Scientifique de renom et innovateur dans le domaine des technologies du carbone, Phil est responsable des revenus de Deep Sky. Auparavant, il était responsable de la mise en place de la première installation de Deep Sky, Deep Sky Alpha, qui est devenue le premier centre de commercialisation et d’élimination du carbone au monde. Dans le cadre de ses fonctions, Phil se concentre sur les partenariats stratégiques, la collecte de fonds et la commercialisation. Avant Deep Sky, Phil était expert en développement durable chez McKinsey & Company. Titulaire d’un doctorat en science et ingénierie des matériaux et d’une maîtrise en chimie, il a publié plus de 50 articles dans des revues scientifiques importantes. Récipiendaire du prix Forbes 30 Under 30 en 2019, Phil a également été finaliste du concours Carbon XPRIZE, assorti de 20 millions de dollars.

Climatologue de formation, Catalina dirige les travaux permanents de Deep Sky sur la minéralisation du carbone. Jusqu’à récemment, elle était consultante en climat et en durabilité pour le Boston Consulting Group (BCG), climatologue travaillant sur le captage et le stockage du carbone à l’Université Columbia, et conseillère scientifique auprès de Carbfix. Son expertise technique lui permet de bien comprendre les systèmes terrestres pour la minéralisation du carbone, l’énergie géothermique, la mécanique des tremblements de terre et la sismicité induite. Elle travaille notamment à valider la faisabilité du stockage géologique du carbone et à l’optimiser comme moyen d’atténuer les changements climatiques.

Max est un expert en sciences des données chevronné qui possède des compétences poussées en apprentissage automatique appliqué et en recherche statistique. Il dirige les efforts de Deep Sky dans le domaine de la science des données. Max se passionne pour l’exploration de vastes ensembles de données et la communication des résultats à des auditoires non initiés. Il a auparavant dirigé des projets d’apprentissage automatique chez DataRobot, dans le cadre desquels il a été appelé à explorer de grands ensembles de données désorganisés, à créer des pipelines de données, à entraîner et à valider des modèles d’apprentissage automatique, et à communiquer les résultats à divers publics.