渡边拓，Matlantis美国运营副总裁兼首席 – 采访系列

渡边拓，Matlantis美国运营副总裁兼首席，是一位材料科学和人工智能专家，拥有跨越先进电池研究、计算建模和全球技术领导的职业生涯。他目前领导着Matlantis在美国的扩张，总部位于马萨诸塞州的剑桥，同时也担任首席研究员和全球客户成功负责人，连接先进材料信息学与现实世界的工业用例。在加入Matlantis之前，他曾在三星日本研发院担任高级职位，专注于全固态电池的开发，并在佐治亚理工学院完成博士后研究后，在佛罗里达大学完成了模拟软件的研究生工作。他的职业生涯始终围绕着将机器学习、基于物理的模拟和材料科学结合起来，以加速能源和先进材料的创新。

Matlantis是一家人工智能驱动的材料信息学公司，专注于通过高速原子级模拟转变新材料的发现和开发。其基于云的平台使研究人员能够以高精度和速度模拟分子和晶体行为，减少了曾经需要数月的过程到几秒钟。基于机器学习的原子间势和计算化学，平台允许科学家在没有传统实验约束的情况下探索大量的材料组合，支持半导体和能源存储等行业。Matlantis于2021年通过Preferred Networks和ENEOS的合作成立，正在将自己定位为人工智能优先的材料发现和数字研发工作流的核心层。

您在整个职业生涯中都处于材料科学、模拟和机器学习的交叉点，从三星的电池研究到ENEOS的材料信息学，现任Matlantis美国运营副总裁兼首席。是什么关键时刻让您相信人工智能驱动的模拟将从根本上改变材料发现？

我的转折点是意识到材料发现的真正瓶颈是我们有限的探索能力。在我的电池材料和材料信息学工作中，我们可以使用诸如密度泛函理论（DFT）等方法生成高质量的见解，但仅限于一个小的可能性集，因为成本和时间约束。

发生了变化的是机器学习势的出现，它可以在保留近量子级别的准确性的同时显著提高计算速度。这解锁了两个重要的转变。

首先，它实现了高保真度的加速试错。研究人员现在可以在不牺牲准确性的情况下运行每单位时间的候选者评估，根本性地改变了探索的速度和范围。其次，它为材料发现中的数据科学创造了新的基础，因为这种计算速度可以生成高质量数据的体积，使机器学习方法真正有效。

Matlantis最近与NVIDIA的ALCHEMI Toolkit集成，以实现工业规模的模拟吞吐量。从您的角度来看，这种集成移除了哪些具体的瓶颈，它又如何改变了R&D团队今天可以实现的目标？

集成移除了人工智能驱动的势和它们依赖的基础设施之间的基本不匹配。虽然像PFP这样的模型本质上是GPU加速的，但模拟工作流程中的关键部分，例如编排，传统上仍然是CPU绑定或松散连接的不同工具。这在数据移动中创建了低效率，并通过引入分布式工作负载运行时的摩擦来限制可扩展性。

ALCHEMI通过将GPU加速扩展到整个模拟堆栈来解决这个问题，建立在早期与NVIDIA Warp优化内核的集成之上，现在转向ALCHEMI Toolkit-Ops进行生产规模的执行。结果是计算速度更快，模拟环境更加连贯和人工智能本地，可以在工业规模上可靠地运行。

这尤其重要，因为它标志着从平台愿景到实际部署的转变。凭借LightPFP等功能，可以进行数十万个原子的模拟，并且推理速度更快，人工智能驱动的原子级模拟可以在生产工作流程中使用。

对于R&D团队来说，这改变了模拟的角色。模拟不再被选择性地应用，而是可以嵌入到日常决策中，塑造哪些材料在开发的早期被优先考虑。

公告强调了LightPFP和即将推出的PFP与ALCHEMI的集成。这些发展如何提高与传统原子级模拟管道相比的可扩展性和稳定性？

LightPFP解决了原子级模拟中的一个关键瓶颈：分布式系统中需要的邻居列表构造的通信开销。通过在推理期间用NVIDIA ALCHEMI Toolkit-Ops替换这一步骤，它减少了节点间的通信。这使得大规模模拟既更快又更稳定。

结合其基于服务器的架构，这允许模拟更高效地扩展，同时简化基础设施并降低运营复杂性。

完整的PFP集成将这些好处扩展到一个通用模型，这很重要，因为传统的管道通常难以在不同材料系统和计算环境中保持一致地扩展。这些发展共同提高了可扩展性和可靠性，使模拟从孤立的研究用例转变为连续的工业规模部署，而不需要在性能和稳定性之间进行典型的权衡。

Matlantis建立在Preferred Potential（PFP）基础上，PFP是在数千万个量子级计算的基础上训练的。这种数据驱动的方法与传统的基于物理的模拟有何不同，它在哪里提供了最大的性能提升？

传统的模拟每次都直接从第一原理计算相互作用，这是准确的，但计算成本很高。PFP则从大量的量子计算中学习，并在推理期间应用这种知识。最大的性能提升出现在需要对多个候选者进行重复评估的工作流程中，例如筛选材料或探索材料组成。在这些领域，研究人员可以在保持有意义的准确性的同时评估数千个候选者，而不仅仅是有限的几个系统。

最令人信服的说法之一是实现接近DFT准确性的同时大幅加快速度。在实际操作中，这如何改变公司对实验、原型设计和上市时间的态度？

传统上，DFT一直是准确性的金标准，但今天，其计算成本限制了它可以被广泛应用的范围；R&D团队严重依赖试验和错误的实验，并选择性地使用DFT进行验证。实现接近DFT准确性的同时大幅加快速度，消除了这一限制。

公司不再需要使用DFT来分析少数候选者，然后进行实验，而是可以立即对数千个可能性进行近似分析。这样可以在投入物理资源之前缩小计算搜索空间。结果是减少了失败的实验，更加有针对性的原型设计，以及显著更快的迭代周期，最终减少了上市时间，同时增加了对推动生产的内容的信心。

我们正在看到一个向模拟优先的发现转变，横跨半导体、电池和化学品等行业。现代企业内部的模拟优先的R&D工作流程是什么样的？

模拟优先的工作流程从围绕期望结果的R&D开始，而不是预定义的材料。团队确定他们的目标和挑战，然后通过优化、稳定性和日益增加的探索来筛选大量候选材料，包括整个化学或晶体空间。

这是一个交互的过程。模拟结果不断地指导下一组候选者，快速地缩小设计空间。到材料进入验证阶段时，它们已经通过多个计算层进行了筛选，显著地减少了浪费的努力。

然而，真正的转变是组织性的。模拟超越了一个小众能力，成为一个核心的决策层。它指导哪些实验被运行，如何分配资源，以及团队如何优先考虑他们的优先事项。随着时间的推移，这创建了一个闭环系统，其中模拟和实验相互强化，使团队能够探索更多的可能性，同时保持对最可行的路径的紧密关注。

随着人工智能成为材料科学的核心，基础设施（如计算、GPU和软件栈）变得越来越关键。为什么基础设施现在出现了限制，而不仅仅是模型创新？

因为许多组织拥有强大的模型，但苦于碎片化的工作流程和有限的计算资源。将人工智能视为层叠在传统系统上的工具，导致了孤立的实验，而限制因素已经从模型创新转移到基础设施和组织如何将计算和数据模拟集成到一个统一的系统中。

Matlantis已经被应用于从能源到先进制造等各个行业。哪些用例今天看到最快的投资回报率，您认为下一波突破将在哪里出现？

最快的投资回报率出现在实验周期昂贵且设计空间很大的领域，例如电池材料、催化剂和半导体相关材料。在这些领域，早期消除不可行的候选者可以立即产生价值。

例如，化学制造商Kuraray曾经有一个验证过程需要两到三年，但使用Matlantis后仅需一个半月。在一次模拟活动中，评估了13个拟议的催化剂改进，并排除了所有作为不可行的，节省了多年的实验努力，避免了对死胡同想法的追求。

展望未来，下一波突破将来自模拟和实验的融合，而不是分别改进它们。今天，两者之间仍然存在明显的界限，通常被视为顺序步骤，而不是统一的策略。

然而，这个界限开始消失。随着高通量模拟和机器学习的进步，我们看到闭环发现系统的出现，其中模拟实时指导实验，实验数据反馈到模型中。随着这些系统的成熟，发现将变得连续。模拟、人工智能和实验作为一个统一系统的融合，将推动下一代突破。

您的角色涵盖了深入的技术研究和全球客户成功。您认为下一代科学家和工程师必须发展哪些新的技能才能在人工智能驱动的R&D环境中保持竞争力？

最重要的技能是跨学科工作的能力。科学家需要强大的领域专业知识和与数据驱动的模型、可扩展的模拟平台和迭代工作流程合作的能力。同样重要的是理解模拟和数据实验如何在更大的发现过程中相互连接。

下一代将不仅仅被他们所知道的定义，也将被他们如何在现代R&D环境中整合和应用知识的能力所定义。

展望未来，随着人工智能驱动的模拟接近实时材料发现，我们离一个世界更近了，在这个世界中，整个材料类别都可以完全在silico中设计、验证和优化，然后再进行任何物理实验。这种情况意味着什么，对创新未来有什么影响？

我们在某些领域接近这种能力，但还没有普遍实现。对于许多系统，模拟已经可以消除设计空间的大部分并在任何实验之前确定出非常有前途的候选者。

然而，完全捕捉现实世界的复杂性，例如合成条件和扩大规模的影响，仍然具有挑战性。因此，实验的作用正在演变。实验不再作为主要的探索方法，而是变得更加有针对性和目的性，专注于验证和改进最有前途的计算结果。大部分发现的早期工作转移到模拟中，使物理测试能够以更大的精度和效率运行。

感谢这次精彩的采访，希望读者可以通过访问Matlantis了解更多信息。