Intervjuer
Mathias Ingvarsson, grundare och vd för Holyvolt – intervjuserie

Viktiga punkterHolyvolts försprång är 18 år av egenutvecklad batteridata som konkurrenter inte bara…
Visa mer
- Holyvolts försprång är 18 år av egenutvecklad batteridata som konkurrenter inte bara kan ladda ner.
- Misslyckade formuleringar blir träningsdata endast när reproducerbara laboratorieprocesser skiljer verkliga kemiska misslyckanden från testavvikelser.
- AI kortade en experimentdesignuppgift från sex veckor till åtta minuter men forskare designar och bedömer fortfarande experiment.
Mathias Ingvarsson är grundare och vd för Holyvolt, som han startade 2022 för att utforska nya sätt att utveckla batteriteknik. Hans karriär omfattar Tempur-Pedics internationella expansion och entreprenörsverksamhet inom flera branscher. På Holyvolt fokuserar han på att förena vetenskaplig expertis, experimentella data och tillverkningskapacitet för att påskynda utvecklingen av batterimaterial, bland annat genom förvärvet av Wildcat Discovery Technologies.
Holyvolt utvecklar teknik för energiproduktion och energilagring genom att kombinera materialupptäckt med hög genomströmning och precisionsbaserad screentryckning för tillverkning. Genom Wildcat Discovery Technologies kopplar företagets plattform för batteriforskning samman laboratorieexperiment, historiska testdata och AI-stödd materialutveckling. I den här intervjun berättar Ingvarsson hur forskare använder maskininlärning tillsammans med fysiska experiment, varför misslyckade formuleringar kan vara värdefulla data och vad som krävs för att gå från snabbare prognoser till validerade material och skalbar produktion.
Din karriär omfattar Tempur-Pedics internationella expansion och flera entreprenörsprojekt. Vad fick dig att grunda Holyvolt 2022, och vilken möjlighet inom batteriteknik övertygade dig om att starta ett företag i en så tekniskt krävande bransch?
Jag har byggt företag inom allt från madrasser till underkläder, så batterier kan verka som ett ovanligt nästa steg. Men jag har alltid dragits till branscher där jag ser möjligheter som andra missar.
Jag visste väldigt lite om batterikemi när jag startade Holyvolt, och jag tror faktiskt att det hjälpte. Ibland är det en superkraft att inte känna till alla skäl till att något inte går att göra. Jensen Huang har sagt att om han hade vetat hur svårt det skulle vara att bygga Nvidia, hade han förmodligen inte satt i gång. Det kan jag känna igen mig i.
Det jag såg var en västerländsk batteriindustri som försökte slå Kina i ett spel som Kina redan hade vunnit. Branschen investerade miljarder i att försöka kopiera teknik som Kina hade ägnat årtionden åt att finslipa. Jag kunde inte förstå varför vi inte lade samma energi på att utveckla något bättre. Batterier kommer att driva nästan allt omkring oss, och jag såg en enorm möjlighet att tänka om kring hur vi utvecklar dem. Det var det som fick mig att starta Holyvolt.
När du undersökte möjligheten att förvärva Wildcat, vad övertygade dig om att företagets experimenthistorik kunde bli grunden för en AI-plattform för upptäckter? Vad behövde du fastställa om data utöver dess blotta omfattning?
Den enorma datamängden fångade genast min uppmärksamhet. Över 500 000 battericeller hade testats under 18 år, med 165 miljoner cykler. Ju mer vi undersökte materialet, desto mer imponerades vi av experimentens noggrannhet och de genombrott Wildcat redan hade åstadkommit. Sådana data, som samlats in konsekvent under årtionden, är otroligt svåra att återskapa.
Jag är ingen batteriforskare, så jag tog in personer med betydligt större kunskap än jag. Experter på batterier, AI och materialvetenskap kom för att se laboratoriet och blev, ärligt talat, helt tagna av det.
Sedan ser man vilka företag som vänder sig till Wildcat, däribland BMW och andra världsledande företag i hela värdekedjan. Det här är företag med enorma FoU-budgetar och några av världens främsta forskare, och ändå vände de sig till Wildcat för att få hjälp. För mig var det det yttersta beviset. Jag blev övertygad om att Wildcat hade byggt världens mest eftertraktade plattform för batteriutveckling. Och jag tror att vi med AI bara har börjat förstå vad plattformen kan göra.
Misslyckade experiment är en central del av ert dataövertag. Kan du ge ett exempel på vad en modell kan lära sig av en misslyckad batteriformulering, och hur skiljer teamet åt ett betydelsefullt kemiskt misslyckande från problem med hur experimentet genomfördes?
Misslyckanden är en del av kemin. Så har vetenskapen gjort framsteg i hundratals år. Man prövar något, det fungerar inte, man lär sig av det och försöker igen. AI behöver lära sig på samma sätt.
Vi har genomfört batteriexperiment med hög genomströmning i 18 år, så våra data omfattar allt från misslyckade formuleringar till material som vi framgångsrikt har optimerat. Det är oerhört värdefullt när en modell tränas.
Ta litium-metallbatterier. Till skillnad från traditionella grafitbatterier kan de drabbas av ett plötsligt kapacitetsfall som är mycket svårt att förutsäga. Vi har utvecklat maskininlärningsmodeller med hjälp av verkliga data från battericykling och olika elektrolytsammansättningar, elektrodutformningar och testprotokoll för att förutsäga när ett sådant fall kan inträffa.
Våra första modeller kan förutsäga de här kapacitetsfallen med rimlig säkerhet. Nu utformar vi mer riktade experiment och testar batterier under olika förhållanden för att förfina prognoserna.
Naturligtvis är de uppgifterna bara värdefulla om vi kan lita på resultaten. Vi har ägnat flera år åt att förfina våra laboratorieprocesser för att göra experimenten mycket reproducerbara och minimera felen. Vi utför också samma experiment flera gånger, så att vi kan avgöra om ett dåligt resultat beror på ett verkligt problem med materialet eller på en avvikelse i testprocessen. På så sätt lär vi inte våra modeller felaktiga slutsatser utifrån ett enstaka, icke-representativt resultat.
Kan du beskriva en upptäcktscykel, från det att en modell föreslår ett material till att laboratoriet testar det och resultaten förs tillbaka in i modellen? Vilka beslut fattar AI:n, och var är forskarens omdöme fortfarande avgörande?
Det börjar med våra forskare. De utformar ett experiment utifrån vad de vill ta reda på, och vår plattform för experiment med hög genomströmning genomför testerna. Därefter använder våra maskininlärningsingenjörer de första uppgifterna för att bygga en modell och se om den kan förutsäga resultaten av framtida experiment.
Sedan testar vi förutsägelserna i laboratoriet. Om resultaten stämmer överens får vi större förtroende för modellen och kan använda den för att utvärdera nya materialsammansättningar. Om de inte gör det undersöker våra forskare varför. Ibland behöver modellen mer data, vilket innebär att vi måste utforma helt nya experiment eller testa under andra förhållanden. Vi för tillbaka resultaten till modellen, förfinar den och upprepar processen.
Det finns stor entusiasm kring AI som självständigt upptäcker nya material, men vi är försiktiga med vad vi hävdar. I det här skedet är det fortfarande våra forskare som utformar experimenten och fattar de viktigaste besluten. AI hjälper oss att göra förutsägelser, medan laboratoriet visar om de faktiskt håller. Genom att kombinera våra forskares expertis med AI har vi redan kunnat minska tiden som krävs för vissa uppgifter inom experimentutformning avsevärt – från veckor till bara minuter.
En historisk datauppsättning speglar de material som forskare tidigare har valt att undersöka. Hur hindrar ni modellerna från att hålla sig till de välbekanta områdena, och avgör ni när en obekant kemi är tillräckligt lovande för att motivera fysiska tester?
Det är precis rätt fråga, och det är därför jag anser att vårt laboratorium är ännu mer värdefullt än vår datauppsättning.
En modell lär sig av de data den får, så naturligtvis är den mer tillförlitlig när den förutsäger sådant den redan har sett. Den verkliga möjligheten ligger i att använda AI för att utforska helt nya områden inom kemin, där historiska data kanske saknas.
Det är där vår plattform för experiment med hög genomströmning ger oss ett enormt försprång. Vi kan snabbt ta fram nya, tillförlitliga experimentella data för hundratals formuleringar och därmed ge modellerna ett underlag att lära sig av även inom obekanta områden av kemin.
Eftersom vi kan testa förutsägelser i laboratoriet, föra tillbaka resultaten till modellerna och upprepa processen kan vi dessutom kontinuerligt förbättra deras träffsäkerhet. Varje experiment gör nästa förutsägelse mer välgrundad.
Jag anser att det är vår största konkurrensfördel. Vi har 18 års historiska data, men vi begränsas inte av dem. Vi kan ta fram de nya data vi behöver för att utforska kemiska system som inte har undersökts grundligt tidigare.
Hur mäter ni den förbättring som specifikt kan tillskrivas AI, utöver vad automatiserade experiment med hög genomströmning redan ger? Vilka jämförelser visar att modellerna hittar bättre kandidater eller minskar antalet experiment som behövs för att nå ett användbart resultat?
Det är faktiskt en svår fråga, eftersom vetenskapliga upptäckter är ett lagarbete.
Tänk dig en grupp forskare som diskuterar ett problem och kommer med idéer. En person kanske till slut hittar lösningen, men idén kan ha vuxit fram efter flera timmars diskussion med alla andra i rummet. Vem får äran?
Jag tycker att vi bör se på AI på ett liknande sätt. Den är ytterligare en medlem av forskargruppen. Den kan hjälpa forskare att snabbare hitta relevant information, upptäcka mönster i experimentella data och förstå ett problem på djupet.
Vår plattform för experiment med hög genomströmning ger oss redan ett enormt försprång när det gäller hur snabbt vi kan genomföra experiment. Nu arbetar vi med att förstå hur mycket mer AI kan hjälpa oss att åstadkomma. Jag vill inte nämna en siffra som vi inte kan styrka ordentligt. Det viktiga är om vi hjälper våra forskare att nå bättre svar med mindre tidsåtgång och färre experiment.
Batteriutveckling innebär målkonflikter mellan bland annat energitäthet, livslängd i antal laddningscykler, säkerhet, kostnad och tillverkningsbarhet. Hur omvandlar ni dessa avvägningar till mål för AI:n, och kan en ändrad avsedd användning leda den mot helt andra material?
Det beror verkligen på vad batteriet ska användas till. Ett batteri för en drönare har helt andra krav än ett som ska användas i ett elfordon. I en tillämpning kan energitäthet vara viktigast, medan livslängd i antal laddningscykler eller kostnad kan prioriteras i en annan.
Vi kan definiera målen ganska tydligt. Energitäthet, livslängd i antal laddningscykler, säkerhet och kostnad går alla att mäta, så vi kan ge modellen specifika prestandamål utifrån tillämpningen.
Det svåra är att utifrån dessa mål arbeta bakåt för att hitta ett material som faktiskt kan uppfylla dem.
Att ändra tillämpningen kan definitivt påverka vilka material vi undersöker. Men våra forskare måste fortfarande avgöra vilka kemiska sammansättningar som är lovande, utforma experimenten och testa om materialen kan uppfylla prestandamålen.
Holyvolt för nickel- och koboltfria katodmaterial med oordnad bergsaltstruktur mot kommersialisering. Vilken roll har AI spelat i utvecklingen, och vilka återstående hinder kräver lösningar inom tillverkning eller teknik utöver materialupptäckt?
DRX är ett utmärkt exempel på varför vårt arbetssätt är viktigt. Det finns ett enormt antal möjliga materialkombinationer, och att testa dem en i taget skulle ta flera år.
På Holyvolt gör vår plattform för experiment med högt genomflöde det möjligt för oss att snabbt testa hundratals olika formuleringar och förstå hur förändringar i den kemiska sammansättningen påverkar energitäthet, spänning, batteriets livslängd och prestanda. Vi har kunnat identifiera lovande material mycket snabbare än vad traditionella forskningsmetoder skulle tillåta.
Nu kombinerar vi dessa experimentella data med maskininlärning för att identifiera mönster och hjälpa våra forskare att avgöra vilka formuleringar de ska undersöka härnäst. Ju mer vi testar, desto mer lär vi oss och desto bättre kan vi vägleda framtida experiment.
Vi gör redan framsteg mot produktion i kommersiell skala, och en av våra största fördelar är att vi använder väletablerade tillverkningsprocesser. Vi behöver inte utveckla helt ny utrustning eller uppfinna nya sätt att tillverka dessa material. Vårt fokus ligger på att skala upp produktionen tillsammans med våra partner, samtidigt som vi upprätthåller jämn prestanda och konkurrenskraftiga kostnader.
Du har hävdat att proprietära forskningsdata kan vara en starkare konkurrensfördel än själva modellerna. Vad gör att den fördelen växer över tid, och hur förenar ni lärande från olika kundprojekt med att skydda varje kunds konfidentiella forskning och immateriella rättigheter?
Några av de mest kraftfulla AI-modellerna som finns tillgängliga i dag har öppen källkod, och de blir bara bättre. Men man kan inte bara ladda ner 18 års batteriforskning. Det är det som gör våra data så värdefulla.
På Holyvolt har vi testat fler än 500 000 battericeller under fler än 165 miljoner cykler. Vi vet vilka material som användes, hur de bearbetades, hur de presterade och var de gick sönder. Och eftersom vi har följt konsekventa testmetoder under alla dessa år kan vi faktiskt jämföra resultaten. Det är oerhört svårt för någon annan att återskapa.
Varje experiment lär oss något. Den kunskapen hjälper oss att förbättra våra modeller, göra bättre prognoser och avgöra vad vi ska testa härnäst. Ju fler experiment vi genomför, desto mer värdefull blir denna kunskapsgrund.
Vi samarbetar också med några av världens ledande företag, som anförtror oss känslig forskning. Vi tar det ansvaret på stort allvar och har infört kraftfulla skyddsåtgärder för att värna konfidentiell information och immateriella rättigheter.
När ni vidareutvecklar plattformen, vad är det största hindret för snabbare upptäckter i dag: modellernas kapacitet, experimentkapaciteten, tiden det tar att validera batteriets livslängd eller något annat? Vilken mätbar milstolpe under de kommande två åren skulle visa att AI förändrar de ekonomiska förutsättningarna för batteriutveckling?
Jag tror att den största flaskhalsen i dag är den tid forskarna lägger på att utforma experiment och analysera resultaten.
Tänk på den traditionella processen. En forskare ställer en fråga, utformar ett experiment, genomför testerna, analyserar data och avgör sedan vad som ska prövas härnäst. Vi har redan automatiserat stora delar av de fysiska testerna med hjälp av vår plattform för experiment med högt genomflöde, men tankearbetet mellan dessa steg tar fortfarande oerhört mycket tid.
Nyligen tillämpade vi en relativt enkel AI-modell på en del av processen för experimentutformning. Något som vanligtvis skulle ta sex veckor tog åtta minuter. Det är ett enastående resultat som visar vad som är möjligt.
Men att påskynda utformningen av experiment är bara början. I takt med att AI hjälper oss att snabbare identifiera vad vi ska testa behöver vi också öka takten för hur snabbt vi kan genomföra experimenten. Därför planerar vi att utöka laboratoriekapaciteten och investera i ytterligare automatisering.
Under de kommande två åren vill jag se oss påtagligt påskynda hela upptäcktsprocessen, från den första idén till ett validerat material. Om vi kan kombinera snabbare beslutsfattande med möjligheten att genomföra fler experiment kan vi utforska nya kemiska sammansättningar i en takt som helt enkelt inte var möjlig tidigare. Det är så AI i grunden kan förändra de ekonomiska förutsättningarna för batteriutveckling.
Tack för en givande intervju. Läsare som vill veta mer om batterimaterial, experiment med högt genomflöde och AI-baserad utveckling av energiteknik kan besöka Holyvolt.












