ทากุ วาตานาเบะ, VP และหัวหน้าการดำเนินงานในสหรัฐฯ, Matlantis – ซีรีส์สัมภาษณ์

ทากุ วาตานาเบะ, VP และหัวหน้าการดำเนินงานในสหรัฐฯ, Matlantis, เป็นผู้เชี่ยวชาญด้านวัสดุศาสตร์และ AI ที่มีประสบการณ์ยาวนานในด้านการวิจัยแบตเตอรี่ขั้นสูง, การสร้างแบบจำลองเชิงคำนวณ, และการเป็นผู้นำด้านเทคโนโลยีระดับโลก ปัจจุบันเขานำทีม Matlantis ในการขยายธุรกิจในสหรัฐฯ จากเมืองเคมบริดจ์, รัฐแมสซาชูเซตส์, ในขณะเดียวกันก็เป็นนักวิจัยหลักและหัวหน้าฝ่ายความสำเร็จของลูกค้าทั่วโลก โดยเชื่อมโยงวัสดุศาสตร์ขั้นสูงกับกรณีการใช้งานในอุตสาหกรรมจริง ก่อนที่จะเข้าร่วม Matlantis เขา曾ดำรงตำแหน่งผู้บริหารระดับสูง tại Samsung R&D Institute Japan ซึ่งมุ่งเน้นในการพัฒนาแบตเตอรี่แบบ all-solid-state และก่อนหน้านั้นได้ทำการวิจัยหลังปริญญาเอกที่ Georgia Institute of Technology หลังจากสำเร็จการศึกษาระดับบัณฑิตศึกษาในด้านซอฟต์แวร์จำลองที่ University of Florida อาชีพของเขามักจะเน้นไปที่การผสมผสานการเรียนรู้ของเครื่อง, การจำลองเชิงฟิสิกส์, และวัสดุศาสตร์ เพื่อเร่งนวัตกรรมในด้านพลังงานและวัสดุขั้นสูง

Matlantis เป็นบริษัทวัสดุศาสตร์ขั้นสูงที่ขับเคลื่อนด้วย AI ซึ่งมุ่งเน้นในการปฏิวัติวิธีการค้นพบและพัฒนาวัสดุใหม่ๆ ผ่านการจำลองแบบอะตอมมิกแบบความเร็วสูง แพลตฟอร์มบนคลาวด์ของพวกเขาทำให้นักวิจัยสามารถสร้างแบบจำลองพฤติกรรมของโมเลกุลและคริสตัลได้ด้วยความแม่นยำและความเร็วสูง โดยลดกระบวนการที่เคยใช้เวลาหลายเดือนลงเหลือเพียงวินาที แพลตฟอร์มนี้สร้างขึ้นบนพื้นฐานของพอทенเชียลระหว่างอะตอมที่ใช้การเรียนรู้ของเครื่องและเคมีเชิงคำนวณ ทำให้นักวิทยาศาสตร์สามารถสำรวจการผสมผสานวัสดุได้โดยไม่มีข้อจำกัดด้านการทดลองแบบดั้งเดิม โดยสนับสนุนอุตสาหกรรมต่างๆ เช่น เซมิคอนดักเตอร์และการเก็บพลังงาน บริษัทก่อตั้งขึ้นในปี 2021 ผ่านการร่วมมือระหว่าง Preferred Networks และ ENEOS Matlantis กำลังตั้งตำแหน่งตัวเองเป็นชั้นกลางในการเปลี่ยนแปลงสู่การค้นพบวัสดุโดยใช้ AI และการทำงานวิจัยและพัฒนาดิจิทัล

คุณได้ใช้เวลาอาชีพของคุณที่จุดตัดระหว่างวัสดุศาสตร์, การจำลอง, และการเรียนรู้ของเครื่อง, ตั้งแต่การวิจัยแบตเตอรี่ที่ Samsung ไปจนถึงวัสดุศาสตร์ขั้นสูง tại ENEOS และตอนนี้เป็นผู้นำการดำเนินงานในสหรัฐฯ ที่ Matlantis อะไรคือช่วงเวลาสำคัญที่ทำให้คุณเชื่อว่าการจำลองที่ขับเคลื่อนด้วย AI จะเปลี่ยนแปลงการค้นพบวัสดุอย่างลึกซึ้ง?

จุดเปลี่ยนสำหรับฉันคือการรับรู้ว่าปัญหาจริงในด้านการค้นพบวัสดุคือความสามารถที่จำกัดของเราในการสำรวจผู้สมัครที่เพียงพอ ในงานของฉันเกี่ยวกับวัสดุแบตเตอรี่และต่อมาในวัสดุศาสตร์ขั้นสูง เราสามารถสร้างข้อมูลเชิงลึกที่มีคุณภาพสูงโดยใช้วิธีการเช่นทฤษฎีของฟังก์ชันความหนาแน่น (DFT) แต่เพียงผู้สมัครที่จำกัดเนื่องจากข้อจำกัดด้านต้นทุนและเวลา

สิ่งที่เปลี่ยนแปลงคือการเกิดขึ้นของพอทенเชียลที่ใช้การเรียนรู้ของเครื่องซึ่งสามารถรักษาความแม่นยำใกล้เคียงกับระดับควอนตัมได้ ในขณะเดียวกันก็เพิ่มความสามารถในการคำนวณอย่างมาก สิ่งนี้ปลดล็อกการเปลี่ยนแปลงที่สำคัญสองประการ

ประการแรก มันทำให้สามารถทดลองและลองผิดลองถูกได้รวดเร็วขึ้น โดยไม่สูญเสียความแม่นยำ นักวิจัยสามารถประเมินผู้สมัครได้มากขึ้นในเวลาเดียวกัน โดยไม่ต้องเสียสละความแม่นยำ ซึ่งเปลี่ยนแปลงพื้นฐานของการสำรวจและความเร็วในการค้นพบ

ประการที่สอง มันสร้างรากฐานใหม่สำหรับวิทยาศาสตร์ข้อมูลในการค้นพบวัสดุ เนื่องจากความสามารถในการคำนวณในระดับนั้นจะสร้างปริมาณข้อมูลที่มีคุณภาพสูงเพียงพอที่จะทำให้แนวทางการเรียนรู้ของเครื่องมีประสิทธิภาพ

Matlantis ได้บูรณาการกับ NVIDIA’s ALCHEMI Toolkit เพื่อเพิ่มความสามารถในการจำลองแบบอุตสาหกรรม เมื่อพิจารณาจากมุมมองของคุณ อะไรคืออุปสรรคที่การบูรณาการนี้กำจัดไป และมันเปลี่ยนแปลงสิ่งที่ทีมวิจัยและพัฒนาสามารถทำได้ในปัจจุบันอย่างไร?

การบูรณาการนี้กำจัดความไม่เข้ากันระหว่างพอทенเชียลที่ขับเคลื่อนด้วย AI และโครงสร้างพื้นฐานที่พวกเขาต้องอาศัย ในขณะที่โมเดลเช่น PFP มีการเร่งความเร็วโดย GPU อย่างแท้จริง ส่วนสำคัญของการทำงานจำลอง เช่น การจัดระเบียบ, มักยังคงถูกผูกไว้กับ CPU หรือเชื่อมต่อระหว่างเครื่องมือต่างๆ อย่างหลวมๆ สิ่งนี้สร้างความไม่มีประสิทธิภาพในการเคลื่อนย้ายข้อมูลและจำกัดความสามารถในการปรับขนาดโดยการแนะนำความเสี่ยงเมื่อทำงานกับงานขนาดใหญ่หรือกระจาย

ALCHEMI จัดการกับปัญหานี้โดยการขยายการเร่งความเร็วของ GPU ไปยังทุกส่วนของการทำงานจำลอง โดยสร้างบนการบูรณาการก่อนหน้านี้กับ NVIDIA Warp-optimized kernels และตอนนี้ขยายไปสู่ ALCHEMI Toolkit-Ops สำหรับการดำเนินงานระดับอุตสาหกรรม ผลลัพธ์คือการคำนวณที่เร็วขึ้นและสภาพแวดล้อมการจำลองที่สอดคล้องกันและเป็นมิตรกับ AI มากขึ้น ซึ่งสามารถทำงานได้อย่างน่าเชื่อถือในระดับอุตสาหกรรม

สิ่งที่ทำให้สิ่งนี้สำคัญยิ่งขึ้นในขณะนี้คือการเปลี่ยนแปลงจากวิสัยทัศน์ของแพลตฟอร์มไปสู่การนำไปใช้จริง ด้วยความสามารถเช่น LightPFP ที่ทำให้สามารถจำลองได้ที่ระดับของอัตโตมหลายแสนตัว และการอนุมานที่เร็วขึ้น การจำลองอะตอมมิกที่ขับเคลื่อนด้วย AI สามารถใช้ได้จริงในกระบวนการผลิต

สำหรับทีมวิจัยและพัฒนา สิ่งนี้เปลี่ยนแปลงบทบาทของการจำลองแบบทั้งหมด แทนที่จะใช้แบบจำลองอย่างเลือกสรร มันสามารถฝังตัวเข้ากับการตัดสินใจประจำวัน โดยกำหนดว่าวัสดุใดที่จะถูกจัดลำดับความสำคัญในระยะแรกของการพัฒนา

ประกาศข่าวการบูรณาการนี้ เน้นถึง LightPFP และการบูรณาการ PFP ที่กำลังจะเกิดขึ้นกับ ALCHEMI การพัฒนานี้ปรับปรุงความสามารถในการปรับขนาดและเสถียรภาพเมื่อเทียบกับพายพานการจำลองอะตอมมิกแบบดั้งเดิมอย่างไร?

LightPFP จัดการกับอุปสรรคสำคัญในการจำลองอะตอมมิก: โอเวอร์เฮดในการสื่อสารที่จำเป็นสำหรับการสร้างรายการเพื่อนบ้านในระบบที่กระจาย โดยการแทนที่ขั้นตอนนี้ระหว่างการอนุมานด้วย NVIDIA ALCHEMI Toolkit-Ops มันลดการสื่อสารระหว่างโหนด ทำให้การจำลองขนาดใหญ่เร็วขึ้นและเสถียรขึ้น

เมื่อรวมกับโครงสร้างแบบเซิร์ฟเวอร์แล้ว มันทำให้การจำลองสามารถปรับขนาดได้อย่างมีประสิทธิภาพมากขึ้น ในขณะเดียวกันก็ลดความซับซ้อนของโครงสร้างพื้นฐานและความซับซ้อนในการดำเนินงาน

การบูรณาการ PFP เต็มรูปแบบขยายข้อดีเหล่านี้ไปยังโมเดลที่เป็นสากล ซึ่งสำคัญเพราะว่าพายพานแบบดั้งเดิมมักจะดิ้นรนในการปรับขนาดอย่างสม่ำเสมอข้ามระบบวัสดุและสภาพแวดล้อมการคำนวณต่างๆ เมื่อรวมกันแล้ว การพัฒนานี้ปรับปรุงทั้งความสามารถในการปรับขนาดและความน่าเชื่อถือ ทำให้การจำลองสามารถเปลี่ยนจากกรณีการใช้งานการวิจัยที่แยกจากกันไปสู่การนำไปใช้ระดับอุตสาหกรรมอย่างต่อเนื่องโดยไม่ต้องแลกเปลี่ยนระหว่างประสิทธิภาพและเสถียรภาพ

Matlantis สร้างขึ้นบน Preferred Potential (PFP) ที่ฝึกอบรมจากคำนวณระดับควอนตัมหลายสิบล้านครั้ง วิธีการที่ขับเคลื่อนด้วยข้อมูลนี้แตกต่างจากการจำลองเชิงฟิสิกส์แบบดั้งเดิมอย่างไร และมันให้ผลการทำงานที่ดีกว่าในด้านใด?

การจำลองแบบดั้งเดิมคำนวณการโต้ตอบโดยตรงจากหลักการแรกทุกครั้ง ซึ่งเป็นเรื่องแม่นยำแต่ต้องใช้คำนวณมาก PFP แทนการเรียนรู้จากชุดข้อมูลขนาดใหญ่ของการคำนวณระดับควอนตัมและใช้ความรู้นั้นระหว่างการอนุมาน ความสามารถในการทำงานที่ดีกว่ามากที่สุดมาจากกระบวนการที่ต้องประเมินผู้สมัครหลายรายหลายครั้ง เช่น การคัดกรองวัสดุหรือการสำรวจองค์ประกอบวัสดุ แทนที่จะถูกจำกัดในระบบเพียงไม่กี่ระบบ นักวิจัยสามารถประเมินผู้สมัครหลายพันรายได้โดยยังคงรักษาความแม่นยำที่มีความหมาย

หนึ่งในข้ออ้างที่น่าดึงดูดนั้นคือการบรรลุความแม่นยำใกล้เคียงกับ DFT ที่เร่งความเร็วอย่างมาก ในแง่ปฏิบัติ การเปลี่ยนแปลงนี้เปลี่ยนแปลงวิธีการที่บริษัทต่างๆ เข้าใกล้การทดลอง, การสร้างต้นแบบ, และเวลาในการเข้าสู่ตลาดอย่างไร?

ตามปกติ DFT ถือเป็นมาตรฐานทองคำสำหรับความแม่นยำ แต่ปัจจุบันค่าใช้จ่ายในการคำนวณจำกัดวิธีการนำไปใช้กว้างๆ ทีมวิจัยและพัฒนามักจะพึ่งพาการทดลองและลองผิดลองถูก และใช้ DFT เฉพาะสำหรับการตรวจสอบเท่านั้น

ความแม่นยำใกล้เคียงกับ DFT ที่เร่งความเร็วอย่างมากกำจัดข้อจำกัดนี้ แทนที่จะใช้ DFT เพื่อวิเคราะห์ผู้สมัครไม่กี่รายหลังการทดลอง บริษัทต่างๆ สามารถประมาณความแม่นยำระดับนั้นได้ทันทีบนผู้สมัครหลายพันราย สิ่งนี้ช่วยให้พวกเขาสามารถจำกัดพื้นที่การค้นหาทางคำนวณก่อนที่จะใช้ทรัพยากรทางกายภาพ ผลลัพธ์คือการทดลองล้มเหลวลดลง, การสร้างต้นแบบที่มุ่งเป้ามากขึ้น, และรอบการวนซ้ำที่เร็วขึ้นอย่างมาก ซึ่งลดเวลาในการเข้าสู่ตลาดในขณะเดียวกันก็เพิ่มความมั่นใจในกระบวนการผลิต

เรากำลังเห็นการเปลี่ยนแปลงสู่การค้นพบวัสดุโดยใช้การจำลองแบบขั้นแรกในอุตสาหกรรมต่างๆ เช่น เซมิคอนดักเตอร์, แบตเตอรี่, และเคมีภัณฑ์ การทำงานวิจัยและพัฒนาที่ใช้การจำลองแบบขั้นแรกโดยสมบูรณ์ภายในองค์กรสมัยใหม่มีลักษณะอย่างไร?

การทำงานวิจัยและพัฒนาที่ใช้การจำลองแบบขั้นแรกเริ่มต้นด้วยการยึดการวิจัยและพัฒนารอบผลลัพธ์ที่ต้องการ แทนที่จะยึดวัสดุที่กำหนดไว้ล่วงหน้า ทีมงานระบุเป้าหมายและความท้าทายของตน จากนั้นจึงคัดกรองผู้สมัครวัสดุจำนวนมากโดยใช้การเพิ่มประสิทธิภาพ, เสถียรภาพ, และการสำรวจพื้นที่เคมีหรือคริสตัลอย่างต่อเนื่อง

เป็นกระบวนการที่มีการโต้ตอบอย่างต่อเนื่อง ผลลัพธ์ของการจำลองแบบจะแจ้งผู้สมัครรายต่อไปอย่างต่อเนื่อง โดยการกรองพื้นที่การออกแบบอย่างรวดเร็ว เมื่อวัสดุเหล่านี้เข้าสู่ระยะการตรวจสอบ พวกมันจะถูกกรองผ่านหลายชั้นของการคำนวณแล้ว ซึ่งลดความพยายามที่สูญเปล่าลงอย่างมาก

การเปลี่ยนแปลงที่แท้จริงอยู่ที่ด้านองค์กร การจำลองแบบเปลี่ยนจากการเป็นความสามารถเฉพาะทางไปสู่การเป็นชั้นการตัดสินใจหลัก มันชี้นำว่าการทดลองใดที่จะดำเนินการ, วิธีการจัดสรรทรัพยากร, และวิธีการจัดลำดับความสำคัญของทีมงาน เมื่อเวลาผ่านไป สิ่งนี้จะสร้างระบบปิดที่การจำลองแบบและการทดลองเสริมซึ่งกันและกัน ทำให้ทีมสามารถสำรวจความเป็นไปได้มากขึ้นในขณะเดียวกันก็ยังคงมุ่งเน้นไปที่เส้นทางที่มีแนวโน้มมากที่สุด

เมื่อ AI กลายเป็นศูนย์กลางของวัสดุศาสตร์ โครงสร้างพื้นฐาน เช่น การคำนวณ, GPU, และสแต็กซอฟต์แวร์ มีความสำคัญมากขึ้นเรื่อยๆ ปัจจุบันโครงสร้างพื้นฐานกลายเป็นปัจจัยที่จำกัดมากกว่าการนวัตกรรมของโมเดลเพียงอย่างเดียวหรือไม่?

เนื่องจากหลายองค์กรมีโมเดลที่แข็งแกร่ง แต่ต้องดิ้นรนในการทำงานกระบวนการแบบกระจายและเข้าถึงการคำนวณที่จำกัด การรักษา AI ไว้เป็นเครื่องมือที่วางอยู่บนระบบมรดกนำไปสู่การทดลองที่แยกจากกัน และปัจจัยที่จำกัดได้เปลี่ยนไปสู่โครงสร้างพื้นฐานและการบูรณาการการคำนวณและจำลองแบบเข้ากับระบบเดียวที่เป็นหนึ่งเดียว

Matlantis ถูกใช้ในอุตสาหกรรมต่างๆ ตั้งแต่พลังงานไปจนถึงการผลิตขั้นสูง อะไรคือกรณีการใช้งานที่เห็นผลตอบแทนที่รวดเร็วที่สุดในปัจจุบัน และคุณเห็นคลื่นลูกต่อไปของการเปิดเผยที่จะเกิดขึ้นที่ไหน?

ผลตอบแทนที่รวดเร็วที่สุดอยู่ในพื้นที่ที่รอบการวนซ้ำการทดลองมีราคาแพงและพื้นที่การออกแบบมีขนาดใหญ่ เช่น วัสดุแบตเตอรี่, วัสดุเร่งปฏิกิริยา, และวัสดุเกี่ยวข้องกับเซมิคอนดักเตอร์ ในโดเมนเหล่านี้ การกำจัดผู้สมัครที่ไม่เหมาะสมในระยะแรกสร้างคุณค่าได้ทันที

ตัวอย่างเช่น บริษัทเคมี Kuraray มีกระบวนการตรวจสอบที่ใช้เวลา 2-3 ปี แต่ลดลงเหลือเพียง 1.5 เดือนโดยใช้ Matlantis ในแคมเปญการจำลองแบบเดียว มีการประเมินและกำจัดผู้สมัครที่ดีขึ้น 13 รายทั้งหมด ซึ่งจะช่วยประหยัดเวลาหลายปีในการทดลองกับแนวคิดที่ไม่เหมาะสม

เมื่อมองไปข้างหน้า คลื่นลูกต่อไปของการเปิดเผยจะมาจากความเข้าใจร่วมกันของการจำลองและการทดลอง ไม่ใช่การปรับปรุงสิ่งเหล่านั้นแยกจากกัน ปัจจุบันยังมีขอบเขตที่ชัดเจนระหว่างทั้งสองสิ่ง และมักถูกปฏิบัติตามขั้นตอนต่อเนื่องกัน

อย่างไรก็ตาม ขอบเขตนั้นเริ่มจะหายไป ด้วยความก้าวหน้าในการจำลองแบบความเร็วสูงและการเรียนรู้ของเครื่อง เราได้เห็นการเกิดขึ้นของระบบการค้นพบแบบปิดที่การจำลองแบบชี้นำการทดลองแบบเรียลไทม์ และข้อมูลการทดลองให้ข้อมูลกลับมาเป็นรูปแบบที่สม่ำเสมอ เมื่อระบบเหล่านี้เติบโต การค้นพบจะกลายเป็นกระบวนการที่ต่อเนื่องกัน การผสมผสานระหว่างการจำลอง, AI, และการทดลองที่ทำงานเป็นระบบเดียวกันคือที่ที่การเปิดเผยรุ่นต่อไปจะถูกขับเคลื่อน

ในฐานะที่คุณมีบทบาทที่ครอบคลุมทั้งการวิจัยเชิงลึกและความสำเร็จของลูกค้าทั่วโลก คุณเชื่อว่าผู้วิจัยและวิศวกรรุ่นต่อไปจำเป็นต้องพัฒนาทักษะใหม่ใดเพื่อให้สามารถแข่งขันในสภาพแวดล้อมการวิจัยและพัฒนาที่ขับเคลื่อนด้วย AI?

ทักษะที่สำคัญที่สุดซึ่งผู้วิจัยรุ่นต่อไปต้องเสริมความสามารถคือความสามารถในการทำงานข้ามสาขาวิชา นักวิทยาศาสตร์จำเป็นต้องมีความเชี่ยวชาญด้านโดเมนและความสามารถในการทำงานร่วมกับโมเดลข้อมูล, แพลตฟอร์มการจำลองแบบที่ปรับขนาดได้, และกระบวนการทำงานแบบวนซ้ำ ในขณะเดียวกันก็เข้าใจว่าการจำลองและการทดลองเชื่อมต่อกันภายในกระบวนการค้นพบโดยรวม

รุ่นต่อไปจะถูกกำหนดไม่เพียงแต่จากสิ่งที่พวกเขารู้ แต่ยังรวมถึงวิธีการที่พวกเขานำความรู้นั้นไปใช้ภายในสภาพแวดล้อมการวิจัยและพัฒนาที่ทันสมัย

เมื่อมองไปข้างหน้า เมื่อการจำลองที่ขับเคลื่อนด้วย AI เข้าใกล้การค้นพบวัสดุแบบเรียลไทม์ เรากำลังใกล้จะเข้าสู่โลกที่วัสดุสามารถถูกออกแบบ, ตรวจสอบ, และปรับให้เหมาะสมทั้งหมดใน silico ก่อนที่จะมีการทดลองทางกายภาพใดๆ และสิ่งนี้หมายถึงอะไรสำหรับอนาคตของนวัตกรรม?

เรากำลังเข้าใกล้ความสามารถนี้ในโดเมนเฉพาะ แต่ยังไม่ถึงทั่วถึง สำหรับหลายระบบ การจำลองสามารถกำจัดส่วนสำคัญของพื้นที่การออกแบบและระบุผู้สมัครที่มีแนวโน้มสูงก่อนที่จะมีการทดลองใดๆ

อย่างไรก็ตาม การจับภาพความซับซ้อนของโลกแห่งความเป็นจริง เช่น สภาพการ합成และผลกระทบจากการขยายขนาด ยังคงเป็นเรื่องที่ท้าทาย ดังนั้น บทบาทของการทดลองจึงเปลี่ยนแปลงไป ไม่ใช่การเป็นวิธีการหลักในการสำรวจ แต่กลายเป็นการมุ่งเน้นไปที่การตรวจสอบและปรับให้เหมาะสมของผลลัพธ์เชิงคำนวณที่มีแนวโน้มมากที่สุด ส่วนใหญ่ของความพยายามในการค้นพบในระยะแรกจะเปลี่ยนไปสู่การจำลอง ทำให้การทดลองทางกายภาพสามารถดำเนินการได้ด้วยความแม่นยำและประสิทธิภาพที่สูงกว่า

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Matlantis เพื่อเรียนรู้เพิ่มเติม