Інтерв’ю
Матіас Інґварссон, засновник і генеральний директор Holyvolt — серія інтерв’ю

Ключові моментиПеревага Holyvolt полягає у 18 роках власних даних про акумулятори, які конкуренти не…
Показати більше
- Перевага Holyvolt полягає у 18 роках власних даних про акумулятори, які конкуренти не можуть просто завантажити.
- Невдалі формулювання стають тренувальними даними лише тоді, коли відтворювані лабораторні процеси відокремлюють справжні хімічні невдачі від аномалій тестування.
- ШІ скоротив одне завдання з розробки експерименту з шести тижнів до восьми хвилин, але вчені досі розробляють і оцінюють експерименти.
Mathias Ingvarsson — засновник і генеральний директор Holyvolt, яку він заснував у 2022 році, щоб розвивати нові підходи до технологій акумуляторів. Його кар’єра охоплює міжнародну експансію Tempur-Pedic і підприємницькі проєкти в різних галузях. У Holyvolt він зосереджується на поєднанні наукової експертизи, експериментальних даних і виробничих можливостей, щоб прискорити розроблення акумуляторних матеріалів, зокрема завдяки придбанню Wildcat Discovery Technologies.
Holyvolt розробляє технології виробництва й зберігання енергії, поєднуючи високопродуктивний пошук матеріалів із точним трафаретним друком у виробничих процесах. Завдяки Wildcat Discovery Technologies її платформа дослідження акумуляторів поєднує лабораторні експерименти, архівні дані випробувань і розроблення матеріалів із використанням ШІ. У цьому інтерв’ю Інґварссон розповідає, як науковці застосовують машинне навчання разом із фізичними експериментами, чому невдалі склади можуть бути цінними даними і що потрібно, аби перейти від швидших прогнозів до перевірених матеріалів і масштабованого виробництва.
Ваша кар’єра охоплює міжнародну експансію Tempur-Pedic і кілька підприємницьких проєктів. Що спонукало вас заснувати Holyvolt у 2022 році та яка можливість у сфері акумуляторних технологій переконала вас створити компанію в такій технічно складній галузі?
Я створював компанії в найрізноманітніших галузях — від матраців до спідньої білизни, тож акумулятори можуть здатися незвичним наступним кроком. Але мене завжди приваблювали галузі, де я помічав можливості, яких не бачили інші.
Коли я заснував Holyvolt, я майже нічого не знав про хімію акумуляторів і, власне, вважаю, що це мені допомогло. Іноді незнання всіх причин, чому щось неможливо зробити, — це суперсила. Дженсен Хуанг якось сказав, що якби знав, наскільки складно буде створити Nvidia, то, мабуть, не починав би цього. Я його розумію.
Я побачив, що західна акумуляторна галузь намагається перемогти Китай у грі, яку Китай уже виграв. Галузь вкладала мільярди, намагаючись відтворити технологію, яку Китай удосконалював десятиліттями. Я не міг зрозуміти, чому ми не спрямовуємо ту саму енергію на розроблення чогось кращого. Акумулятори живитимуть майже все довкола нас, і я побачив величезну можливість переосмислити підходи до їх розроблення. Саме це спонукало мене заснувати Holyvolt.
Коли ви оцінювали можливість придбання Wildcat, що переконало вас у тому, що архів її експериментів може стати основою платформи для відкриттів за допомогою ШІ? Що потрібно було з’ясувати про дані, окрім їхнього величезного обсягу?
Сам обсяг даних одразу привернув мою увагу: понад 500 000 акумуляторних елементів, випробуваних протягом 18 років, і 165 мільйонів циклів. Що більше ми дізнавалися, то більше нас вражали ретельність експериментів і прориви, яких Wildcat уже досягла. Такі дані, послідовно зібрані протягом десятиліть, неймовірно складно відтворити.
Я не науковець у галузі акумуляторів, тому залучив людей, які знали набагато більше за мене. Фахівці з акумуляторів, ШІ та матеріалознавства приїхали оглянути лабораторію і, відверто кажучи, були вражені.
А ще подивіться, які компанії зверталися до Wildcat, зокрема BMW та інші всесвітньо відомі компанії з усіх ланок виробничого ланцюга. Це компанії з величезними бюджетами на дослідження й розробки та одними з найкращих науковців у світі, і вони зверталися до Wildcat по допомогу. Для мене це стало остаточним підтвердженням. Я переконався, що Wildcat створила найбільш затребувану у світі платформу для відкриттів у галузі акумуляторів. А завдяки ШІ, вважаю, ми лише починаємо розкривати її можливості.
Невдалі експерименти — важлива складова вашої переваги завдяки даним. Чи можете ви навести приклад того, чого модель може навчитися на невдалому складі акумулятора, і пояснити, як ваша команда відрізняє значущу хімічну невдачу від проблеми з проведенням експерименту?
Невдачі — частина хімії. Саме так наука розвивалася сотні років. Ви щось пробуєте, це не спрацьовує, ви робите висновки й пробуєте знову. ШІ має навчатися так само.
Ми 18 років проводили високопродуктивні експерименти з акумуляторами, тож у наших даних є все: від невдалих складів до матеріалів, які нам вдалося успішно оптимізувати. Це неймовірно цінно для навчання моделі.
Візьмімо літій-металеві акумулятори. На відміну від традиційних графітових акумуляторів, у них може відбуватися раптове падіння ємності, яке дуже складно передбачити. Ми розробили моделі машинного навчання на основі реальних даних циклічних випробувань акумуляторів із різними складами електроліту, конструкціями електродів і протоколами випробувань, щоб прогнозувати, коли може статися таке падіння.
Наші початкові моделі можуть із прийнятною впевненістю прогнозувати такі падіння, а ми розробляємо більш цілеспрямовані експерименти й випробовуємо акумулятори за різних умов, щоб уточнити ці прогнози.
Звісно, ці дані мають цінність лише тоді, коли ми можемо довіряти результатам. Ми роками вдосконалювали лабораторні процеси, щоб експерименти були максимально відтворюваними, а кількість помилок — мінімальною. Ми також проводимо той самий експеримент кілька разів, щоб з’ясувати, чи свідчить невдалий результат про справжню проблему з матеріалом, чи є аномалією в процесі тестування. Так ми не навчаємо моделі на хибних висновках, зроблених на основі одного нерепрезентативного результату.
Чи могли б ви описати цикл відкриття — від пропозиції матеріалу моделлю до його тестування в лабораторії та врахування отриманих результатів? Які рішення ухвалює ШІ, а де незамінним залишається судження науковця?
Усе починається з наших науковців. Вони розробляють експеримент відповідно до того, що хочуть з’ясувати, а наша високопродуктивна платформа проводить випробування. Потім наші фахівці з машинного навчання використовують ці початкові дані, щоб побудувати модель і перевірити, чи здатна вона передбачати результати майбутніх експериментів.
Потім ми перевіряємо ці прогнози в лабораторії. Якщо результати збігаються, ми більше довіряємо моделі й можемо використовувати її для оцінювання нових складів. Якщо ні — наші науковці з’ясовують причину. Іноді моделі потрібно більше даних, а це означає, що слід розробити цілком нові експерименти або провести випробування за інших умов. Ми повертаємо ці результати до моделі, уточнюємо її й повторюємо процес.
Навколо ідеї, що ШІ самостійно відкриватиме нові матеріали, точиться чимало розмов, але ми обережно ставимося до своїх тверджень. На цьому етапі експерименти й далі розробляють наші науковці, і саме вони ухвалюють ключові рішення. ШІ допомагає нам робити прогнози, а лабораторія показує, чи підтверджуються вони насправді. Поєднавши досвід наших науковців із ШІ, ми вже змогли значно скоротити час, потрібний для виконання певних завдань із планування експериментів: із тижнів до лічених хвилин.
Історичний набір даних відображає матеріали, які дослідники раніше обирали для вивчення. Як ви не даєте моделям обмежуватися вже знайомими напрямами й визначаєте, коли незнайома хімічна система видається достатньо перспективною, щоб виправдати фізичне тестування?
Це саме те запитання, яке й слід поставити. Саме тому я вважаю, що наша лабораторія ще цінніша за наш набір даних.
Модель навчається на наданих їй даних, тож, звісно, її прогнози будуть надійнішими щодо того, з чим вона вже мала справу. Справжня можливість полягає в тому, щоб за допомогою ШІ досліджувати цілком нові напрями хімії, для яких історичних даних може не бути.
Саме тут наша високопродуктивна платформа дає нам величезну перевагу. Ми можемо швидко генерувати нові надійні експериментальні дані для сотень складів, створюючи для моделей основу для навчання навіть у незнайомих галузях хімії.
Оскільки ми можемо перевіряти прогнози в лабораторії, повертати результати до моделей і повторювати цей процес, ми здатні безперервно підвищувати їхню точність. Кожен експеримент дає змогу зробити наступний прогноз обґрунтованішим.
Я вважаю, що це наша найбільша конкурентна перевага. Ми маємо 18 років історичних даних, але вони нас не обмежують. Ми можемо генерувати нові дані, необхідні для дослідження хімічних систем, які раніше не вивчали ґрунтовно.
Як ви вимірюєте саме той внесок у покращення результатів, який забезпечує ШІ, окремо від того, що вже дають автоматизовані високопродуктивні експерименти? Які порівняння показують, що моделі знаходять кращі варіанти або зменшують кількість експериментів, потрібних для отримання корисного результату?
Насправді це складне запитання, адже наукові відкриття — результат командної роботи.
Уявіть групу науковців, які разом шукають розв’язання проблеми. Зрештою рішення може запропонувати одна людина, але ця ідея могла виникнути після кількох годин обговорень з усіма присутніми. Кому зарахувати заслугу?
Думаю, до ШІ варто ставитися подібним чином. Це ще один учасник дослідницької команди. Він може допомогти науковцям швидше знаходити потрібну інформацію, виявляти закономірності в експериментальних даних і глибше розуміти проблему.
Наша високопродуктивна платформа вже дає нам величезну перевагу, дозволяючи швидко проводити експерименти. Тепер ми з’ясовуємо, наскільки більше може дати нам ШІ. Я не хочу називати цифру, яку не зможу належно обґрунтувати. Важливо те, чи допомагаємо ми нашим науковцям знаходити кращі відповіді, витрачаючи менше часу й проводячи менше експериментів.
Під час розроблення акумуляторів доводиться шукати компроміси між різними характеристиками, зокрема щільністю енергії, циклічним ресурсом, безпекою, вартістю та технологічністю виробництва. Як ви перетворюєте ці компроміси на цілі для ШІ? І чи може зміна призначення акумулятора спрямувати пошук до принципово інших матеріалів?
Усе залежить від того, для чого використовуватимуть акумулятор. Вимоги до акумулятора для дрона дуже відрізняються від вимог до акумулятора для електромобіля. Для одного застосування пріоритетом може бути щільність енергії, а для іншого — циклічний ресурс або вартість.
Ці цільові показники можна визначити досить чітко. Щільність енергії, циклічний ресурс, безпеку й вартість можна виміряти, тож ми можемо задати моделі конкретні цільові показники ефективності залежно від сфери застосування.
Найскладніше — відштовхнутися від цих цільових показників і визначити, який матеріал справді здатен їх забезпечити.
Зміна сфери застосування справді може змінити те, які матеріали ми досліджуємо. Але нашим науковцям усе одно потрібно визначати, які хімічні склади є перспективними, розробляти експерименти й перевіряти, чи можуть ці матеріали відповідати заданим показникам ефективності.
Holyvolt просуває катодні матеріали зі структурою невпорядкованої кам’яної солі (DRX), що не містять нікелю та кобальту, до комерційного впровадження. Яку роль у цій розробці відіграє ШІ та які перешкоди, що залишилися, потребують виробничих чи інженерних рішень, а не подальшого пошуку матеріалів?
DRX — чудовий приклад того, чому наш підхід має значення. Існує величезна кількість можливих комбінацій матеріалів, і тестування кожної окремо тривало б роками.
У Holyvolt наша високопродуктивна платформа дає змогу швидко тестувати сотні різних складів і з’ясовувати, як зміни хімічного складу впливають на щільність енергії, напругу, строк служби батареї та її ефективність. Ми змогли виявити перспективні матеріали набагато швидше, ніж це дозволили б традиційні методи досліджень.
Тепер ми поєднуємо ці експериментальні дані з машинним навчанням, щоб виявляти закономірності й допомагати нашим науковцям вирішувати, які склади досліджувати далі. Що більше ми тестуємо, то більше дізнаємося і то краще можемо спрямовувати майбутні експерименти.
Ми вже просуваємося до виробництва в промислових масштабах, і одна з наших найбільших переваг полягає в тому, що ми використовуємо добре відпрацьовані виробничі процеси. Нам не потрібно розробляти цілком нове обладнання чи заново винаходити способи виробництва цих матеріалів. Ми зосереджені на нарощуванні виробництва разом із партнерами, зберігаючи стабільні показники ефективності та конкурентні витрати.
Ви стверджували, що власні наукові дані можуть бути сильнішою конкурентною перевагою, ніж самі моделі. Завдяки чому ця перевага з часом зростає і як ви поєднуєте обмін знаннями між проєктами клієнтів із захистом конфіденційних досліджень та інтелектуальної власності кожного клієнта?
Деякі з найпотужніших доступних сьогодні моделей ШІ мають відкритий вихідний код, і вони постійно вдосконалюються. Але завантажити 18 років досліджень батарей просто неможливо. Саме тому наші дані такі цінні.
У Holyvolt ми протестували понад 500 000 батарейних елементів у понад 165 мільйонах циклів. Ми знаємо, які матеріали використовувалися, як їх обробляли, як вони працювали та де виходили з ладу. А оскільки всі ці роки ми дотримувалися єдиних методів тестування, то можемо порівнювати отримані результати. Іншим неймовірно складно відтворити такий підхід.
Кожен експеримент чогось нас навчає. Ці знання допомагають нам удосконалювати моделі, робити точніші прогнози й вирішувати, що тестувати далі. І що більше експериментів ми проводимо, то ціннішою стає ця база знань.
Ми також співпрацюємо з деякими провідними компаніями світу, які довіряють нам свої конфіденційні дослідження. Ми серйозно ставимося до цієї відповідальності й маємо надійні засоби захисту конфіденційної інформації та інтелектуальної власності.
У міру розширення платформи що сьогодні найбільше стримує пришвидшення досліджень: можливості моделей, експериментальні потужності, час, потрібний для перевірки строку служби батареї, чи щось інше? Який вимірюваний результат упродовж наступних двох років засвідчив би, що ШІ змінює економіку розробки батарей?
На мою думку, сьогодні найбільше дослідження стримує час, який науковці витрачають на розроблення експериментів і аналіз результатів.
Уявіть традиційний процес. Науковець ставить запитання, розробляє експеримент, проводить тести, аналізує дані, а потім вирішує, що випробувати далі. Завдяки нашій високопродуктивній платформі ми вже автоматизували значну частину фізичних тестувань, але на обдумування між цими етапами все ще йде дуже багато часу.
Нещодавно ми застосували відносно просту модель ШІ до частини процесу розроблення експериментів. Те, на що зазвичай ішло шість тижнів, зайняло вісім хвилин. Це справді надзвичайний результат, який демонструє, що можливо.
Але пришвидшення розроблення експериментів — лише початок. Оскільки ШІ допомагає нам швидше визначати, що тестувати, нам також потрібно збільшити швидкість проведення самих експериментів. Саме тому ми плануємо розширити лабораторні потужності та інвестувати в подальшу автоматизацію.
Упродовж наступних двох років я хочу побачити, як ми значно пришвидшимо весь процес відкриттів — від першої ідеї до підтвердження властивостей матеріалу. Якщо ми поєднаємо швидше ухвалення рішень із можливістю проводити більше експериментів, то зможемо досліджувати нові хімічні склади з темпом, який раніше був просто неможливим. Саме так ШІ може докорінно змінити економіку розробки батарей.
Дякуємо за чудове інтерв’ю. Читачам, які хочуть дізнатися більше про матеріали для батарей, високопродуктивні експерименти та розроблення енергетичних технологій із використанням ШІ, варто відвідати Holyvolt.












