Інтерв’ю
Taku Watanabe, VP і керівник операцій у США, Matlantis – Серія інтерв’ю
Taku Watanabe, VP і керівник 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 зараз очолює розширення Matlantis у Сполучених Штатах з Кембриджа, штат Массачусетс, а також служить головним дослідником і керівником глобальної служби успіху клієнтів, поєднуючи інформацію про матеріали з реальними промисловими випадками. До того, як приєднатися до Matlantis, він обіймав керівні посади в Samsung R&D Institute Japan, зосереджуючись на розробці батарей типу “твердий стан”, а раніше проводив постдокторські дослідження в Інституті технологій Джорджії після закінчення аспірантури з програмного забезпечення для моделювання в Університеті Флориди. Його кар’єра постійно пов’язана з поєднанням машинного навчання, фізичного моделювання та матеріалознавства для прискорення інновацій в галузі енергетики та передових матеріалів.
Matlantis є компанією з інформацією про матеріали, що використовує штучний інтелект, яка зосереджена на перетворенні того, як відкриваються та розробляються нові матеріали, за допомогою високошвидкісного атомістичного моделювання. Її хмарна платформа дозволяє дослідникам моделювати молекулярну та кристалічну поведінку з високою точністю та швидкістю, скорочуючи процеси, які раніше займали місяці, до секунд. Будучи заснованою на машинних потенціалах міжатомних взаємодій та комп’ютерній хімії, платформа дозволяє вченим досліджувати величезну кількість матеріалів без традиційних експериментальних обмежень, підтримуючи галузі, такі як напівпровідники та енергетичне зберігання. Заснована в 2021 році через співпрацю між Preferred Networks і ENEOS, Matlantis позиціонує себе як ключовий шар у змісті до відкриття матеріалів на основі штучного інтелекту та цифрових робочих процесів НД.
Ви провели свою кар’єру на перетині матеріалознавства, моделювання та машинного навчання, від дослідження батарей у Samsung до інформатики матеріалів у ENEOS та тепер керування операціями у США в Matlantis. Які ключові моменти переконали вас, що моделювання, кероване штучним інтелектом, фундаментально змінить відкриття матеріалів?
Переломним моментом для мене було усвідомлення того, що справжня瓶нем у відкритті матеріалів була наша обмежена здатність досліджувати достатньо кандидатів. У моїй роботі над матеріалами для батарей та пізніше в інформатиці матеріалів ми могли генерувати високоякісні висновки 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 прискорити спроби та помилки на високому рівні точності. Дослідники тепер можуть проводити значно більше оцінок кандидатів за одиницю часу без втрати точності, фундаментально змінюючи темп і масштаб дослідження. По-друге, воно створило нову основу для науки про дані в відкритті матеріалів, оскільки такий рівень продуктивності генерує обсяг високоякісних даних, необхідних для того, щоб підходи машинного навчання були真正 ефективними.
Matlantis нещодавно інтегрувався з інструментарієм NVIDIA ALCHEMI, щоб забезпечити промислову масштабність моделювання. З вашої точки зору, які конкретні瓶неми усуває ця інтеграція, і як вона змінює те, чого можуть досягти команди НД?
Інтеграція усуває фундаментальну несумісність між потенціалами, керованими штучним інтелектом, та інфраструктурою, на якій вони залежать. Хоча моделі, такі як PFP, є внутрішньо прискореними за допомогою GPU, ключові частини робочого процесу моделювання, такі як оркестрація, традиційно залишаються обмежені CPU або слабо пов’язані між різними інструментами. Це створює неефективність у переміщенні даних та обмежує масштабованість, вводячи тертя при виконанні великих або розподілених робочих процесів.
ALCHEMI усуває цю проблему, розширюючи прискорення GPU на весь стек моделювання, спираючись на попередню інтеграцію з ядрами NVIDIA Warp та тепер переходячи до операцій інструментарію ALCHEMI для виконання у промисловому масштабі. Результатом є швидше обчислення та більш когерентне, штучно-родове середовище моделювання, яке може працювати надійно в промисловому масштабі.
Що робить це особливо важливим зараз, так це те, що це позначає перехід від бачення платформи до реального розгортання. З можливостями, такими як LightPFP, що дозволяють проводити симуляції у масштабі сотень тисяч атомів, та швидшу інферентність, моделювання атомістичної симуляції, кероване штучним інтелектом, стало придатним для використання у робочих процесах виробництва.
Для команд НД це змінює роль моделювання цілком. Замість того, щоб застосовуватися вибірково, воно може бути вбудовано в повсякденне прийняття рішень, формуючи, які матеріали пріоритезуються на ранній стадії розробки.
Оголошення виділяє LightPFP та майбутню інтеграцію PFP з ALCHEMI. Як ці розробки покращують масштабованість та стабільність порівняно з традиційними трубопроводами атомістичної симуляції?
LightPFP усуває ключову瓶нем у атомістичній симуляції: комунікаційну витратність, необхідну для побудови списку сусідів у розподілених системах. Замінивши цей крок під час інферентності за допомогою операцій інструментарію NVIDIA ALCHEMI, воно скорочує міжвузлову комунікацію. 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 знижуючи операційну складність.
Повна інтеграція PFP розширює ці вигоди до універсальної моделі, що важливо, оскільки традиційні трубопроводи часто борються зі масштабуванням 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 основі Preferred 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 з 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 і застосовує ці знання під час інферентності. Найбільші вигоди з продуктивності приходять у робочих процесах, які вимагають повторної оцінки багатьох кандидатів, таких як скринінг матеріалів або дослідження складу матеріалів. Замість обмеження до декількох систем дослідники тепер можуть оцінювати тисячі кандидатів, зберігаючи при цьому значиму точність.
Одним з найбільш переконливих тверджень є досягнення майже точності DFT при значно прискорених швидкостях. У практичних термінах, як це зміниє підхід компаній до експериментування, прототипування та часу виходу на ринок?
Традиційно DFT був золотим стандартом точності, але сьогодні його обчислювальна вартість обмежує його широке застосування; команди НД сильно покладалися на спроби та помилки в експериментах та використовували DFT вибірково для валідации. Близька до точності DFT при значно прискорених швидкостях усуває це обмеження.
Замість використання DFT для аналізу декількох кандидатів після експериментів компанії тепер можуть негайно наблизитися до цього рівня висновків через тисячі можливостей. Це дозволяє їм звузити обчислювальний простір пошуку до того, як буде витрачено фізичні ресурси. Результатом є менше невдалих експериментів, більш цільове прототипування та значно швидші цикли ітерації, в кінцевому підсумку скорочуючи час виходу на ринок, одночасно збільшуючи впевненість у тому, що рухається виробництво вперед.
Ми спостерігаємо перехід до симуляційно-орієнтованого відкриття матеріалів у галузях, таких як напівпровідники, батареї та хімічні речовини. Як виглядає повністю симуляційно-орієнтований робочий процес НД всередині сучасної корпорації?
Симуляційно-орієнтований робочий процес починається з того, що НД закріплюється навколо бажаних результатів, а не попередньо визначених матеріалів. Команди ідентифікують свої цілі та виклики, а потім проводять скринінг великої кількості кандидатних матеріалів у масштабі за допомогою оптимізації, стабільності та все частіше дослідження всього хімічного або кристалічного простору.
Це є інтерактивним процесом. Результати симуляції безперервно інформують про наступний набір кандидатів, швидко звужуючи простір дизайну. До того часу, коли матеріали переходять у фазу валідации, вони вже були відфільтровані через декілька обчислювальних шарів, суттєво скорочуючи марнування зусиль.
Справжнє зрушення, однак, є організаційним. Симуляція переходить за межі нішевої здатності та стає центральним шаром прийняття рішень. Вона спрямовує, які експерименти проводяться, як розподіляються ресурси, та як пріоритезуються цілі команд. З часом це створює закриту систему, де симуляція та експериментування підтримують одне одного, дозволяючи командам досліджувати більше можливостей, залишаючись при цьому тісно зосередженими на найбільш життєздатних шляхах.
Як штучний інтелект стає центральним у матеріалознавстві, інфраструктура, така як обчислення, 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 процесами та обмеженим доступом до обчислень. Розгляд штучного інтелекту як інструменту, шару на спадкових системах, призводить до ізольованого експериментування, а обмежувальний фактор перейшов до інфраструктури та того, наскільки ефективно організації можуть інтегрувати обчислення та дані симуляції в єдину, уніфіковану систему.
Matlantis вже використовується в галузях, починаючи від енергетики та закінчуючи передовим виробництвом. 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 дорогі, а простори дизайну великі, такі як матеріали для батарей, каталізатори та матеріали, пов’язані з напівпровідниками. У цих доменах усунення невідповідних кандидатів на ранній стадії створює негайну цінність.
Наприклад, хімічний виробник Kuraray раніше мав процес верифікації, який займав два-три роки, але був скорочений досього місяця та половини за допомогою Matlantis. У одній кампанії симуляції було оцінено 13 запропонованих покращень каталізаторів, і всі вони були визнані невідповідними, що зберегло роки експериментальної праці над безперспективними ідеями.
Оглядаючи вперед, наступна хвиля проривів прийде з конвергентності симуляції та експериментування, а не з їхнього покращення в ізоляції. Сьогодні все ще існує чітка межа між ними, і вони зазвичай розглядаються як послідовні кроки, а не як єдина стратегія.
Однак ця межа починає розмитнюватися. З появою високопродуктивної симуляції та машинного навчання ми спостерігаємо появу систем відкриття з закритим циклом, де симуляція спрямовує експерименти в реальному часі, а експериментальні дані постійно повертаються до моделей. Коли ці системи дозрівають, відкриття стане безперервним. Ця конвергентність, де симуляція, штучний інтелект та експериментування діють як єдина система, є тим місцем, де будуть рухатися прориви наступного покоління.
Ваша роль охоплює як глибокі технічні дослідження, так і глобальний успіх клієнтів. Які нові навички, на вашу думку, наступне покоління вчених та інженерів повинні розвинути, щоб залишатися конкурентоспроможними в умовах НД, керованих штучним інтелектом?
Найважливішою навичкою, яку наступне покоління повинно укріпити, є здатність діяти між дисциплінами. Вчені потребують сильної експертизи в галузі та здатності працювати з даними моделей, масштабованими платформами симуляції та ітеративними робочими процесами. Не менш важливо є розуміння того, як симуляція та дані експериментів пов’язані всередині більшого процесу відкриття.
Наступне покоління буде визначатися не тільки тим, що вони знають, а й тим, наскільки ефективно вони можуть інтегрувати та застосовувати ці знання всередині сучасних середовищ НД.
Оглядаючи вперед, коли моделювання, кероване штучним інтелектом, наближається до реального відкриття матеріалів, наскільки ми близькі до світу, де цілі класи матеріалів будуть розроблені, валідовані та оптимізовані повністю в silico до того, як буде проведений будь-який фізичний експеримент, і що це означає для майбутнього інновацій?
Ми наближаємося до цієї здатності в певних доменах, але ще не універсально. Для багатьох систем симуляція вже може усунути велику частину простору дизайну та ідентифікувати дуже перспективних кандидатів до того, як буде проведений будь-який експеримент.
Однак повне захоплення реальної складності, такої як умови синтезу та ефекти масштабування, залишається викликом. Як наслідок, роль експериментування еволюціонує. Замість того, щоб служити основним засобом дослідження, експерименти стають більш цілеспрямованими та цілевими, зосереджуючись на валідації та уточненні найбільш перспективних обчислювальних результатів. Більшість зусиль на ранній стадії відкриття переходять у симуляцію, дозволяючи фізичному тестуванню працювати з набагато більшою точністю та ефективністю.
Дякуємо за велике інтерв’ю. Читачам, які бажають дізнатися більше, слід відвідати Matlantis.
