которые обращаются в Wildcat, в том числе BMW и другие всемирно известные компании по всей цепочке создания стоимости. У этих компаний огромные бюджеты на исследования и разработки и одни из лучших учёных в мире, но за помощью они обращались именно в Wildcat. Для меня это стало окончательным подтверждением. Я убедился, что Wildcat создала самую востребованную в мире платформу для разработки аккумуляторов. А с помощью ИИ, как мне кажется, мы пока лишь слегка коснулись того, на что он способен.
Неудачные эксперименты — важная составляющая вашего преимущества в работе с данными. Можете привести пример того, чему модель может научиться на неудачном составе аккумулятора, и рассказать, как ваша команда отличает значимую химическую неудачу от проблемы с проведением эксперимента?
Неудачи — часть химии. Так на протяжении сотен лет развивается наука. Вы что-то пробуете, это не срабатывает, вы извлекаете урок и пробуете снова. ИИ должен учиться так же.
Мы проводим высокопроизводительные эксперименты с аккумуляторами уже 18 лет, поэтому в наших данных есть всё: от неудачных составов до материалов, свойства которых нам удалось успешно оптимизировать. Это чрезвычайно ценно при обучении модели.
Возьмём литий-металлические аккумуляторы. В отличие от традиционных графитовых аккумуляторов, их ёмкость может резко снизиться, и такой спад очень трудно предсказать. Мы разработали модели машинного обучения на основе данных реальных циклических испытаний аккумуляторов с различными составами электролита, конструкциями электродов и протоколами испытаний, чтобы предсказывать, когда может произойти такое снижение.
Наши первые модели способны с приемлемой степенью уверенности предсказывать такие спады. Сейчас мы разрабатываем более целенаправленные эксперименты и испытываем аккумуляторы в разных условиях, чтобы уточнить прогнозы.
Разумеется, эти данные имеют ценность, только если результатам можно доверять. Мы много лет совершенствовали лабораторные процессы, чтобы эксперименты были высоковоспроизводимыми, а количество ошибок — минимальным. Мы также проводим один и тот же эксперимент несколько раз, чтобы понять, связан ли неудовлетворительный результат с реальной проблемой материала или с отклонением в процессе испытаний. Так мы не даём моделям усвоить неверные закономерности на основе единичного нетипичного результата.
Не могли бы вы рассказать, как проходит цикл открытия нового материала: от предложения модели до лабораторных испытаний и учёта их результатов? Какие решения принимает ИИ, а где по-прежнему необходимо экспертное мнение учёного?
Всё начинается с наших учёных. Они разрабатывают эксперимент исходя из того, что хотят выяснить, а наша высокопроизводительная платформа проводит испытания. Затем инженеры по машинному обучению используют эти первоначальные данные, чтобы создать модель и проверить, способна ли она предсказывать результаты будущих экспериментов.
Затем мы проверяем эти прогнозы в лаборатории. Если результаты совпадают, мы больше доверяем модели и можем использовать её для оценки новых составов. Если нет, наши учёные выясняют причину. Иногда модели требуется больше данных, а значит, нужно разработать совершенно новые эксперименты или провести испытания в других условиях. Мы передаём полученные результаты обратно в модель, дорабатываем её и повторяем процесс.
Вокруг идеи о том, что ИИ самостоятельно открывает новые материалы, много энтузиазма, но мы осторожны в своих заявлениях. На данном этапе эксперименты по-прежнему разрабатывают наши учёные, и именно они принимают ключевые решения. ИИ помогает нам строить прогнозы, а лабораторные испытания показывают, насколько они подтверждаются на практике. Объединив опыт наших учёных с ИИ, мы уже смогли значительно сократить время, необходимое для выполнения некоторых задач по разработке экспериментов: с нескольких недель до считаных минут.
Исторический набор данных отражает материалы, которые исследователи ранее выбирали для изучения. Как вы не даёте моделям ограничиваться уже знакомыми направлениями и определяете, когда незнакомая химическая система достаточно перспективна, чтобы оправдать физические испытания?
Это именно тот вопрос, который нужно задавать, и поэтому я считаю, что наша лаборатория даже ценнее, чем наш набор данных.
Модель учится на предоставленных ей данных, поэтому, естественно, её прогнозы надёжнее, когда речь идёт о том, с чем она уже сталкивалась. Главная возможность — использовать ИИ для изучения совершенно новых областей химии, где исторических данных может и не быть.
Именно здесь наша высокопроизводительная платформа даёт нам огромное преимущество. Мы можем быстро получать новые надёжные экспериментальные данные по сотням составов, создавая для наших моделей основу для обучения даже в незнакомых областях химии.
А поскольку мы можем проверять прогнозы в лаборатории, возвращать результаты в модели и повторять этот процесс, мы способны постоянно повышать точность моделей. Каждый эксперимент помогает сделать следующий прогноз более обоснованным.
Я считаю, что это наше главное конкурентное преимущество. У нас есть исторические данные за 18 лет, но мы не ограничены ими. Мы можем получать новые данные, необходимые для изучения химических систем, которые прежде не исследовали достаточно подробно.
Как вы оцениваете улучшения, обусловленные именно ИИ, помимо тех результатов, которые уже дают автоматизированные высокопроизводительные эксперименты? Какие сравнения показывают, что модели находят более перспективные варианты или сокращают число экспериментов, необходимых для получения полезного результата?
На этот вопрос действительно сложно ответить, потому что научные открытия — результат командной работы.
Представьте группу учёных, которые вместе обсуждают проблему. В конце концов решение может предложить один человек, но эта идея могла родиться после нескольких часов обсуждения со всеми остальными. Кому приписать заслугу?
Думаю, к ИИ стоит подходить так же. Это ещё один участник исследовательской команды. Он помогает учёным быстрее находить нужную информацию, выявлять закономерности в экспериментальных данных и глубже разбираться в проблеме.
Наша высокопроизводительная платформа уже даёт нам огромное преимущество, позволяя быстро проводить эксперименты. Сейчас мы выясняем, насколько сильнее ИИ может повысить нашу эффективность. Я не хочу называть цифру, которую не смогу как следует обосновать. Важно то, помогаем ли мы учёным находить более точные ответы, тратя меньше времени и проводя меньше экспериментов.
При разработке аккумуляторов приходится учитывать противоречащие друг другу цели, в том числе плотность энергии, срок службы в циклах, безопасность, стоимость и технологичность производства. Как вы преобразуете эти компромиссы в целевые показатели для ИИ? Может ли смена предполагаемого применения аккумулятора направить ИИ к поиску принципиально иных материалов?
Всё зависит от того, для чего будет использоваться аккумулятор. Аккумулятор для дрона должен отвечать совсем другим требованиям, чем аккумулятор для электромобиля. В одном случае приоритетом может быть плотность энергии, а в другом — срок службы в циклах или стоимость.
Эти целевые показатели можно определить достаточно чётко. Плотность энергии, срок службы в циклах, безопасность и стоимость поддаются измерению, поэтому мы можем задавать модели конкретные цели по эксплуатационным характеристикам с учётом предполагаемого применения.
Сложнее всего, исходя из этих целевых показателей, определить, какой материал действительно сможет им соответствовать.
Изменение области применения действительно может повлиять на то, какие материалы мы исследуем. Но нашим учёным всё равно необходимо определять перспективные химические составы, разрабатывать эксперименты и проверять, способны ли эти материалы достичь целевых показателей.
Holyvolt продвигает к коммерциализации катодные материалы со структурой разупорядоченной каменной соли (DRX), не содержащие никеля и кобальта. Какую роль ИИ сыграл в этой разработке и какие оставшиеся препятствия требуют решений в области производства или инженерии, выходящих за рамки поиска материалов?
DRX — отличный пример того, почему наш подход важен. Возможных сочетаний материалов огромное множество, и на их проверку по одному ушли бы годы.
В Holyvolt наша платформа для высокопроизводительных экспериментов позволяет быстро проверять сотни различных составов и понимать, как изменения химического состава влияют на плотность энергии, напряжение, срок службы аккумулятора и его характеристики. Нам удалось выявлять перспективные материалы гораздо быстрее, чем это позволяли бы традиционные методы исследований.
Теперь мы объединяем эти экспериментальные данные с машинным обучением, чтобы выявлять закономерности и помогать нашим учёным решать, какие составы исследовать дальше. Чем больше экспериментов мы проводим, тем больше узнаём и тем лучше можем планировать будущие исследования.
Мы уже продвигаемся к производству в промышленных масштабах, и одно из наших главных преимуществ заключается в том, что мы используем хорошо отработанные производственные процессы. Нам не нужно разрабатывать совершенно новое оборудование или изобретать заново способы производства этих материалов. Мы сосредоточены на наращивании производства вместе с партнёрами, сохраняя стабильные характеристики и конкурентоспособные затраты.
Вы утверждали, что собственные научные данные могут стать более весомым конкурентным преимуществом, чем сами модели. За счёт чего это преимущество со временем усиливается и как вы используете опыт, полученный в проектах для разных заказчиков, одновременно защищая конфиденциальные исследования и интеллектуальную собственность каждого из них?
Некоторые из самых мощных доступных сегодня моделей ИИ имеют открытый исходный код, и они продолжают совершенствоваться. Но нельзя просто скачать 18 лет исследований аккумуляторов. Именно поэтому наши данные так ценны.
В Holyvolt мы протестировали более 500 000 аккумуляторных ячеек, проведя свыше 165 миллионов циклов. Мы знаем, какие материалы использовались, как их обрабатывали, каковы были их характеристики и в каких случаях они выходили из строя. А поскольку все эти годы мы придерживались единых методов тестирования, мы можем сопоставлять результаты. Повторить это невероятно сложно.
Каждый эксперимент чему-то нас учит. Эти знания помогают совершенствовать модели, точнее прогнозировать результаты и решать, что проверять дальше. И чем больше экспериментов мы проводим, тем ценнее становится эта база знаний.
Мы также сотрудничаем с некоторыми ведущими компаниями мира, которые доверяют нам свои конфиденциальные исследования. Мы серьёзно относимся к этой ответственности и применяем надёжные меры защиты конфиденциальной информации и интеллектуальной собственности.
По мере развития платформы что сегодня сильнее всего ограничивает ускорение исследований: возможности моделей, экспериментальная база, время, необходимое для проверки срока службы аккумуляторов, или что-то ещё? Какой измеримый результат в ближайшие два года покажет, что ИИ меняет экономику разработки аккумуляторов?
Думаю, сегодня главным узким местом остаётся время, которое учёные тратят на разработку экспериментов и анализ результатов.
Рассмотрим традиционный процесс. Учёный задаёт вопрос, разрабатывает эксперимент, проводит испытания, анализирует данные, а затем решает, что попробовать дальше. Мы уже автоматизировали значительную часть физических испытаний с помощью нашей платформы для высокопроизводительных экспериментов, но на обдумывание следующих шагов по-прежнему уходит очень много времени.
Недавно мы применили сравнительно простую модель ИИ к части процесса разработки экспериментов. Задача, на которую обычно уходило шесть недель, была выполнена за восемь минут. Это поразительный результат, наглядно показывающий, что возможно.
Но ускорение разработки экспериментов — лишь начало. ИИ помогает нам быстрее определять, что проверять, однако нам также нужно увеличить скорость проведения самих экспериментов. Поэтому мы планируем расширить лабораторные мощности и вложить средства в дальнейшую автоматизацию.
В ближайшие два года я хочу, чтобы мы значительно ускорили весь процесс поиска — от первой идеи до проверенного материала. Если мы объединим более быстрое принятие решений с возможностью проводить больше экспериментов, то сможем исследовать новые химические составы такими темпами, которые раньше были просто недостижимы. Именно так ИИ может коренным образом изменить экономику разработки аккумуляторов.
Спасибо за интересное интервью! Читателям, которые хотят больше узнать о материалах для аккумуляторов, высокопроизводительных экспериментах и разработке энергетических технологий с применением ИИ, рекомендуем посетить сайт Holyvolt.












