Таку Ватанабе, Вице-президент и руководитель операций в США, Matlantis – Интервью

Таку Ватанабе, Вице-президент и руководитель операций в США, Matlantis, является специалистом в области материаловедения и искусственного интеллекта с карьерой, охватывающей передовые исследования батарей, вычислительное моделирование и глобальное технологическое лидерство. В настоящее время он руководит расширением Matlantis в Соединенных Штатах из Кембриджа, штат Массачусетс, а также служит основным исследователем и руководителем глобального успеха клиентов, связывая передовые материалы информатики с реальными промышленными случаями. До присоединения к Matlantis он занимал старшие должности в Samsung R&D Institute Japan, где занимался разработкой батарей всех твердых состояний, и ранее проводил постдокторские исследования в Georgia Institute of Technology после завершения аспирантуры по программному обеспечению для симуляции в Университете Флориды. Его карьера постоянно сосредоточена на сочетании машинного обучения, физически обоснованного симуляции и материаловедения для ускорения инноваций в области энергетики и передовых материалов.

Matlantis – это компания по информатике материалов, управляемая искусственным интеллектом, которая фокусируется на трансформации того, как новые материалы обнаруживаются и разрабатываются с помощью высокоскоростной атомистической симуляции. Ее облачная платформа позволяет исследователям моделировать молекулярное и кристаллическое поведение с высокой точностью и скоростью, сокращая процессы, которые ранее занимали месяцы, до секунд. Построенная на основе машинного обучения интератомных потенциалов и вычислительной химии, платформа позволяет ученым исследовать огромные комбинации материалов без традиционных экспериментальных ограничений, поддерживая отрасли, такие как полупроводники и хранение энергии. Основанная в 2021 году в результате сотрудничества между Preferred Networks и ENEOS, Matlantis позиционирует себя как основной слой в сдвиге в сторону открытия материалов, управляемого искусственным интеллектом, и цифровых потоков Р&Д.

Вы провели свою карьеру на пересечении материаловедения, симуляции и машинного обучения, от исследований батарей в Samsung до информатики материалов в ENEOS и теперь руководите операциями в США в Matlantis. Какие ключевые моменты убедили вас, что симуляция, управляемая искусственным интеллектом, фундаментально изменит открытие материалов?

Переломным моментом для меня стало осознание того, что реальным узким местом в открытии материалов является наша ограниченная способность исследовать достаточно кандидатов. В моей работе над материалами батарей и позже в информатике материалов мы могли генерировать высококачественные идеи с помощью методов, таких как теория функционала плотности (DFT), но только в небольшом наборе возможностей из-за ограничений стоимости и времени.

Что изменилось, так это появление машинно-обучаемых потенциалов, которые могут сохранять почти квантовый уровень точности, одновременно значительно увеличивая вычислительную производительность. Это разблокирует два важных сдвига.

Во-первых, оно позволяет ускорить проб и ошибок с высокой точностью. Исследователи теперь могут проводить значительно больше оценок кандидатов за единицу времени, не жертвуя точностью, что фундаментально меняет темп и объем исследования. Во-вторых, оно создает новую основу для науки о данных в открытии материалов, поскольку такой уровень производительности генерирует объем высококачественных данных, необходимых для того, чтобы сделать подходы машинного обучения действительно эффективными.

Matlantis недавно интегрировалась с инструментом NVIDIA (NVDA ) ALCHEMI, чтобы обеспечить пропускную способность симуляции на промышленном уровне. С вашей точки зрения, какие конкретные узкие места удаляет эта интеграция, и как она меняет то, что команды Р&Д могут реально достичь сегодня?

Интеграция удаляет фундаментальное несоответствие между потенциалами, управляемыми искусственным интеллектом, и инфраструктурой, на которой они полагаются. Хотя модели, такие как PFP, по своей сути ускорены GPU, ключевые части рабочего процесса симуляции, такие как оркестровка, традиционно оставались связанными с CPU или слабо связаны между разными инструментами. Это создает неэффективность в перемещении данных и ограничивает масштабируемость, введя трение при запуске больших или распределенных рабочих нагрузок.

ALCHEMI решает эту проблему, расширяя ускорение GPU на весь стек симуляции, основанный на ранее интегрированных ядрах NVIDIA Warp и теперь перемещающийся в операции инструментария ALCHEMI Toolkit для производственной масштабируемости. Результатом является более быстрый вычислительный процесс и более сплоченная, родная для искусственного интеллекта среда симуляции, которая может работать надежно на промышленном уровне.

Что делает это особенно важным сейчас, так это то, что это знаменует переход от видения платформы к реальному развертыванию. С возможностями, такими как LightPFP, позволяющими проводить симуляции на уровне сотен тысяч атомов и более быстрого вывода, симуляция атомистики, управляемая искусственным интеллектом, применима в производственных рабочих процессах.

Для команд Р&Д это меняет роль симуляции полностью. Вместо того, чтобы применяться выборочно, она может быть встроена в повседневное принятие решений, формируя, какие материалы отдаются приоритет в начале разработки.

Объявление подчеркивает LightPFP и предстоящую интеграцию PFP с ALCHEMI. Как эти разработки улучшают масштабируемость и стабильность по сравнению с традиционными трубопроводами атомистической симуляции?

LightPFP решает ключевое узкое место в атомистической симуляции: накладные расходы на связь, необходимые для конструкции списка соседей в распределенных системах. Заменяя этот шаг во время вывода на операциях инструментария NVIDIA ALCHEMI, оно снижает межузловую связь. Это делает большие симуляции как быстрее, так и более стабильными.

В сочетании с ее архитектурой на основе сервера это позволяет симуляциям масштабироваться более эффективно, одновременно упрощая инфраструктуру и снижая операционную сложность.

Полная интеграция PFP расширяет эти выгоды до универсальной модели, что важно, поскольку традиционные трубопроводы часто борются за последовательное масштабирование в разных материалах и вычислительных средах. Вместе эти разработки улучшают как масштабируемость, так и надежность, позволяя симуляции перейти от изолированных случаев исследования к непрерывному, промышленному развертыванию без типичных компромиссов между производительностью и стабильностью.

Matlantis построена на основе Preferred Potential (PFP), обученной на десятках миллионов квантовых расчетов. Как этот подход, основанный на данных, отличается от традиционной физически обоснованной симуляции, и где он обеспечивает наибольшие выигрыши в производительности?

Традиционная симуляция рассчитывает взаимодействия напрямую из первых принципов каждый раз, что точно, но вычислительно дорого. PFP, с другой стороны, учится на огромном наборе квантовых расчетов и применяет эти знания во время вывода. Наибольшие выигрыши в производительности приходятся на рабочие процессы, которые требуют повторной оценки многих кандидатов, таких как скрининг материалов или исследование состава материала. Вместо того, чтобы быть ограниченными небольшим набором систем, исследователи могут оценить тысячи кандидатов, сохраняя при этом значительную точность.

Одним из наиболее убедительных утверждений является достижение почти квантовой точности DFT на сильно ускоренных скоростях. В практических терминах, как это меняет подход компаний к экспериментам, прототипированию и времени выхода на рынок?

Традиционно DFT была золотым стандартом точности, но сегодня ее вычислительная стоимость ограничивает, насколько широко она может быть применена; команды Р&Д сильно полагались на экспериментирование методом проб и ошибок и использовали DFT выборочно для проверки. Близкая к DFT точность на сильно ускоренных скоростях удаляет это ограничение.

Вместо использования DFT для анализа нескольких кандидатов после экспериментов компании теперь могут сразу же приблизительно оценить тот же уровень проницательности на тысячи возможностей. Это позволяет им сузить вычислительное пространство поиска до того, как будут привлечены физические ресурсы. Результатом является меньше неудачных экспериментов, более целенаправленное прототипирование и значительно более быстрые циклы итерации, в конечном итоге сокращая время выхода на рынок, одновременно увеличивая уверенность в том, что продвигает производство вперед.

Мы наблюдаем переход к открытию, основанному на симуляции, в отраслях, таких как полупроводники, батареи и химикаты. Что представляет собой полностью симуляция-ориентированный рабочий процесс Р&Д внутри современного предприятия?

Рабочий процесс, ориентированный на симуляцию, начинается с того, что Р&Д фокусируются на желаемых результатах, а не на предопределенных материалах. Команды определяют свои цели и проблемы, а затем проводят скрининг большого числа кандидатов в материалах в масштабе с помощью оптимизации, стабильности и все чаще исследования всего химического или кристаллического пространства.

Это интерактивный процесс. Результаты симуляции непрерывно информируют следующий набор кандидатов, быстро сужая пространство конструкции. К моменту, когда материалы переходят в фазу проверки, они уже были отфильтрованы через несколько вычислительных слоев, значительно сокращая потраченные усилия.

Однако真正щий сдвиг заключается в организационной сфере. Симуляция переходит от нишевой возможности к тому, чтобы стать центральным слоем принятия решений. Она руководит тем, какие эксперименты проводятся, как распределяются ресурсы и как команды отдают приоритет своим приоритетам. Со временем это создает замкнутую систему, в которой симуляция и экспериментирование укрепляют друг друга, позволяя командам исследовать больше возможностей, оставаясь при этом тесно сосредоточенными на наиболее жизнеспособных путях.

По мере того, как симуляция, управляемая искусственным интеллектом, приближается к открытию материалов в реальном времени, насколько мы близки к миру, в котором целые классы материалов проектируются, проверяются и оптимизируются полностью в silico до того, как будет проведен любой физический эксперимент, и что это означает для будущего инноваций?

Мы приближаемся к этой возможности в определенных доменах, но еще не универсально. Для многих систем симуляция уже может устранить большие части пространства конструкции и выявить высокообещающие кандидаты до того, как будет проведен любой эксперимент.

Однако полное захват реального мира сложности, такой как условия синтеза и эффекты масштабирования, остается сложной задачей. В результате роль экспериментирования эволюционирует. Вместо того, чтобы служить основным методом исследования, эксперименты становятся более целенаправленными и осмысленными, сосредоточенными на проверке и усовершенствовании наиболее перспективных вычислительных результатов. Большинство ранних усилий по открытию смещаются в симуляцию, позволяя физическому тестированию работать с гораздо большей точностью и эффективностью.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Matlantis.