Taku Watanabe, VP och chef för US-operations, Matlantis – Intervjuserie

Taku Watanabe, VP och chef för US-operations, Matlantis, är en materialvetenskaps- och AI-specialist med en karriär som omfattar avancerad batteriforskning, beräkningsbaserad modellering och global teknisk ledning. Han leder för närvarande Matlantis expansion i USA från Cambridge, Massachusetts, och fungerar också som principal researcher och chef för global kundframgång, som kopplar samman avancerad materialinformatik med verkliga industriella användningsfall. Innan han gick med i Matlantis hade han seniora roller på Samsung R&D Institute Japan med fokus på all-fast-batteriutveckling, och tidigare genomförde han postdoktorala studier vid Georgia Institute of Technology efter att ha slutfört avancerade studier i simuleringsprogramvara vid University of Florida. Hans karriär kretsar konsekvent kring att kombinera maskinlärning, fysikbaserad simulering och materialvetenskap för att påskynda innovation inom energi och avancerade material.

Matlantis är ett AI-drivet materialinformatikföretag som fokuserar på att omvandla hur nya material upptäcks och utvecklas genom höghastighetsatomistisk simulering. Deras molnbaserade plattform möjliggör för forskare att modellera molekylära och kristallbeteenden med både hög noggrannhet och hastighet, vilket minskar processer som tidigare tog månader till sekunder. Byggt på maskinlärningsinteratomiska potentialer och beräkningskemi, möjliggör plattformen för forskare att utforska stora materialkombinationer utan traditionella experimentella begränsningar, vilket stöder industrier som halvledare och energilagring. Grundat 2021 genom ett samarbete mellan Preferred Networks och ENEOS, positionerar sig Matlantis som en kärnlager i skiftet mot AI-först materialupptäckt och digital R&D-arbetsflöde.

Du har tillbringat din karriär vid skärningspunkten mellan materialvetenskap, simulering och maskinlärning, från batteriforskning på Samsung till materialinformatik på ENEOS och nu leder du US-operations på Matlantis. Vilka nyckelmoment övertygade dig om att AI-driven simulering skulle omvandla materialupptäckt på ett grundläggande sätt?

Den vändpunkt för mig var när jag insåg att den verkliga flaskhalsen i materialupptäckt var vår begränsade förmåga att utforska tillräckligt med kandidater. I mitt arbete med batterimaterial och senare inom materialinformatik kunde vi generera högkvalitativa insikter med metoder som täthetsfunktionsteori (DFT), men bara över en liten uppsättning möjligheter på grund av kostnads- och tidsbegränsningar.

Det som förändrades var uppkomsten av maskinlärningspotentialer som kunde bevara nära kvantnivå noggrannhet samtidigt som de dramatiskt ökade beräkningsgenomströmningen. Detta låste upp två viktiga skift.

För det första möjliggjorde det accelererad trial-and-error med hög trohet. Forskare kan nu köra betydligt fler kandidatutvärderingar per tidsenhet utan att offra noggrannhet, vilket grundläggande förändrar takten och omfattningen av utforskningen. För det andra skapade det en ny grund för datavetenskap inom materialupptäckt, eftersom den nivån av genomströmning genererar den volym av högkvalitativa data som behövs för att göra maskinlärningsmetoder verkligen effektiva.

Matlantis har nyligen integrerats med NVIDIA:s ALCHEMI Toolkit för att möjliggöra industriell skala simulering. Från din synvinkel, vilka specifika flaskhalsar tar denna integration bort, och hur förändrar det vad R&D-lag kan realistiskt uppnå idag?

Integreringen tar bort en grundläggande missmatch mellan AI-drivna potentialer och den infrastruktur de förlitar sig på. Medan modeller som PFP är inneboende GPU-accelererade, har viktiga delar av simuleringens arbetsflöde, som exempelvis orkestrering, traditionellt förblivit CPU-bundna eller löst anslutna över olika verktyg. Detta skapar ineffektiviteter i dataförflyttning och begränsar skalbarhet genom att introducera friktion när stora eller distribuerade arbetsbelastningar körs.

ALCHEMI adresserar detta genom att utöka GPU-acceleration över hela simuleringstacken, byggande på tidigare integration med NVIDIA Warp-optimiserade kärnor och nu flyttar in i ALCHEMI Toolkit-Ops för produktionsklasskörning. Resultatet är snabbare beräkning och en mer sammanhållen, AI-nativ simuleringmiljö som kan operera tillförlitligt på industriell skala.

Den meddelandet betonar LightPFP och kommande PFP-integration med ALCHEMI. Hur förbättrar dessa utvecklingar skalbarhet och stabilitet jämfört med traditionella atomistiska simulationspipelines?

LightPFP adresserar en nyckelflaskhals i atomistisk simulering: den kommunikationsöverbelastning som krävs för grannlistkonstruktion i distribuerade system. Genom att ersätta detta steg under inferens med NVIDIA ALCHEMI Toolkit-Ops, minskar det inter-nodkommunikationen. Detta gör storskaliga simuleringar både snabbare och mer stabila.

Full PFP-integration utökar dessa fördelar till en universell modell, vilket är viktigt eftersom traditionella pipelines ofta kämpar för att skala konsekvent över olika materialsystem och beräkningsmiljöer. Tillsammans förbättrar dessa utvecklingar både skalbarhet och tillförlitlighet, vilket möjliggör simulering att flytta från isolerade forskningsanvändningsfall till kontinuerlig, industriell skala utan de typiska kompromisserna mellan prestanda och stabilitet.

Matlantis är byggt på Preferred Potential (PFP), tränat på tiotals miljoner kvantnivåberäkningar. Hur skiljer sig denna data-drivna ansats från konventionell fysikbaserad simulering, och var levererar den största prestandaförbättringarna?

Konventionell simulering beräknar interaktioner direkt från första principer varje gång, vilket är exakt men beräkningsmässigt dyrt. PFP lär sig istället från en stor uppsättning kvantberäkningar och tillämpar den kunskapen under inferens. De största prestandaförbättringarna kommer i arbetsflöden som kräver upprepade utvärderingar över många kandidater, som exempelvis materialskärning eller utforskning av materialkomposition. Istället för att vara begränsad till en handfull system kan forskare utvärdera tusentals kandidater samtidigt som de upprätthåller meningsfull noggrannhet.

En av de mest övertygande påståendena är att uppnå nära DFT-noggrannhet vid massivt accelererad hastighet. I praktiska termer, hur förändrar detta sättet företag närmar sig experiment, prototypering och tid till marknad?

Traditionellt har DFT varit guldstandarden för noggrannhet, men idag begränsar dess beräkningskostnad hur brett det kan tillämpas; R&D-lag har förlitat sig tungt på trial-and-error-experiment och använt DFT selektivt för validering. Nära-DFT-noggrannhet vid massivt accelererad hastighet tar bort denna begränsning.

Istället för att använda DFT för att analysera ett fåtal kandidater efter experiment, kan företag nu omedelbart approximera den nivån av insikt över tusentals möjligheter. Detta tillåter dem att begränsa det beräkningsbaserade sökområdet innan de engagerar sig i fysiska resurser. Resultatet är färre misslyckade experiment, mer riktad prototypering och betydligt snabbare iterationscykler, vilket slutligen minskar tiden till marknad medan förtroendet för vad som driver produktionen framåt ökar.

Vi ser en övergång mot simulering-först-upptäckt över hela branscher som halvledare, batterier och kemikalier. Vad ser en fullständigt simulering-först R&D-arbetsflöde ut som i en modern företagsmiljö?

En simulering-först-arbetsflöde börjar med att fästa R&D runt önskade resultat snarare än fördefinierade material. Lag identifierar sina mål och utmaningar och skärmar sedan stora antal materialkandidater i stor skala med hjälp av optimering, stabilitet och alltmer, utforskning av hela kemiska eller kristallrum.

Detta är en interaktiv process. Simuleringsresultat informerar kontinuerligt om nästa uppsättning kandidater, snabbt begränsar designutrymmet. När material flyttas in i valideringsfasen har de redan filtrerats genom flera beräkningslager, vilket betydligt minskar slöseri med ansträngning.

Den verkliga förändringen är dock organisatorisk. Simulering flyttar bortom en nischförmåga till att bli ett centralt beslutsfattande lager. Det vägleder vilka experiment som körs, hur resurser allokeras och hur lag prioriterar sina prioriteringar. Över tiden skapar detta ett slutet system där simulering och experiment förstärker varandra, vilket möjliggör för lag att utforska fler möjligheter samtidigt som de förblir fokuserade på de mest livskraftiga vägarna.

Som AI blir central för materialvetenskap, är infrastruktur som beräkning, GPU och programvarustack alltmer kritisk. Varför är infrastruktur nu den begränsande faktorn snarare än modellinnovation ensam?

För att många organisationer har starka modeller, men kämpar med fragmenterade arbetsflöden och begränsad tillgång till beräkning. Att behandla AI som ett verktyg som läggs till på äldre system leder till isolerad experimentering, och den begränsande faktorn har skiftat till infrastruktur och hur effektivt organisationer kan integrera beräkning och simuleringsdata i ett enda, enhetligt system.

Matlantis används redan över hela branscher, från energi till avancerad tillverkning. Vilka användningsfall ser den snabbaste avkastningen på investeringen idag, och var ser du den nästa vågen av genombrott?

Den snabbaste avkastningen på investeringen är i områden där experimentcykler är dyra och designutrymmet är stort, som exempelvis batterimaterial, katalysatorer och halvledarrelaterade material. I dessa domäner skapar eliminering av icke livskraftiga kandidater tidigt omedelbar värde.

Till exempel hade kemitillverkaren Kuraray en tidigare en valideringsprocess som tog två till tre år men reducerades till bara en och en halv månad med hjälp av Matlantis. I en enda simuleringskampanj utvärderades 13 föreslagna katalysatorförbättringar och alla bedömdes som icke livskraftiga, vilket sparade år av experimentell ansträngning på döda idéer.

Att se framåt, kommer den nästa vågen av genombrott från konvergensen av simulering och experiment, inte från att förbättra dem i isolering. Idag finns fortfarande en tydlig gräns mellan de två, och de behandlas vanligtvis som sekventiella steg snarare än en enhetlig strategi.

Men den gränsen börjar upplösas. Med framsteg inom höghastighetssimulering och maskinlärning ser vi uppkomsten av slutna upptäcktsystem där simulering vägleder experiment i realtid, och experimentella data konsistent matas tillbaka in i modeller. När dessa system mognar, kommer upptäckt att bli kontinuerlig. Den konvergensen, där simulering, AI och experiment fungerar som ett enhetligt system, är där nästa generations genombrott kommer att drivas.

Din roll omfattar både djup teknisk forskning och global kundframgång. Vilka nya kompetenser tror du att nästa generation av forskare och ingenjörer måste utveckla för att förbli konkurrenskraftiga i AI-drivna R&D-miljöer?

Den viktigaste kompetensen som nästa generation behöver förstärka är förmågan att verka över discipliner. Forskare kräver stark domänkompetens och förmåga att arbeta med data-drivna modeller, skalbara simuleringsplattformar och iterativa arbetsflöden. Likaså viktigt är att förstå hur simulering och data-experiment kopplar samman inom en större upptäcktsprocess.

Nästa generation kommer att definieras inte bara av vad de vet, utan av hur effektivt de kan integrera och tillämpa den kunskapen inom moderna R&D-miljöer.

Att se framåt, när AI-driven simulering närmar sig realtidsmaterialupptäckt, hur nära är vi en värld där hela klasser av material designas, valideras och optimeras helt in silico innan något fysiskt experiment genomförs, och vad betyder det för innovationens framtid?

Vi närmar oss den förmågan i specifika domäner, men inte ännu universellt. För många system kan simulering redan eliminera stora delar av designutrymmet och identifiera högt lovande kandidater innan något experiment genomförs.

Men att fullständigt fånga den verkliga komplexiteten, som exempelvis syntetiska förhållanden och skaleffekter, förblir utmanande. Som ett resultat utvecklas experimentrollen. Istället för att fungera som det primära utforskningssättet, blir experiment mer riktade och ändamålsenliga, fokuserade på validering och förfining av de mest lovande beräkningsbaserade resultaten. De flesta tidiga ansträngningar i upptäckt flyttar in i simulering, vilket tillåter fysisk testning att fungera med betydligt större precision och effektivitet. Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Matlantis.