Таку Ватанабе, Віце-президент і Голова операцій у США, Matlantis – Серія інтерв’ю

Таку Ватанабе, Віце-президент і Голова операцій у США, Matlantis, є спеціалістом у галузі матеріалознавства та штучного інтелекту з кар’єрою, що охоплює дослідження передових батарей, комп’ютерне моделювання та глобальне технологічне лідерство. Він очолює розширення Matlantis у Сполучених Штатах з Кембриджа, штат Массачусетс, а також служить головним дослідником і керівником глобальної служби підтримки клієнтів, поєднуючи передові матеріали інформатики з реальними промисловими випадками. До того, як приєднатися до Matlantis, він обіймав керівні посади в Samsung R&D Institute Japan, де займався розробкою твердотільних батарей, а раніше проводив постдокторські дослідження в Georgia Institute of Technology після закінчення аспірантури в галузі програмного забезпечення для симуляції в Університеті Флориди. Його кар’єра постійно пов’язана з поєднанням машинного навчання, фізичних симуляцій та матеріалознавства для прискорення інновацій в енергетиці та передових матеріалах.

Matlantis – це компанія з інформатики матеріалів, яка керується штучним інтелектом і зосереджена на трансформації того, як відкриваються та розробляються нові матеріали, за допомогою високошвидкісної атомістичної симуляції. Її хмарна платформа дозволяє дослідникам моделювати молекулярну та кристалічну поведінку з високою точністю та швидкістю, зменшуючи процеси, які раніше займали місяці, до секунд. Будучи заснованою на машинному навчанні міжатомних потенціалів та комп’ютерній хімії, платформа дозволяє вченим досліджувати величезні матеріальні комбінації без традиційних експериментальних обмежень, підтримуючи галузі, такі як напівпровідники та енергосховище. Заснована в 2021 році через співпрацю між Preferred Networks і ENEOS, Matlantis позиціонує себе як основний шар у змісті до відкриття матеріалів, керованих штучним інтелектом, та цифрових потоків досліджень і розробок.

Ви провели свою кар’єру на перетині матеріалознавства, симуляції та машинного навчання, від дослідження батарей в Samsung до матеріалів інформатики в ENEOS та тепер керування операціями Matlantis у США. Які ключові моменти переконали вас, що симуляція, керована штучним інтелектом, фундаментально змінить відкриття матеріалів?

Переломним моментом для мене стало усвідомлення того, що справжня瓶частість відкриття матеріалів полягає в нашій обмеженій здатності досліджувати достатньо кандидатів. У моїй роботі над матеріалами батарей та пізніше в матеріалах інформатики ми могли генерувати високоякісні знання за допомогою методів, таких як теорія функціоналу густини (DFT), але тільки над малим набором можливостей через обмеження вартості та часу.

Що змінилося, так це появою машинних потенціалів, які могли зберегти майже квантовий рівень точності, одночасно суттєво збільшуючи обчислювальну продуктивність. Це розблокувало два важливі зрушення.

По-перше, воно дозволило прискорену спробу та помилку на високому рівні вірогідності. Дослідники тепер можуть проводити значно більше оцінок кандидатів за одиницю часу без жертвування точністю, фундаментально змінюючи темп і масштаб дослідження. По-друге, воно створило нову основу для науки про дані в відкритті матеріалів, оскільки такий рівень продуктивності генерує об’єм високоякісних даних, необхідних для того, щоб зробити підходи машинного навчання真正 ефективними.

Matlantis нещодавно інтегрувався з інструментом NVIDIA (NVDA ) ALCHEMI, щоб забезпечити промислову масштабність симуляції. З вашої точки зору, які конкретні瓶частості ця інтеграція усуває, і як вона змінює те, чого можуть досягти команди з досліджень і розробок сьогодні?

Інтеграція усуває фундаментальну неузгодженість між потенціалами, керованими штучним інтелектом, та інфраструктурою, на якій вони залежать. Хоча моделі, такі як PFP, є внутрішньо прискореними за допомогою GPU, ключові частини потоку симуляції, такі як оркестрація, традиційно залишаються обмеженими CPU або слабо пов’язаними з різними інструментами. Це створює неефективності у переміщенні даних та обмежує масштабованість шляхом введення тертя при виконанні великих або розподілених робочих навантажень.

ALCHEMI усуває це, розширюючи прискорення GPU на весь стек симуляції, будучи заснованим на попередній інтеграції з ядрами NVIDIA Warp та тепер переходячи до інструменту ALCHEMI Toolkit-Ops для виконання у промисловому масштабі. Результатом є швидше обчислення та більш згуртоване, штучно-інтелектуальне середовище симуляції, яке може працювати надійно в промисловому масштабі.

Що робить це особливо важливим зараз, так це те, що воно позначає перехід від бачення платформи до реального розгортання. З можливостями, такими як LightPFP, які дозволяють проводити симуляції у масштабі сотень тисяч атомів та швидшу інференцію, симуляція, керована штучним інтелектом, на атомістичному рівні тепер може бути використана у виробничих потоках.

Для команд з досліджень і розробок це змінює роль симуляції повністю. Замість того, щоб застосовувати її вибірково, її можна вбудувати в повсякденне процес прийняття рішень, формуючи, які матеріали мають бути пріоритетними на ранній стадії розробки.

Оголошення підкреслює LightPFP та майбутню інтеграцію PFP з ALCHEMI. Як ці розробки покращують масштабованість та стабільність порівняно з традиційними потоками атомістичної симуляції?

LightPFP усуває ключову瓶частість у атомістичній симуляції: комунікаційне навантаження, необхідне для побудови списку сусідів у розподілених системах. Замінивши цей крок під час інференції за допомогою операцій інструменту NVIDIA ALCHEMI Toolkit-Ops, воно зменшує міжвузлове спілкування. Це робить великомасштабні симуляції як швидшими, так і більш стабільними.

У поєднанні з її серверною архітектурою це дозволяє симуляціям масштабуватися більш ефективно, спрощуючи інфраструктуру та зменшуючи операційну складність.

Повна інтеграція PFP розширює ці вигоди до універсальної моделі, що є важливим, оскільки традиційні потоки часто борються зі збереженням масштабованості послідовно через різні матеріальні системи та обчислювальні середовища. Разом ці розробки покращують як масштабованість, так і надійність, дозволяючи симуляції переходити від ізольованих випадків дослідження до безперервного промислового розгортання без типових компромісів між продуктивністю та стабільністю.

Matlantis побудований на основіPreferred Potential (PFP), навченої на десятках мільйонів квантових розрахунків. Як цей підхід, заснований на даних, відрізняється від традиційної фізичної симуляції, і де він забезпечує найбільші вигоди у продуктивності?

Традиційна симуляція обчислює взаємодії безпосередньо з перших принципів кожен раз, що є точним, але обчислювально дорогим. PFP навпаки вчиться з великого набору квантових розрахунків та застосовує ці знання під час інференції. Найбільші вигоди у продуктивності приходять у робочих потоках, які вимагають повторної оцінки багатьох кандидатів, таких як скринінг матеріалів чи дослідження складу матеріалів. Замість обмеження до декількох систем дослідники тепер можуть оцінювати тисячі кандидатів, зберігаючи при цьому значиму точність.

Одним із найбільш переконливих тверджень є досягнення майже точності DFT при масивно прискорених швидкостях. У практичних термінах, як це змінює підхід компаній до експериментів, прототипування та часу виходу на ринок?

Традиційно DFT був стандартом точності, але сьогодні його обчислювальна вартість обмежує його застосування; команди з досліджень і розробок сильно покладалися на спроби та помилки та використовували DFT вибірково для валідации. Близька до точності DFT при масивно прискорених швидкостях усуває це обмеження.

Замість використання DFT для аналізу декількох кандидатів після експериментів компанії тепер можуть наблизитися до цього рівня інсайту через тисячі можливостей. Це дозволяє їм звузити обчислювальний простір пошуку до того, як витратити фізичні ресурси. Результатом є менше провалених експериментів, більш цілеве прототипування та значно швидші цикли ітерації, врешті-решт зменшуючи час виходу на ринок та збільшуючи впевненість у тому, що рухається виробництво вперед.

Ми спостерігаємо перехід до відкриття, керованого симуляцією, у галузях, таких як напівпровідники, батареї та хімічні речовини. Як виглядає повністю симуляційне робоче середовище досліджень і розробок усередині сучасної корпорації?

Симуляційне робоче середовище починається з закріплення досліджень і розробок навколо бажаних результатів, а не попередньо визначених матеріалів. Команди ідентифікують свої цілі та виклики, а потім проводять скринінг великої кількості кандидатів у матеріалах за допомогою оптимізації, стабільності та, все частіше, дослідження всього хімічного або кристалічного простору.

Це є інтерактивним процесом. Результати симуляції безперервно інформують наступний набір кандидатів, швидко звужуючи проектний простір. До того, як матеріали переходять у фазу валідации, вони вже були відфільтровані через декілька обчислювальних шарів, суттєво зменшуючи марнування зусиль.

Фактичне зрушення, однак, є організаційним. Симуляція переходить від нішевого можливості до центрального шару прийняття рішень. Вона керує тим, які експерименти проводяться, як розподіляються ресурси, та як пріоритезуються завдання команд. З часом це створює закриту систему, де симуляція та експериментування підтримують одна одну, дозволяючи командам досліджувати більше можливостей, залишаючись при цьому тісно зосередженими на найбільш життєздатних шляхах.

Як штучний інтелект стає центральним у матеріалознавстві, інфраструктура, така як обчислювальні можливості, GPU та стеки програмного забезпечення, стає все більш критичною. Чому інфраструктура тепер виникає як обмежувальний фактор, а не тільки інновації моделі?

Бо багато організацій мають сильні моделі, але борються з фрагментованими робочими потоками та обмеженим доступом до обчислювальних можливостей. Розгляд штучного інтелекту як інструменту, накладеного на спадкові системи, призводить до ізольованих експериментів, і обмежувальний фактор перейшов до інфраструктури та того, наскільки ефективно організації можуть інтегрувати обчислювальні можливості та симуляцію даних у єдину, уніфіковану систему.

Matlantis вже використовується в галузях, починаючи від енергетики та закінчуючи передовими виробництвами. Які випадки використання бачать найшвидший повернення інвестицій сьогодні, і де ви бачите появу наступної хвилі проривів?

Найшвидший повернення інвестицій спостерігається в галузях, де експериментальні цикли є дорогими, а простори проектування великі, такі як матеріали батарей, каталізатори та матеріали, пов’язані з напівпровідниками. У цих областях усунення невиправданих кандидатів на ранній стадії створює негайну вартість.

Наприклад, хімічний виробник Kuraray раніше мав процес верифікації, який займав два-три роки, але був зменшений до лише місяця та півтора року за допомогою Matlantis. У рамках однієї кампанії симуляції було оцінено 13 запропонованих поліпшень каталізаторів, і всі вони були визнані невиправданими та врятували роки експериментальних зусиль на безперспективних ідеях.

Оглядаючи вперед, наступна хвиля проривів прийде з конвергенції симуляції та експериментів, а не з покращення їх у ізоляції. Сьогодні ще існує чітка межа між ними, і вони зазвичай розглядаються як послідовні кроки, а не єдина стратегія.

Однак ця межа починає розмитись. З появою високопродуктивної симуляції та машинного навчання ми спостерігаємо появу систем відкриття з закритим циклом, де симуляція керує експериментами в реальному часі, а експериментальні дані постійно повертаються до моделей. Коли ці системи дозрівають, відкриття стане безперервним. Ця конвергенція, де симуляція, штучний інтелект та експериментування діють як єдина система, є тим місцем, де буде керуватися наступне покоління проривів.

Ваша роль охоплює як глибокі технічні дослідження, так і глобальну підтримку клієнтів. Які нові навички, на вашу думку, наступне покоління вчених та інженерів повинно розвинути, щоб залишатися конкурентоспроможними в середовищі досліджень і розробок, керованому штучним інтелектом?

Найважливішою навичкою, яку наступне покоління повинно зміцнити, є здатність працювати між дисциплінами. Вчені потребують сильної експертизи у своїй галузі та здатності працювати з даними, моделями, масштабованими платформами симуляції та ітеративними робочими потоками. Не менш важливо є розуміння того, як симуляція та експериментування з даними пов’язані всередині більшої процесу відкриття.

Наступне покоління буде визначатися не тільки тим, що вони знають, але й тим, наскільки ефективно вони можуть інтегрувати та застосовувати ці знання у сучасних середовищах досліджень і розробок.

Оглядаючи вперед, коли симуляція, керована штучним інтелектом, наближається до відкриття матеріалів в реальному часі, наскільки ми близькі до світу, де цілі класи матеріалів будуть спроектовані, валідовані та оптимізовані повністю в silico до проведення будь-якого фізичного експерименту, і що це означає для майбутнього інновацій?

Ми наближуємося до цієї можливості в певних областях, але ще не універсально. Для багатьох систем симуляція вже може усунути велику частину простору проектування та ідентифікувати дуже перспективних кандидатів до проведення будь-якого експерименту.

Однак, повністю захопити реальну складність, таку як умови синтезу та ефекти масштабування, залишається складною задачею. Як наслідок, роль експериментів еволюціонує. Замість того, щоб служити основним методом дослідження, експерименти стають більш цілевими та цілеспрямованими, зосереджуючись на валідації та поліпшенні найбільш перспективних обчислювальних результатів. Більшість ранніх зусиль відкриття переходять у симуляцію, дозволяючи фізичному тестуванню працювати з набагато більшою точністю та ефективністю.

Дякую за чудове інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Matlantis.