Taku Watanabe, VP ve ABD Operasyonları Başkanı, Matlantis – Röportaj Serisi

Taku Watanabe, VP ve ABD Operasyonları Başkanı, Matlantis, malzeme bilimi ve yapay zeka uzmanıdır ve kariyeri advanced pil araştırmaları, hesaplamalı modelleme ve küresel teknoloji liderliğinden oluşmaktadır. Şu anda Matlantis’in Cambridge, Massachusetts’ten ABD’deki genişlemesini yönetmektedir ve aynı zamanda baş araştırmacı ve küresel müşteri başarısı başkanı olarak görev yapmakta, gelişmiş malzeme bilgisini gerçek dünya endüstriyel kullanım örnekleriyle bağlantılı hale getirmektedir. Matlantis’e katılmadan önce, tüm katı hal pil geliştirme odaklı Samsung R&D Enstitüsü Japonya’da üst düzey rollerde bulunmuştur ve daha önce Georgia Teknoloji Enstitüsü’nde doktora sonrası araştırma yapmıştır. Kariyeri sürekli olarak makine öğrenimi, fizik tabanlı simülasyon ve malzeme bilimini birleştirmeye odaklanmıştır.

Matlantis bir yapay zeka destekli malzeme bilgisayarlı şirketidir ve yeni malzemelerin keşfedilmesi ve geliştirilmesi sürecini yüksek hızlı atomistik simülasyon yoluyla dönüştürmeye odaklanmıştır. Bulut tabanlı platformu, araştırmacıların moleküler ve kristal davranışları hem yüksek doğrulukla hem de hızda modellemelerine olanak tanır, aylar alan süreçleri saniyelere indirir. Makine öğrenimi atomik potansiyelleri ve hesaplamalı kimya üzerine inşa edilen platform, bilim insanlarının geleneksel deneysel kısıtlamalar olmadan geniş malzeme kombinasyonlarını keşfetmesine olanak tanır, yarı iletkenler ve enerji depolama gibi endüstrileri destekler. 2021 yılında Preferred Networks ve ENEOS arasındaki işbirliği ile kurulan Matlantis, AI-öncelikli malzeme keşfi ve dijital Ar-Ge iş akışlarına doğru kayışta temel bir katman olarak kendini konumlandırıyor.

Siz malzeme bilimi, simülasyon ve makine öğrenimi alanlarının kesişiminde kariyerinizi geçirdiniz, Samsung’daki pil araştırmalarından ENEOS’taki malzeme bilgisayarlı şirketlere ve şimdi de Matlantis’teki ABD operasyonlarına liderlik ettik. AI destekli simülasyonun malzeme keşfini temel olarak yeniden şekillendireceğine inandıran ana moments nelerdi?

Benim için dönüm noktası, malzeme keşfindeki gerçek engelin, yeterli sayıda adayları keşfedememek olduğunu fark etmekti. Pil malzemeleri ve daha sonra malzeme bilgisayarlı şirketlerdeki çalışmamda, yoğunluk fonksiyonel teorisi (DFT) gibi yöntemler kullanarak yüksek kaliteli içgörüler üretebilirdik, ancak bu sadece küçük bir olanak seti üzerinden mümkündü ve maliyet ve zaman kısıtlamaları nedeniyle.

Değişen şey,近 quantum düzeyindeki doğruluğu korurken hesaplama verimliliğini dramatik olarak artıran makine öğrenimi potansiyellerinin ortaya çıkmasıydı. Bu, iki önemli değişimi beraberinde getirdi.

İlki, yüksek doğrulukta hızlandırılmış deneme yanılma işlemini sağladı. Araştırmacılar artık, doğruluğu feda etmeden, her birim zaman başına önemli ölçüde daha fazla aday değerlendirmesi yapabilir, keşifin hızını ve kapsamını temel olarak değiştirir.

İkincisi, malzeme keşfinde veri bilimi için yeni bir temel oluşturdu, çünkü bu düzeyde verimlilik, makine öğrenimi yaklaşımlarının gerçekten etkili olabilmesi için gereken yüksek kaliteli veri hacmini üretir.

Matlantis最近 NVIDIA’nin ALCHEMI Toolkit ile entegre oldu ve endüstri ölçekli simülasyon verimliliği sağladı. Bu entegrasyonun hangi específik tıkanıklıkları ortadan kaldırdığını ve R&D ekiplerinin bugün gerçekleştirebileceği şeyleri nasıl değiştirdiğini düşünüyorsunuz?

Bu entegrasyon, AI destekli potansiyeller ve bunlara bağımlı altyapı arasındaki temel uyumsuzluğu ortadan kaldırır. PFP gibi modeller doğası gereği GPU hızlandırması içermesine rağmen, simülasyon iş akışının bazı kısımları, gibi düzenleme, geleneksel olarak CPU ile sınırlı veya farklı araçlar arasında gevşek bir şekilde bağlantılı kalır. Bu, verilerin taşınmasında verimsizliklere ve büyük veya dağıtılmış iş yüklerinde ölçeklenebilirlikte sınırlamalara neden olur.

ALCHEMI, GPU hızlandırmasını tüm simülasyon yığınına genişleterek, daha önce NVIDIA Warp-optimized çekirdekleriyle yapılan entegrasyon üzerine inşa ederek ve şimdi üretim ölçekli yürütme için ALCHEMI Toolkit-Ops’a geçerek bu sorunu çözer. Sonuç, daha hızlı hesaplanma ve daha uyumlu, AI-yerli bir simülasyon ortamıdır ve endüstri ölçekli çalışabilir.

Bu özellikle önemli çünkü platform vizyonundan gerçek dağıtıma geçişi işaret ediyor. LightPFP gibi yetenekler, yüz binlerce atom ölçekli simülasyonları ve daha hızlı çıkarımı mümkün kılarken, AI destekli atomistik simülasyon, üretim iş akışlarında kullanılabilir hale geliyor.

R&D ekipleri için bu, simülasyonun rolünü tamamen değiştirir. Simülasyon, seçili olarak uygulanmak yerine, günlük karar verme süreçlerine gömülür ve hangi malzemelerin öncelikli olarak geliştirileceğini şekillendirir.

Matlantis, LightPFP ve ALCHEMI ile entegrasyonu duyurdu. Bu gelişmelerin geleneksel atomistik simülasyon.pipeline’lerine kıyasla ölçeklenebilirlik ve stabiliteyi nasıl iyileştirdiğini düşünüyorsunuz?

LightPFP, atomistik simülasyondaki bir ana tıkanıklık olan, dağıtılmış sistemlerde komşu listesi oluşturulması için gereken iletişim yükünü ele alır. NVIDIA ALCHEMI Toolkit-Ops ile bu adımı çıkararak, büyük ölçekli simülasyonların hem daha hızlı hem de daha稳il olmasını sağlar.

Sunucu tabanlı mimarisiyle birlikte, bu, altyapının basitleştirilmesini ve operasyonel karmaşıklığın azaltılmasını sağlar, böylece simülasyonlar daha verimli bir şekilde ölçeklenebilir.

Tam PFP entegrasyonu, bu faydaları evrensel bir modele genişletir, bu önemlidir çünkü geleneksel iş akışları genellikle farklı malzeme sistemleri ve hesaplamalı ortamlarda tutarlı bir şekilde ölçeklenmede zorluklarla karşılaşır. Bu gelişmeler birlikte, hem ölçeklenebilirliği hem de güvenilirliği iyileştirir ve simülasyonun, geleneksel performans ve stabilite arasındaki ticaretlerden vazgeçmeden, izole araştırma kullanım örneklerinden sürekli, endüstri ölçekli dağıtıma geçişini sağlar.

Matlantis, Preferred Potential (PFP) üzerine kuruludur ve on milyonlarca quantum düzeyindeki hesaplamaya dayanır. Bu veri odaklı yaklaşım, geleneksel fizik tabanlı simülasyondan nasıl farklıdır ve nerede en büyük performans kazançlarını sağlar?

Geleneksel simülasyon, her seferinde ilkelerden doğrudan hesaplamalar yapar, bu doğru ancak hesaplama açısından pahalıdır. PFP ise, geniş bir quantum hesaplaması setinden öğrenir ve bu bilgiyi çıkarım sırasında uygular. En büyük performans kazançları, tekrarlanan değerlendirmeler gerektiren iş akışlarında, örneğin malzeme taraması veya malzeme bileşimini keşfetme gibi alanlarda ortaya çıkar. Bu, geleneksel olarak sınırlı olan sistem setinin ötesinde, binlerce adayın değerlendirilmesine olanak tanır ve anlamlı bir doğrulukta kalır.

En çekici iddialardan biri,近 DFT doğruluğunu büyük ölçüde hızlandırılmış hızda elde etmektir. Pratik olarak, bu, şirketlerin deneysel işlemlere, prototiplemeye ve pazara çıkış süresine nasıl yaklaştıklarını değiştirir?

Geleneksel olarak, DFT doğruluğu standardı olarak kabul edilmiştir, ancak bugün, hesaplamalı maliyeti, ne kadar geniş bir şekilde uygulanabileceğini sınırlar; R&D ekipleri, DFT’yi seçili olarak doğrulama için kullanmak yerine, çok fazla deneme yanılma deneysel işlemlerine güvenmektedir. Near-DFT doğruluğunu büyük ölçüde hızlandırılmış hızda elde etmek, bu kısıtlamayı ortadan kaldırır.

Şirketler artık, sadece birkaç adayı deneylerden sonra DFT ile analiz etmek yerine, binlerce olasılık için hemen bu düzeyde içgörüyü yakalarsınız. Bu, fiziksel kaynaklara yatırım yapmadan önce hesaplamalı arama alanını daraltmalarına olanak tanır. Sonuç, daha az başarısız deney, daha hedeflenmiş prototipleme ve önemli ölçüde daha hızlı iterasyon döngüleri, böylece pazara çıkış süresini azaltırken, üretim için ilerletilenlerin güvenini artırır.

Yarı iletkenler, piller ve kimyasallar gibi endüstrilerde simülasyon-öncelikli keşiflere doğru bir geçiş görüyoruz. Modern bir işletme içinde tam bir simülasyon-öncelikli Ar-Ge iş akışı nasıl görünür?

Bir simülasyon-öncelikli iş akışı, R&D’yi önceden belirlenmiş malzemeler yerine istenen sonuçlar etrafında odaklar. Ekipler, hedeflerini ve zorluklarını tanımlar ve ardından optimize etme, stabilite ve giderek artan bir şekilde, tüm kimyasal veya kristal uzaylarının keşfi yoluyla büyük sayıda malzeme adayı tarar.

Bu, bir etkileşimli süreçtir. Simülasyon sonuçları, sürekli olarak bir sonraki aday setini bilgilendirir, tasarım alanını hızla daraltır. Malzemeler doğrulama aşamasına geçtiğinde, zaten birçok hesaplamalı katmandan geçirilmiştir, böylece boşa harcanan çaba önemli ölçüde azaltılır.

Gerçek değişim, jedoch, organizasyoneldir. Simülasyon, bir niş yetenek olmaktan çıkıp, merkezi bir karar verme katmanı haline gelir. Hangi deneylerin yürütüleceğini, kaynakların nasıl tahsis edileceğini ve ekiplerin önceliklerini nasıl belirleyeceğini şekillendirir. Zaman içinde, bu, simülasyon ve deneysel işlemlerin birbirini güçlendirdiği kapalı bir sistem oluşturur, böylece ekipler daha fazla olasılık keşfedebilirken, en viable yollara odaklanabilir.

Yapay zeka malzeme bilimine merkezi hale geldikçe, altyapı seperti hesaplanma, GPU’lar ve yazılım yığınları giderek daha kritik hale geliyor. Altyapı, model yeniliği yerine neden sınırlayıcı faktör olarak ortaya çıkıyor?

Çünkü birçok organizasyon güçlü modellere sahiptir, ancak parçalanmış iş akışları ve sınırlı hesaplanma erişiminden muzdariptir. AI’ı miras sistemlerin üzerine katman olarak tedavi etmek, izole deneysel işlemlere yol açar ve sınırlayıcı faktör, model yeniliği yerine altyapı ve organizasyonların hesaplanma ve veri simülasyonunu tek bir, birleşik sistem haline getirme yeteneğine kayar.

Matlantis bereits enerji ve advanced imalat gibi çeşitli endüstrilerde kullanılıyor. Hangi kullanım örnekleri bugün en hızlı getiri sağlıyor ve bir sonraki dalganın nerede ortaya çıkacağını düşünüyorsunuz?

En hızlı getiri, deneysel döngülerin pahalı ve tasarım alanlarının büyük olduğu alanlarda, örneğin pil malzemeleri, katalizörler ve yarı iletkenlerle ilgili malzemelerde görülmektedir. Bu alanlarda, geçersiz adayların erken eliminasyonu, anında değer yaratır.

Örneğin, kimyasal üreticisi Kuraray, bir zamanlar iki ila üç yıl süren bir doğrulama sürecine sahipti, ancak Matlantis kullanarak bunu sadece bir buçuk aya indirildi. Tek bir simülasyon kampanyasında, 13 önerilen katalizör gelişmesi değerlendirildi ve hepsi geçersiz olarak belirlendi ve boşa harcanan yıllarca süren deneysel çaba için boşa harcanan fikirlerden kurtululdu.

İleriye bakıldığında, bir sonraki dalganın keşfi, simülasyon ve deneysel işlemlerin birleşmesinden, bunlardan birinin diğerine göre iyileştirilmesinden değil, gelecekte ortaya çıkacağını düşünüyorum.

Bugün, masih bir sınır vardır ve bunlar genellikle sıralı adımlar olarak ele alınır. Ancak bu sınır, erimektedir. Yüksek hızlı simülasyon ve makine öğrenimi alanındaki ilerlemelerle, simülasyonun deneyleri gerçek zamanlı olarak yönlendirdiği ve deneysel verilerin sürekli olarak modellere geri beslendiği kapalı döngü keşif sistemlerinin ortaya çıkmasını görüyoruz.

Bu sistemler olgunlaştıkça, keşif sürekli hale gelecektir. Simülasyon, AI ve deneysel işlemlerin birleşik bir sistem olarak çalıştığı bu birleşme, bir sonraki nesil keşiflerin sürücüsü olacaktır.

Rolünüz hem derin teknik araştırmayı hem de küresel müşteri başarısını içeriyor. AI destekli R&D ortamlarında rekabetçi kalabilmek için bir sonraki nesil bilim insanları ve mühendislerin hangi yeni beceri setlerini geliştirmesi gerektiğini düşünüyorsunuz?

En önemli beceri, bir sonraki neslin pekiştirmesi gereken, disiplinler arası çalışabilme yeteneğidir. Bilim insanları, güçlü alan uzmanlığına ve veri odaklı modellerle, ölçeklenebilir simülasyon platformları ve yinelemeli iş akışlarıyla çalışabilme yeteneğine ihtiyaç duyar. Aynı derecede önemli olan, simülasyon ve veri deneysel işlemlerinin daha geniş bir keşif sürecinde nasıl bağlantılı olduğunu anlamaktır.

Bir sonraki nesil, sadece ne bildikleri değil, nasıl uyguladıkları ve modern R&D ortamlarında bu bilgiyi nasıl entegre ettikleriyle tanımlanacak.

AI destekli simülasyon, gerçek zamanlı malzeme keşfine yaklaştıkça, tamamen sanal ortamda tasarlanan, doğrulanan ve optimize edilen malzeme sınıflarının dünyasına ne kadar yakınız ve bu, inovasyonun geleceği için ne anlama geliyor?

Belirli alanlarda bu yeteneğe yaklaşıyoruz, ancak evrensel olarak değil. Manyetik sistemler için simülasyon, büyük malzeme tasarım alanının önemli bir kısmını ortadan kaldırabilir ve en umut verici adayları herhangi bir deneysel işlem yapılmadan önce tanımlayabilir.

Ancak, gerçek dünya karmaşıklığını, seperti sentez koşulları ve ölçekleme etkilerini tamamen yakalamak hala zorlu bir görevdir. Bu nedenle, deneysel işlemlerin rolü evrimleşmektedir. Birincil keşif aracı olarak değil, daha çok, en umut verici hesaplamalı sonuçları doğrulamak ve rafine etmek için hedeflenmiş ve amaçlı bir şekilde uygulanır. Keşfin erken aşamaları simülasyona kayar, böylece fiziksel test, daha büyük bir doğruluk ve verimlilikle çalışabilir.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Matlantis sitesini ziyaret edebilir.