Röportajlar
Mathias Ingvarsson, Holyvolt’un Kurucusu ve CEO’su – Röportaj Dizisi

Öne çıkan noktalarHolyvolt'un avantajı, rakiplerin basitçe indiremeyeceği 18 yıllık tescilli batarya…
Daha fazla göster
- Holyvolt'un avantajı, rakiplerin basitçe indiremeyeceği 18 yıllık tescilli batarya verisidir.
- Başarısız formülasyonlar, yalnızca tekrarlanabilir laboratuvar süreçleri gerçek kimya hatalarını test anomalilerinden ayırdığında eğitim verisi haline gelir.
- Yapay zeka bir deneysel tasarım görevini altı haftadan sekiz dakikaya indirdi, ancak bilim insanları hâlâ deneyleri tasarlıyor ve değerlendiriyor.
Mathias Ingvarsson, 2022’de pil teknolojisine yeni yaklaşımlar geliştirmek amacıyla kurduğu Holyvolt’un kurucusu ve CEO’sudur. Kariyeri, Tempur-Pedic’in uluslararası alanda büyümesinden farklı sektörlerdeki girişimlerine uzanıyor. Holyvolt’ta, Wildcat Discovery Technologies’i satın alma süreci de dâhil olmak üzere, pil malzemelerinin geliştirilmesini hızlandırmak için bilimsel uzmanlığı, deney verilerini ve üretim olanaklarını bir araya getirmeye odaklanıyor.
Holyvolt, yüksek verimli malzeme keşfini hassas serigrafi üretim yöntemleriyle birleştirerek enerji üretimi ve depolama teknolojileri geliştiriyor. Şirketin pil araştırma platformu, Wildcat Discovery Technologies aracılığıyla laboratuvar deneylerini, geçmiş test verilerini ve yapay zekâ destekli malzeme geliştirme çalışmalarını bir araya getiriyor. Ingvarsson bu röportajda bilim insanlarının fiziksel deneylerle birlikte makine öğrenimini nasıl kullandığını, başarısız formülasyonların neden değerli veriler sağlayabildiğini ve daha hızlı tahminlerden doğrulanmış malzemelere ve ölçeklenebilir üretime geçmek için neler gerektiğini anlatıyor.
Kariyeriniz Tempur-Pedic’in uluslararası alanda büyümesini ve çeşitli girişimlerinizi kapsıyor. 2022’de Holyvolt’u kurmanıza ne yol açtı ve pil teknolojisindeki hangi fırsat, sizi teknik açıdan bu kadar zorlu bir sektörde şirket kurmaya ikna etti?
Yataklardan iç çamaşırlarına kadar pek çok alanda şirketler kurdum; bu yüzden pillere yönelmem alışılmadık bir adım gibi görünebilir. Ancak başkalarının gözden kaçırdığı bir fırsatı gördüğüm sektörler beni her zaman cezbetmiştir.
Holyvolt’u kurduğumda pil kimyası hakkında çok az şey biliyordum ve bunun aslında bana yardımcı olduğunu düşünüyorum. Bazen bir şeyin neden yapılamayacağına dair tüm gerekçeleri bilmemek süper güç olabilir. Jensen Huang bir keresinde, Nvidia’yı kurmanın ne kadar zor olacağını bilseydi muhtemelen işe hiç girişmeyeceğini söylemişti. Bu duyguyu anlayabiliyorum.
Gördüğüm şuydu: Batılı pil sektörü, Çin’in çoktan kazandığı bir yarışta Çin’i geçmeye çalışıyordu. Sektör, Çin’in onlarca yılda mükemmelleştirdiği teknolojiyi taklit etmek için milyarlarca dolar yatırım yapıyordu. Aynı enerjiyi neden daha iyi bir şey geliştirmeye harcamadığımızı anlayamıyordum. Piller çevremizdeki neredeyse her şeye güç sağlayacak ve ben de onları geliştirme biçimimizi yeniden düşünmek için muazzam bir fırsat gördüm. Holyvolt’u kurmama yol açan da buydu.
Wildcat’i satın almayı değerlendirirken, deney geçmişinin yapay zekâ destekli bir keşif platformunun temelini oluşturabileceğine sizi ne ikna etti? Verilerin yalnızca hacminin ötesinde hangi özelliklerini ortaya koymanız gerekiyordu?
Verilerin muazzam hacmi hemen dikkatimi çekti: 18 yılda test edilmiş 500.000’den fazla pil hücresi ve 165 milyon döngü. Verileri daha yakından inceledikçe deneylerin titizliğinden ve Wildcat’in daha önce elde ettiği çığır açan sonuçlardan daha çok etkilendik. On yıllar boyunca tutarlı biçimde toplanmış bu tür verileri yeniden oluşturmak son derece zordur.
Pil bilimci değilim; bu yüzden benden çok daha fazla bilgi sahibi kişileri ekibe kattım. Pil, yapay zekâ ve malzeme bilimi uzmanları laboratuvarı görmeye geldi ve açıkçası gördükleri karşısında hayran kaldılar.
Wildcat’e gelen şirketlere baktığınızda, BMW’nin yanı sıra değer zincirinin her alanından dünyaca tanınmış başka şirketleri de görüyorsunuz. Bunlar devasa Ar-Ge bütçelerine ve dünyanın en iyi bilim insanlarından bazılarına sahip şirketler; yine de yardım almak için Wildcat’e başvuruyorlardı. Benim için en kesin doğrulama buydu. Wildcat’in dünyanın en çok aranan pil keşif platformunu geliştirdiğine ikna oldum. Yapay zekâyla birlikte, platformun yapabileceklerinin henüz yalnızca yüzeyini keşfettiğimize inanıyorum.
Başarısız deneyler, veri avantajınızın temel unsurlarından biri. Başarısız bir pil formülasyonundan bir modelin neler öğrenebileceğine dair bir örnek verebilir misiniz? Ekibiniz, anlamlı bir kimyasal başarısızlığı deneyin yürütülüş biçiminden kaynaklanan bir sorundan nasıl ayırt ediyor?
Başarısızlık kimyanın bir parçasıdır. Yüzlerce yıldır bilimsel ilerlemeyi böyle sağlıyoruz. Bir şey denersiniz, işe yaramaz, bundan ders çıkarır ve yeniden denersiniz. Yapay zekânın da aynı şekilde öğrenmesi gerekir.
18 yıldır yüksek verimli pil deneyleri yürütüyoruz; bu nedenle verilerimiz başarısız formülasyonlardan başarıyla iyileştirdiğimiz malzemelere kadar her şeyi içeriyor. Bir modeli eğitirken bu veriler son derece değerli.
Lityum metal pilleri ele alalım. Geleneksel grafit pillerin aksine, bu pillerin kapasitesi aniden düşebilir ve bu düşüşü tahmin etmek oldukça zordur. Bu düşüşün ne zaman yaşanabileceğini tahmin etmek için farklı elektrolit formülasyonlarına, elektrot tasarımlarına ve test protokollerine ait gerçek pil döngü verilerini kullanan makine öğrenimi modelleri geliştirdik.
İlk modellerimiz bu düşüşleri makul bir güven düzeyiyle tahmin edebiliyor. Tahminleri iyileştirmek için daha hedefli deneyler tasarlıyor ve pilleri farklı koşullarda test ediyoruz.
Elbette, sonuçlara güvenemiyorsak bu verilerin hiçbir değeri yok. Deneylerin yüksek oranda tekrarlanabilir olmasını ve hataları en aza indirmeyi sağlamak için laboratuvar süreçlerimizi yıllardır geliştiriyoruz. Ayrıca aynı deneyi birden fazla kez yürütüyoruz; böylece kötü bir sonucun malzemeyle ilgili gerçek bir sorundan mı, yoksa test sürecindeki bir anormallikten mi kaynaklandığını anlayabiliyoruz. Bu sayede modellerimize tek bir temsil gücü olmayan sonuçtan yanlış dersler çıkarttırmıyoruz.
Bir modelin malzeme önermesinden laboratuvarda test edilmesine ve sonuçların modele dahil edilmesine kadar bir keşif döngüsünü adım adım anlatabilir misiniz? Yapay zekâ hangi kararları veriyor, bilim insanlarının değerlendirmesi hangi noktalarda vazgeçilmez oluyor?
Her şey bilim insanlarımızla başlıyor. Öğrenmek istedikleri doğrultusunda bir deney tasarlıyorlar, ardından testleri yüksek verimli platformumuz yürütüyor. Makine öğrenimi mühendislerimiz daha sonra bu ilk verileri kullanarak bir model oluşturuyor ve modelin gelecekteki deneylerin sonuçlarını tahmin edip edemeyeceğini inceliyor.
Ardından bu tahminleri laboratuvarda test ediyoruz. Sonuçlar tahminlerle örtüşürse modele daha fazla güven duyuyor ve onu yeni formülasyonları değerlendirmek için kullanabiliyoruz. Örtüşmezse bilim insanlarımız bunun nedenini araştırıyor. Bazen modelin daha fazla veriye ihtiyacı oluyor; bu da tamamen yeni deneyler tasarlamak veya farklı koşullarda test yapmak anlamına geliyor. Elde ettiğimiz sonuçları modele geri besliyor, modeli geliştiriyor ve süreci tekrarlıyoruz.
Yapay zekânın yeni malzemeleri bağımsız olarak keşfetmesi konusunda büyük bir heyecan var, ancak iddialarımızda temkinliyiz. Bu aşamada deneyleri hâlâ bilim insanlarımız tasarlıyor ve önemli kararları onlar veriyor. Yapay zekâ tahminlerde bulunmamıza yardımcı olurken, bu tahminlerin gerçekten geçerli olup olmadığını laboratuvarımız ortaya koyuyor. Bilim insanlarımızın uzmanlığını yapay zekâyla birleştirerek, belirli deney tasarımı görevleri için gereken süreyi haftalardan yalnızca dakikalara indirgemeyi şimdiden başardık.
Tarihsel bir veri kümesi, araştırmacıların geçmişte incelemeyi seçtiği malzemeleri yansıtır. Modellerinizin bu tanıdık alanların dışına çıkmasını nasıl sağlıyor ve daha önce karşılaşılmamış bir kimyanın fiziksel testleri haklı çıkaracak kadar umut verici olup olmadığına nasıl karar veriyorsunuz?
Bu tam da sorulması gereken soru; laboratuvarımızın veri kümemizden bile daha değerli olduğuna inanmamın nedeni de bu.
Bir model, kendisine verdiğiniz verilerden öğrenir; dolayısıyla daha önce karşılaştığı şeyler hakkında tahmin yürütürken doğal olarak daha güvenilir olur. Asıl fırsat, yapay zekâyı tarihsel verilerin bulunmayabileceği, kimyanın tamamen yeni alanlarını keşfetmek için kullanmakta yatıyor.
Yüksek verimli platformumuz bize bu noktada büyük bir avantaj sağlıyor. Yüzlerce formülasyon üzerinde hızlıca yeni ve güvenilir deney verileri üretebiliyoruz. Böylece modellerimiz, kimyanın alışılmadık alanlarında bile öğrenebilecekleri bir temele kavuşuyor.
Tahminleri laboratuvarda test edebildiğimiz, sonuçları modellerimize geri besleyebildiğimiz ve süreci tekrarlayabildiğimiz için modellerimizin doğruluğunu sürekli artırabiliyoruz. Her deney, bir sonraki tahmini daha sağlam bilgilere dayandırıyor.
Bunun en büyük rekabet avantajımız olduğuna inanıyorum. 18 yıllık tarihsel veriye sahibiz, ancak bu verilerle sınırlı değiliz. Daha önce kapsamlı biçimde incelenmemiş kimya alanlarını keşfetmek için ihtiyaç duyduğumuz yeni verileri üretebiliyoruz.
Otomatik, yüksek verimli deneylerin zaten sağladığı katkının ötesinde, özellikle yapay zekâya atfedilebilecek iyileşmeyi nasıl ölçüyorsunuz? Modellerin daha iyi adaylar bulduğunu veya işe yarar bir sonuca ulaşmak için gereken deney sayısını azalttığını hangi karşılaştırmalar gösteriyor?
Bu aslında yanıtlaması zor bir soru; çünkü bilimsel keşif bir ekip işidir.
Bir grup bilim insanının bir sorun üzerine beyin fırtınası yaptığını düşünün. Sonunda çözümü bir kişi bulabilir, ancak bu fikir odadaki herkesle saatlerce süren tartışmaların sonucunda ortaya çıkmış olabilir. Övgüyü kim hak eder?
Yapay zekâya da benzer şekilde yaklaşmamız gerektiğini düşünüyorum. O, araştırma ekibinin bir başka üyesi. Bilim insanlarının ilgili bilgilere daha hızlı ulaşmasına, deney verilerindeki örüntüleri fark etmesine ve bir sorunu daha derinlemesine anlamasına yardımcı olabilir.
Yüksek verimli platformumuz, deneyleri ne kadar hızlı yürütebildiğimiz konusunda bize şimdiden büyük bir avantaj sağlıyor. Şimdi yapay zekânın bu süreci ne ölçüde daha ileri taşıyabileceğini anlamaya çalışıyoruz. Gerektiği gibi destekleyemeyeceğimiz bir sayı vermek istemiyorum. Önemli olan, bilim insanlarımızın daha az zamanda ve daha az deneyle daha iyi yanıtlara ulaşmasına yardımcı olup olmadığımız.
Pil geliştirme; enerji yoğunluğu, çevrim ömrü, güvenlik, maliyet ve üretilebilirlik gibi birbiriyle çelişebilen hedefleri içeriyor. Bu ödünleşimleri yapay zekâ için belirlenen hedeflere nasıl dönüştürüyorsunuz ve kullanım amacının değişmesi, yapay zekâyı temelden farklı malzemelere yöneltebilir mi?
Bu, pilin ne amaçla kullanılacağına bağlı. Bir drone için gereken pilin özellikleri, elektrikli bir araca takılacak pilinkilerden çok farklı. Bir uygulamada enerji yoğunluğuna, diğerinde ise çevrim ömrüne veya maliyete öncelik verebilirsiniz.
Bu hedefleri oldukça net biçimde tanımlayabiliyoruz. Enerji yoğunluğu, çevrim ömrü, güvenlik ve maliyetin tümü ölçülebilir. Dolayısıyla modele, kullanım amacına göre belirli performans hedefleri verebiliyoruz.
Zor olan, bu hedeflerden geriye doğru ilerleyerek onları gerçekten karşılayabilecek bir malzeme bulmak.
Uygulamanın değiştirilmesi, hangi malzemeleri inceleyeceğimizi kesinlikle değiştirebilir. Ancak hangi kimyasal bileşimlerin umut vadettiğini belirlemek, deneyleri tasarlamak ve bu malzemelerin performans hedeflerini karşılayıp karşılayamayacağını test etmek yine bilim insanlarımızın işi.
Holyvolt, nikel ve kobalt içermeyen düzensiz kaya tuzu yapılı katot malzemelerini ticarileşmeye hazır hâle getirmek için çalışmalarını sürdürüyor. Bu geliştirme sürecinde yapay zekâ nasıl bir rol oynadı ve malzeme keşfinin ötesinde üretim ya da mühendislik çözümleri gerektiren hangi engeller hâlâ aşılmayı bekliyor?
DRX, yaklaşımımızın neden önemli olduğunu gösteren harika bir örnek. Olası malzeme bileşimlerinin sayısı son derece fazla; bunları tek tek test etmek yıllar alır.
Holyvolt’ta yüksek verimli deney platformumuz, yüzlerce farklı formülasyonu hızla test etmemizi ve kimyasal bileşimdeki değişikliklerin enerji yoğunluğunu, gerilimi, pil ömrünü ve performansı nasıl etkilediğini anlamamızı sağlıyor. Geleneksel araştırma yöntemlerinin mümkün kılacağından çok daha hızlı biçimde umut vadeden malzemeleri belirleyebildik.
Şimdi bu deney verilerini makine öğrenimiyle birleştirerek örüntüleri belirliyor ve bilim insanlarımızın bir sonraki aşamada hangi formülasyonları inceleyeceklerine karar vermelerine yardımcı oluyoruz. Ne kadar çok test yaparsak o kadar çok şey öğreniyor ve gelecekteki deneylere o kadar iyi yön verebiliyoruz.
Ticari ölçekte üretime geçme yolunda şimdiden ilerleme kaydediyoruz. En büyük avantajlarımızdan biri, kendini kanıtlamış üretim süreçlerini kullanmamız. Tamamen yeni ekipmanlar geliştirmemiz ya da bu malzemelerin nasıl üretildiğini baştan tasarlamamız gerekmiyor. Odağımız, tutarlı performansı ve rekabetçi maliyetleri korurken iş ortaklarımızla birlikte üretimi ölçeklendirmek.
Özel nitelikli bilimsel verilerin, modellerin kendisinden daha güçlü bir rekabet avantajı sağlayabileceğini savundunuz. Bu avantaj zaman içinde nasıl katlanarak büyüyor ve müşteri projeleri arasında öğrenme sürecini yürütürken her müşterinin gizli araştırmalarını ve fikrî mülkiyetini korumayı nasıl dengeliyorsunuz?
Günümüzdeki en güçlü yapay zekâ modellerinden bazıları açık kaynaklı ve giderek daha da gelişiyor. Ancak 18 yıllık pil araştırmasını öylece indirip alamazsınız. Verilerimizi bu kadar değerli kılan da bu.
Holyvolt’ta 500.000’den fazla pil hücresini 165 milyondan fazla çevrim boyunca test ettik. Hangi malzemelerin kullanıldığını, nasıl işlendiğini, nasıl performans gösterdiğini ve nerelerde başarısız olduğunu biliyoruz. Üstelik bunca yıl boyunca tutarlı test yöntemleri izlediğimiz için sonuçları gerçekten karşılaştırabiliyoruz. Başkalarının bunu tekrarlaması son derece zor.
Her deney bize yeni bir şey öğretiyor. Bu bilgi, modellerimizi geliştirmemize, daha isabetli tahminler yapmamıza ve bir sonraki aşamada neyi test edeceğimize karar vermemize yardımcı oluyor. Ne kadar çok deney yaparsak bu temel de o kadar değer kazanıyor.
Dünyanın önde gelen şirketlerinden bazılarıyla da çalışıyor ve onların hassas araştırmalarını bize emanet etmelerine layık olmaya çalışıyoruz. Bu sorumluluğu ciddiye alıyor, gizli bilgileri ve fikrî mülkiyeti korumak için güçlü önlemler uyguluyoruz.
Platformu genişletirken bugün keşif sürecini hızlandırmanın önündeki en büyük engel nedir: model kapasitesi mi, deney yapma kapasitesi mi, pil ömrünü doğrulamak için gereken süre mi, yoksa başka bir şey mi? Önümüzdeki iki yıl içinde hangi ölçülebilir kilometre taşı, yapay zekânın pil geliştirmenin ekonomisini değiştirdiğini gösterebilir?
Bence bugün en büyük darboğaz, bilim insanlarının deneyleri tasarlamak ve sonuçları analiz etmek için harcadığı zaman.
Geleneksel süreci düşünün. Bir bilim insanı bir soru sorar, deney tasarlar, testleri yürütür, verileri analiz eder ve sonra sırada neyi deneyeceğine karar verir. Yüksek verimli platformumuz sayesinde fiziksel testlerin büyük bölümünü zaten otomatikleştirdik; ancak bu aşamalar arasındaki düşünme süreci hâlâ çok fazla zaman alıyor.
Yakın zamanda deney tasarımı sürecinin bir bölümüne görece basit bir yapay zekâ modeli uyguladık. Normalde altı hafta sürecek bir iş sekiz dakika aldı. Bu gerçekten olağanüstü bir sonuç ve nelerin mümkün olduğunu gösteriyor.
Ancak deney tasarımını hızlandırmak yalnızca başlangıç. Yapay zekâ, neyi test edeceğimizi daha hızlı belirlememize yardımcı oldukça bu deneyleri daha hızlı yürütebilme kapasitemizi de artırmamız gerekiyor. Bu nedenle laboratuvar kapasitemizi genişletmeyi ve otomasyonu daha da artırmaya yatırım yapmayı planlıyoruz.
Önümüzdeki iki yıl içinde, ilk fikirden doğrulanmış bir malzemeye kadar keşif sürecinin tamamını büyük ölçüde hızlandırdığımızı görmek istiyorum. Daha hızlı karar almayı daha fazla deney yapabilme olanağıyla birleştirebilirsek, yeni kimyasal bileşimleri daha önce mümkün olmayan bir hızla araştırabiliriz. Yapay zekâ, pil geliştirmenin ekonomisini temelden işte böyle değiştirebilir.
Harika röportaj için teşekkürler. Pil malzemeleri, yüksek verimli deneyler ve yapay zekâ destekli enerji teknolojilerinin geliştirilmesi hakkında daha fazla bilgi edinmek isteyen okurlar Holyvolt’u ziyaret edebilir.












