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

Taku Watanabe, Matlantis’in VP ve ABD Operasyonları Başkanı, malzeme bilimi ve yapay zeka uzmanıdır ve kariyeri advanced pil araştırmaları, hesaplamalı modelleme ve küresel teknoloji liderliğinden oluşmaktadır. Şu anda Matlantis’in ABD’deki genişlemesini Massachusetts, Cambridge’den yönetmektedir ve aynı zamanda baş araştırmacı ve küresel müşteri başarısı sorumlusu olarak görev yapmaktadır. Matlantis’e katılmadan önce, tüm katı hal pil geliştirme odaklı olarak Samsung R&D Enstitüsü Japonya’da üst düzey rollerde bulunmuştur ve daha önce Georgia Teknoloji Enstitüsü’nde postdoktor araştırmalarını tamamlamıştır. Kariyeri, enerji ve gelişmiş malzemelerde inovasyonu hızlandırmak için makine öğrenimi, fizik tabanlı simülasyon ve malzeme biliminin birleştirilmesine odaklanmıştır.

Matlantis bir yapay zeka destekli malzeme bilgisayarları şirketidir ve yeni malzemelerin keşfedilmesi ve geliştirilmesinde yüksek hızlı atomistik simülasyon yoluyla dönüşüm sağlamayı amaçlamaktadır. Bulut tabanlı platformu, araştırmacıların moleküler ve kristal davranışlarını yüksek doğruluk ve hız ile modellemelerine olanak tanır, bu da aylarca süren süreçleri saniyelere indirir. Makine öğrenimi atomik potansiyelleri ve hesaplamalı kimya üzerine inşa edilen platform, bilim insanlarının geleneksel deneysel kısıtlamalar olmadan geniş malzeme kombinasyonlarını keşfetmelerine olanak tanır ve yarı iletkenler ve enerji depolama gibi endüstrileri destekler. 2021 yılında Preferred Networks ve ENEOS arasındaki bir işbirliği ile kurulan Matlantis, AI-öncelikli malzeme keşfi ve dijital AR-GE iş akışlarına doğru kayışta temel bir katman olarak kendini konumlandırmaktadır.

Kariyeriniz malzeme bilimi, simülasyon ve makine öğrenimi交差ında geçmiş, Samsung’daki pil araştırmalarından ENEOS’taki malzeme bilgisayarlarına ve şimdi Matlantis’teki ABD operasyonlarına liderlik etmişsiniz. AI destekli simülasyonun malzeme keşfini temel olarak değiştireceğine dair size hangi ana anlar ikna etti?

Benim için dönüm noktası, malzeme keşfindeki gerçek engelimizin yeterli adayları keşfedememek olduğunu fark etmek oldu. Pil malzemeleri ve daha sonra malzeme bilgisayarlarındaki çalışmamda, yoğunluk fonksiyonel teorisi (DFT) gibi yöntemler kullanarak yüksek kaliteli içgörüler üretebilirdik, ancak maliyet ve zaman kısıtlamaları nedeniyle sadece küçük bir olasılık kümesinde.

Değişen şey, neredeyse kuantum düzeyinde doğrulukla birlikte hesaplama verimliliğini Dramatik bir şekilde artıran makine öğrenimi potansiyellerinin ortaya çıkmasıydı. Bu, iki önemli değişimi ortaya çıkardı.

İlki, yüksek doğrulukta hızlandırılmış deneme yanılma ermögildi. Araştırmacılar artık aynı zaman birimi içinde daha fazla aday değerlendirmesi yapabilir ve doğruluğu feda etmeden malzeme keşfinin hızını ve kapsamını temel olarak değiştirebilir.

Matlantis, NVIDIA’ (NVDA ) nın ALCHEMI Toolkit ile entegre oldu ve endüstri ölçekli simülasyon verimliliğini ermögledi. Bu entegrasyon hangi específik tıkanıklıkları ortadan kaldırır ve AR-GE ekiplerinin bugün neler başarmasını sağlar?

Entegrasyon, AI destekli potansiyeller ve bunlara bağlı altyapı arasındaki temel uyumsuzluğu ortadan kaldırır. While modeller gibi PFP doğası gereği GPU hızlandırması içermektedir, simülasyon iş akışının bazı kısımları, such as orkestrasyon, geleneksel olarak CPU bağlı veya farklı araçlar arasında gevşek bir şekilde bağlanmıştır. Bu, verilerin taşınmasında verimsizliklere ve büyük veya dağıtılmış iş yükleri çalıştırılırken ölçeklenebilirliği sınırlayan sürtünmelere neden olur.

ALCHEMI, GPU hızlandırmasını tüm simülasyon yığınına genişleterek, NVIDIA Warp-optimized çekirdekleri ile önceki entegrasyon üzerine inşa ederek ve şimdi ALCHEMI Toolkit-Ops için üretim ölçekli yürütme sağlar. Sonuç, daha hızlı hesaplamalar ve AI-yerli bir simülasyon ortamıdır ve endüstri ölçekli çalışabilir.

Matlantis, LightPFP ve ALCHEMI ile entegrasyonu duyurdu. Bu gelişmeler, geleneksel atomistik simülasyon boru hatlarına kıyasla ölçeklenebilirlik ve stabiliteyi nasıl geliştirir?

LightPFP, dağıtılmış sistemlerde komşu listesi oluşturma için gereken iletişim yükünü ele alır ve NVIDIA ALCHEMI Toolkit-Ops ile bu adımı azaltır. Bu, büyük ölçekli simülasyonları hem daha hızlı hem de daha稳 định hale getirir.

Sunucu tabanlı mimarisi ile birlikte, bu, simülasyonların daha verimli bir şekilde ölçeklenmesini sağlar ve altyapıyı basitleştirir, operasyonel karmaşıklığı azaltır.

Matlantis, Preferred Potential (PFP) üzerine kurulmuştur ve on milyonlarca kuantum düzeyinde hesaplamaya dayanmaktadır. Bu veri odaklı yaklaşım, geleneksel fizik tabanlı simülasyondan nasıl farklıdır ve en büyük performans kazançlarını nerede sağlar?

Geleneksel simülasyon, her defasında ilk prensiplerden doğrudan hesaplamalar yapar, bu da doğru ancak hesaplama açısından pahalıdır. PFP, ngượcine, geniş bir kuantum hesaplaması kümesinden öğrenir ve bu bilgiyi çıkarma sırasında uygular. En büyük performans kazançları, birçok aday değerlendirmesi gerektiren iş akışlarında, such as malzeme ekranı veya malzeme bileşimini keşfetme, ortaya çıkar.

Matlantis, DFT doğruluğuna yakın bir doğrulukta büyük ölçüde hızlandırılmış hızlara ulaşmayı vaat etmektedir. Pratik olarak, bu, şirketlerin deneysel döngüleri, prototiplemeyi ve piyasa süresini nasıl değiştirir?

Geleneksel olarak, DFT doğruluğu için altın standardı oluşturmuştur, ancak bugün, hesaplamalı maliyeti, onun ne kadar geniş bir şekilde uygulanabileceğini sınırlamaktadır; AR-GE ekipleri, DFT’yi seçerek ve deneysel döngüleri yoğun bir şekilde kullanmaktadır. DFT doğruluğuna yakın bir doğrulukta büyük ölçüde hızlandırılmış hızlar, bu kısıtlamayı ortadan kaldırır.

Endüstriler gibi yarı iletkenler, piller ve kimyasallarda simülasyon-öncelikli keşiflere doğru bir geçiş görülmektedir. Modern bir işletme içinde tam bir simülasyon-öncelikli AR-GE iş akışı nasıl görünür?

Simülasyon-öncelikli bir iş akışı, AR-GE’yi istenen sonuçlar etrafında odaklamakla başlar, değil de önceden tanımlanmış malzemelerle. Ekipler, hedeflerini ve zorluklarını tanımlar ve ardından büyük sayıda malzeme adayını optimize etme, stabilite ve giderek artan bir şekilde, tüm kimyasal veya kristal uzaylarını keşfetme yoluyla ekranlar.

Bu, bir etkileşimli bir süreçtir. Simülasyon sonuçları, sürekli olarak bir sonraki aday kümesini bilgilendirir, tasarım alanını hızla daraltır. Malzemeler doğrulama aşamasına geçtiklerinde, zaten birçok hesaplama katmanından geçirilmiştir, bu da boşa harcanan çabanın önemli ölçüde azaltılmasını sağlar.

AI, malzeme bilimine merkezi bir rol oynarken, altyapı gibi hesaplamalar, GPU’lar ve yazılım yığınları artık kritik bir faktör haline gelmektedir. Altyapı, model inovasyonundan ziyade neden sınırlayıcı faktör olarak ortaya çıkmaktadır?

Çünkü birçok organizasyon güçlü modellere sahiptir, ancak parçalanmış iş akışları ve sınırlı hesaplamayla başa çıkmakta zorlanmaktadır. AI’yi miras sistemlerin üzerine katman olarak tedavi etmek, izole deneysel çalışmalara yol açar ve sınırlayıcı faktör, altyapı ve organizasyonların nasıl etkili bir şekilde hesaplamayı ve simülasyonu birleşik bir sistem içinde entegre edebildikleri haline gelmiştir.

Matlantis, enerji ve gelişmiş imalat gibi endüstrilerde zaten kullanılmaktadır. Hangi kullanım örnekleri bugün en hızlı getiri sağlamaktadır ve bir sonraki dalganın nerede ortaya çıkacağını öngörüyorsunuz?

En hızlı getiri, deneysel döngülerin pahalı olduğu ve tasarım alanlarının büyük olduğu alanlarda, such as pil malzemeleri, katalizörler ve yarı iletkenlerle ilgili malzemelerdedir. Bu alanlarda, geçersiz adayları erken aşamada ortadan kaldırmak, immediate değer yaratır.

Sonraki nesil bilim insanları ve mühendisler, AI destekli AR-GE ortamlarında rekabetçi kalmak için hangi yeni beceri setlerini geliştirmelidir?

Gelecek neslin en önemli becerisi, disiplinler arası çalışabilme yeteneğini güçlendirmektir. Bilim insanları, güçlü alan uzmanlığına ve veri odaklı modellerle, ölçeklenebilir simülasyon platformları ve yinelemeli iş akışlarıyla çalışabilme yeteneğine ihtiyaç duyarlar. Eşit derecede önemli olan, simülasyon ve veri deneysel çalışmaların bir keşif sürecinin daha geniş bağlamında nasıl bağlandığını anlamaktır.

AI destekli simülasyon, gerçek zamanlı malzeme keşfine yaklaşırken, tamamen in silico olarak tasarlanmış, doğrulanmış ve optimize edilmiş malzeme sınıflarına sahip bir dünya ne kadar uzakta ve bu, inovasyonun geleceği için ne anlama geliyor?

Bu yeteneğe, belirli alanlarda yaklaşmaktayız, ancak evrensel olarak değil. Birçok sistem için, simülasyon zaten büyük bir tasarım alanını ortadan kaldırabilir ve herhangi bir deneysel çalışma yapılmadan önce highly promising adayları tanımlayabilir.

Gerçek dünya karmaşıklığını, such as sentez koşulları ve ölçekleme etkileri, tamamen yakalamak hala zorlu olmaya devam etmektedir. Bu nedenle, deneysel çalışmaların rolü evrim geçirmektedir. Birincil keşif yöntemi olarak hizmet etmek yerine, daha hedefe yönelik ve amaçlı hale gelmektedir ve en umut verici hesaplamalı sonuçların doğrulanması ve rafine edilmesine odaklanmaktadır. Keşfin erken aşamalarındaki majority efforts, simülasyona kaymaktadır ve fiziksel testlerin daha büyük bir doğruluk ve verimlilikle çalışmasına izin vermektedir.

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