Taku Watanabe, Phó Chủ tịch và Giám đốc Hoạt động tại Mỹ, Matlantis – Loạt Phỏng vấn

Taku Watanabe, Phó Chủ tịch và Giám đốc Hoạt động tại Mỹ, Matlantis, là một chuyên gia khoa học vật liệu và trí tuệ nhân tạo với sự nghiệp bao gồm nghiên cứu pin tiên tiến, mô hình hóa tính toán và lãnh đạo công nghệ toàn cầu. Ông hiện đang lãnh đạo sự mở rộng của Matlantis tại Hoa Kỳ từ Cambridge, Massachusetts, đồng thời cũng là nhà nghiên cứu chính và trưởng bộ phận thành công khách hàng toàn cầu, kết nối thông tin vật liệu tiên tiến với các trường hợp sử dụng công nghiệp thực tế. Trước khi gia nhập Matlantis, ông đã giữ các vị trí cấp cao tại Viện Nghiên cứu và Phát triển Samsung Nhật Bản, tập trung vào việc phát triển pin thể rắn, và trước đó đã thực hiện nghiên cứu sau tiến sĩ tại Viện Công nghệ Georgia sau khi hoàn thành công việc nghiên cứu sinh về phần mềm mô phỏng tại Đại học Florida. Sự nghiệp của ông luôn tập trung vào việc kết hợp học máy, mô phỏng dựa trên vật lý và khoa học vật liệu để tăng tốc đổi mới trong năng lượng và vật liệu tiên tiến.

Matlantis là một công ty thông tin vật liệu được驱 động bởi trí tuệ nhân tạo, tập trung vào việc biến đổi cách thức phát hiện và phát triển vật liệu mới thông qua mô phỏng nguyên tử tốc độ cao. Nền tảng dựa trên đám mây của công ty cho phép các nhà nghiên cứu mô hình hóa hành vi phân tử và tinh thể với độ chính xác cao và tốc độ, giảm thiểu các quá trình từng mất nhiều tháng xuống chỉ vài giây. Được xây dựng trên các tiềm năng nguyên tử học máy và hóa học tính toán, nền tảng này cho phép các nhà khoa học khám phá các kết hợp vật liệu rộng lớn mà không bị giới hạn bởi các thí nghiệm truyền thống, hỗ trợ các ngành công nghiệp như bán dẫn và lưu trữ năng lượng. Được thành lập vào năm 2021 thông qua sự hợp tác giữa Preferred Networks và ENEOS, Matlantis đang định vị mình như một lớp cốt lõi trong sự chuyển đổi sang phát hiện vật liệu dựa trên trí tuệ nhân tạo và các quy trình nghiên cứu và phát triển kỹ thuật số.

Bạn đã dành sự nghiệp của mình tại giao điểm của khoa học vật liệu, mô phỏng và học máy, từ nghiên cứu pin tại Samsung đến thông tin vật liệu tại ENEOS và hiện đang lãnh đạo hoạt động tại Mỹ của Matlantis. Những khoảnh khắc then chốt nào đã khiến bạn tin rằng mô phỏng được驱 động bởi trí tuệ nhân tạo sẽ thay đổi cơ bản việc phát hiện vật liệu?

Điểm chuyển đổi đối với tôi là nhận ra rằng nút thắt thực sự trong việc phát hiện vật liệu là khả năng hạn chế của chúng tôi trong việc khám phá đủ ứng viên. Trong công việc của tôi về vật liệu pin và sau đó là thông tin vật liệu, chúng tôi có thể tạo ra những hiểu biết chất lượng cao bằng cách sử dụng các phương pháp như lý thuyết chức năng mật độ (DFT), nhưng chỉ trên một tập hợp nhỏ các khả năng do hạn chế về chi phí và thời gian.

Cái gì đã thay đổi là sự xuất hiện của các tiềm năng học máy có thể giữ nguyên độ chính xác gần như cấp độ lượng tử trong khi tăng đáng kể thông lượng tính toán. Điều này đã mở ra hai sự thay đổi quan trọng.

Thứ nhất, nó cho phép thử nghiệm và sai sót được tăng tốc với độ trung thực cao. Các nhà nghiên cứu hiện có thể chạy nhiều đánh giá ứng viên hơn mỗi đơn vị thời gian mà không hy sinh độ chính xác, thay đổi cơ bản tốc độ và phạm vi của quá trình khám phá. Thứ hai, nó tạo ra một nền tảng mới cho khoa học dữ liệu trong việc phát hiện vật liệu, vì mức độ thông lượng đó tạo ra khối lượng dữ liệu chất lượng cao cần thiết để làm cho các phương pháp học máy trở nên hiệu quả.

Matlantis gần đây đã tích hợp với bộ công cụ ALCHEMI của NVIDIA để cho phép thông lượng mô phỏng ở quy mô công nghiệp. Từ quan điểm của bạn, những nút thắt cụ thể nào bị loại bỏ bởi sự tích hợp này, và nó thay đổi những gì mà các nhóm R&D có thể đạt được thực tế hôm nay?

Sự tích hợp này loại bỏ sự không phù hợp cơ bản giữa các tiềm năng được驱 động bởi trí tuệ nhân tạo và cơ sở hạ tầng mà chúng phụ thuộc vào. Trong khi các mô hình như PFP vốn được tăng tốc bởi GPU, các phần chính của quy trình mô phỏng, như điều phối, truyền thống vẫn còn bị giới hạn bởi CPU hoặc kết nối lỏng lẻo trên các công cụ khác nhau. Điều này tạo ra sự không hiệu quả trong việc di chuyển dữ liệu và hạn chế khả năng mở rộng bằng cách giới thiệu ma sát khi chạy các khối lượng công việc lớn hoặc phân tán.

ALCHEMI giải quyết vấn đề này bằng cách mở rộng tăng tốc GPU trên toàn bộ ngăn xếp mô phỏng, xây dựng trên sự tích hợp trước đó với các hạt nhân được tối ưu hóa bởi Warp của NVIDIA và hiện đang chuyển sang Toolkit-Ops của ALCHEMI cho thực hiện sản xuất quy mô. Kết quả là tính toán nhanh hơn và một môi trường mô phỏng AI bản địa hơn, có thể hoạt động đáng tin cậy ở quy mô công nghiệp.

Cái gì làm cho điều này đặc biệt quan trọng bây giờ là nó đánh dấu một sự chuyển đổi từ tầm nhìn nền tảng sang triển khai thực tế. Với các khả năng như LightPFP cho phép mô phỏng ở quy mô hàng trăm nghìn nguyên tử và suy luận nhanh hơn, mô phỏng nguyên tử được驱 động bởi trí tuệ nhân tạo có thể được sử dụng trong các quy trình sản xuất.

Đối với các nhóm R&D, điều đó thay đổi vai trò của mô phỏng hoàn toàn. Thay vì được áp dụng một cách chọn lọc, nó có thể được nhúng vào việc ra quyết định hàng ngày, định hình những vật liệu nào được ưu tiên sớm trong quá trình phát triển.

Công bố nhấn mạnh LightPFP và tích hợp PFP sắp tới với ALCHEMI. Những phát triển này cải thiện khả năng mở rộng và ổn định so với các đường ống mô phỏng nguyên tử truyền thống như thế nào?

LightPFP giải quyết một nút thắt chính trong mô phỏng nguyên tử: sự chồng chéo cần thiết cho việc xây dựng danh sách hàng xóm trong các hệ thống phân tán. Bằng cách thay thế bước này trong quá trình suy luận với Toolkit-Ops của ALCHEMI, nó giảm thiểu giao tiếp giữa các nút. Điều này làm cho mô phỏng quy mô lớn trở nên nhanh hơn và ổn định hơn.

Kết hợp với kiến trúc dựa trên máy chủ, điều này cho phép mô phỏng mở rộng hiệu quả hơn trong khi đơn giản hóa cơ sở hạ tầng và giảm thiểu sự phức tạp về hoạt động.

Tích hợp PFP đầy đủ mở rộng những lợi ích này sang một mô hình phổ quát, điều quan trọng vì các đường ống truyền thống thường gặp khó khăn trong việc mở rộng một cách nhất quán trên các hệ thống vật liệu và môi trường tính toán khác nhau. Cùng nhau, những phát triển này cải thiện cả khả năng mở rộng và độ tin cậy, cho phép mô phỏng chuyển từ các trường hợp sử dụng nghiên cứu bị cô lập sang triển khai quy mô công nghiệp liên tục mà không có sự đánh đổi điển hình giữa hiệu suất và độ ổn định.

Matlantis được xây dựng trên Preferred Potential (PFP), được đào tạo trên hàng chục triệu tính toán cấp lượng tử. Cách tiếp cận dựa trên dữ liệu này khác với mô phỏng dựa trên vật lý truyền thống như thế nào, và nó mang lại lợi ích hiệu suất lớn nhất ở đâu?

Mô phỏng truyền thống tính toán các tương tác trực tiếp từ các nguyên tắc đầu tiên mỗi lần, điều này chính xác nhưng tốn kém về mặt tính toán. PFP thay vào đó học hỏi từ một tập hợp lớn các tính toán cấp lượng tử và áp dụng kiến thức đó trong quá trình suy luận. Lợi ích hiệu suất lớn nhất đến từ các quy trình công việc yêu cầu đánh giá lặp đi lặp lại trên nhiều ứng viên, như sàng lọc vật liệu hoặc khám phá thành phần vật liệu. Thay vì bị giới hạn ở một số hệ thống nhỏ, các nhà nghiên cứu có thể đánh giá hàng nghìn ứng viên trong khi vẫn duy trì độ chính xác có ý nghĩa.

Một trong những tuyên bố hấp dẫn nhất là đạt được độ chính xác gần DFT tại tốc độ tăng tốc đáng kể. Trong các điều khoản thực tế, điều này thay đổi cách các công ty tiếp cận thí nghiệm, tạo mẫu và thời gian đưa ra thị trường như thế nào?

Truyền thống, DFT đã là tiêu chuẩn vàng về độ chính xác, nhưng ngày nay, chi phí tính toán của nó hạn chế mức độ nó có thể được áp dụng; các nhóm R&D đã phụ thuộc nặng vào thử nghiệm và sai sót và sử dụng DFT một cách chọn lọc để xác thực. Độ chính xác gần DFT tại tốc độ tăng tốc đáng kể loại bỏ hạn chế này.

Thay vì sử dụng DFT để phân tích một số ứng viên sau khi thực hiện thí nghiệm, các công ty hiện có thể ngay lập tức xấp xỉ mức độ hiểu biết đó trên hàng nghìn khả năng. Điều này cho phép họ thu hẹp không gian tìm kiếm tính toán trước khi cam kết nguồn lực vật lý. Kết quả là ít thí nghiệm thất bại hơn, tạo mẫu được nhắm mục tiêu hơn và chu kỳ lặp lại nhanh hơn, cuối cùng giảm thời gian đưa ra thị trường trong khi tăng cường sự tự tin vào những gì thúc đẩy sản xuất.

Chúng ta đang chứng kiến một sự chuyển đổi hướng tới khám phá dựa trên mô phỏng trên toàn các ngành công nghiệp như bán dẫn, pin và hóa chất. Một quy trình R&D dựa trên mô phỏng hoàn toàn trông như thế nào trong một doanh nghiệp hiện đại?

Một quy trình dựa trên mô phỏng bắt đầu bằng việc neo đậu R&D xung quanh các kết quả mong muốn chứ không phải vật liệu được định nghĩa trước. Các nhóm xác định mục tiêu và thách thức của họ, sau đó sàng lọc số lượng lớn ứng viên vật liệu bằng cách sử dụng tối ưu hóa, ổn định và ngày càng nhiều, khám phá các không gian hóa học hoặc tinh thể.

Đây là một quá trình tương tác. Kết quả mô phỏng liên tục thông báo cho tập hợp ứng viên tiếp theo, nhanh chóng thu hẹp không gian thiết kế. Khi vật liệu chuyển sang giai đoạn xác thực, chúng đã được lọc qua nhiều lớp tính toán, giảm đáng kể nỗ lực bị浪 phí.

Sự thay đổi thực sự, tuy nhiên, là tổ chức. Mô phỏng chuyển từ một khả năng đặc biệt sang trở thành một lớp quyết định trung tâm. Nó định hình những thí nghiệm nào được chạy, cách tài nguyên được phân bổ và cách các nhóm ưu tiên các ưu tiên của họ. Theo thời gian, điều này tạo ra một hệ thống vòng kín nơi mô phỏng và thí nghiệm củng cố lẫn nhau, cho phép các nhóm khám phá nhiều khả năng hơn trong khi vẫn tập trung chặt chẽ vào các đường dẫn khả thi nhất.

Là AI trở thành trung tâm của khoa học vật liệu, cơ sở hạ tầng như tính toán, GPU và ngăn xếp phần mềm đang trở nên quan trọng hơn. Tại sao cơ sở hạ tầng hiện đang xuất hiện như một yếu tố hạn chế thay vì chỉ là đổi mới mô hình?

Vì nhiều tổ chức có mô hình mạnh, nhưng gặp khó khăn với các quy trình công việc bị phân mảnh và quyền truy cập tính toán hạn chế. Việc coi AI như một công cụ được xếp lớp trên các hệ thống di sản dẫn đến thí nghiệm bị cô lập, và yếu tố hạn chế đã chuyển sang cơ sở hạ tầng và cách các tổ chức tích hợp tính toán và mô phỏng vào một hệ thống thống nhất.

Matlantis hiện đang được sử dụng trên các ngành công nghiệp từ năng lượng đến sản xuất tiên tiến. Những trường hợp sử dụng nào đang thấy sự quay lại đầu tư nhanh nhất ngày nay, và bạn thấy làn sóng đột phá tiếp theo sẽ xuất hiện từ đâu?

Sự quay lại đầu tư nhanh nhất là trong các lĩnh vực mà chu kỳ thí nghiệm tốn kém và không gian thiết kế lớn, như vật liệu pin, chất xúc tác và vật liệu liên quan đến bán dẫn. Trong những lĩnh vực này, việc loại bỏ các ứng viên không khả thi sớm tạo ra giá trị ngay lập tức.

Ví dụ, nhà sản xuất hóa chất Kuraray từng có một quy trình xác thực mất hai đến ba năm nhưng đã được giảm xuống chỉ còn một tháng rưỡi khi sử dụng Matlantis. Trong một chiến dịch mô phỏng duy nhất, 13 cải tiến chất xúc tác được đề xuất đã được đánh giá và tất cả đều bị loại bỏ là không khả thi, giúp tiết kiệm nhiều năm nỗ lực thực nghiệm trên các ý tưởng vô ích.

Nhìn về phía trước, làn sóng đột phá tiếp theo sẽ đến từ sự hội tụ của mô phỏng và thí nghiệm, không phải từ việc cải thiện chúng một cách riêng biệt. Hiện tại, vẫn còn một ranh giới rõ ràng giữa hai khía cạnh này, và chúng thường được đối xử như các bước tuần tự chứ không phải chiến lược thống nhất.

Tuy nhiên, ranh giới đó đang bắt đầu tan biến. Với sự tiến bộ trong mô phỏng tốc độ cao và học máy, chúng tôi đang chứng kiến sự xuất hiện của các hệ thống khám phá vòng kín, nơi mô phỏng hướng dẫn thí nghiệm theo thời gian thực, và dữ liệu thực nghiệm liên tục cung cấp thông tin phản hồi cho các mô hình. Khi những hệ thống này trưởng thành, việc khám phá sẽ trở nên liên tục. Sự hội tụ đó, nơi mô phỏng, AI và thí nghiệm hoạt động như một hệ thống thống nhất, là nơi thế hệ đột phá tiếp theo sẽ được thúc đẩy.

Vai trò của bạn bao gồm cả nghiên cứu kỹ thuật sâu và thành công của khách hàng toàn cầu. Những kỹ năng mới nào bạn tin rằng thế hệ khoa học và kỹ sư tiếp theo cần phải phát triển để duy trì khả năng cạnh tranh trong môi trường R&D được驱 động bởi AI?

Kỹ năng quan trọng nhất mà thế hệ tiếp theo cần phải củng cố là khả năng hoạt động trên nhiều lĩnh vực. Các nhà khoa học cần có chuyên môn sâu về lĩnh vực của mình và khả năng làm việc với các mô hình dữ liệu, nền tảng mô phỏng có khả năng mở rộng và các quy trình công việc lặp lại. Không kém phần quan trọng là hiểu cách mô phỏng và thí nghiệm dữ liệu kết nối trong một quá trình khám phá lớn hơn.

Thế hệ tiếp theo sẽ được định nghĩa không chỉ bởi những gì họ biết, mà bởi cách họ áp dụng kiến thức đó một cách hiệu quả trong các môi trường R&D hiện đại.

Nhìn về phía trước, khi mô phỏng được驱 động bởi AI tiếp cận việc khám phá vật liệu trong thời gian thực, chúng ta gần đến thế giới nơi các lớp vật liệu hoàn toàn được thiết kế, xác thực và tối ưu hóa hoàn toàn trong silico trước khi bất kỳ thí nghiệm vật lý nào được thực hiện, và điều đó có ý nghĩa gì cho tương lai của đổi mới?

Chúng ta đang tiến gần đến khả năng này trong các lĩnh vực cụ thể, nhưng chưa phổ quát. Đối với nhiều hệ thống, mô phỏng đã có thể loại bỏ một phần lớn không gian thiết kế và xác định các ứng viên đầy hứa hẹn trước khi bất kỳ thí nghiệm nào được thực hiện.

Tuy nhiên, việc nắm bắt được sự phức tạp của thế giới thực, chẳng hạn như điều kiện tổng hợp và hiệu ứng quy mô, vẫn còn là một thách thức. Do đó, vai trò của thí nghiệm đang thay đổi. Thay vì đóng vai trò là phương pháp khám phá chính, thí nghiệm trở nên nhắm mục tiêu và có mục đích hơn, tập trung vào việc xác thực và tinh chỉnh các kết quả tính toán đầy hứa hẹn. Hầu hết các nỗ lực khám phá giai đoạn đầu chuyển sang mô phỏng, cho phép thử nghiệm vật lý hoạt động với độ chính xác và hiệu quả cao hơn.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm nên truy cập Matlantis.