تمويل
Polaron تجمع 8 ملايين دولار لإنشاء طبقة ذكاء لمواد العلوم
أضف Unite.AI إلى مصادرك المفضلة على Google
Polaron حصلت على $8 مليون في التمويل الجديد بينما تعمل على إعادة تعريف كيفية فهم المواد المتقدمة وتصميمها وتصنيعها. الشركة الناشئة في لندن تبني ما تصفه ب طبقة الذكاء لمواد العلوم – التكنولوجيا التي تهدف إلى حل تحدي industriel قديم: فهم كيفية تحديد طريقة تصنيع المواد أدائها في النهاية.
جولة التمويل بقيادة Racine² ، وهو صندوق يركز على التأثير مدعوم من سيرينا وميك سنس ، مع مشاركة من Speedinvest ، Futurepresent ، ومجموعة من المستثمرين الملاك الذين يتمتعون بخبرة في نظام الإيكولوجيا الصناعي. تخطط Polaron لاستخدام رأس المال لتوسيع فريق الهندسة ، وتسريع نشر أدوات التصميم التوليدي ، ودعم الطلب المتزايد من العملاء عبر الصناعات الثقيلة مثل السيارات والطاقة.
تحويل بيانات المواد إلى فهم
لمزيد من قرن ، ركز التصنيع على تطبيق العمليات تلقائيًا – لفة ، صب ، طلاء ، وتشكيل المواد على نطاق واسع. ولكن فهم المواد نفسها ظل في الغالب يدويا. غالبا ما يعتمد المهندسون على أدوات غير متصلة ، وبرامج مخصصة ، وتفسيرات خاضعة للذات من صور المجهر لاستنتاج كيفية تأثير خيارات المعالجة على القوة أو المتانة أو الكفاءة.
في قلب هذه المشكلة يوجد مبدأ أساسي لمواد العلوم: المعالجة تحدد الهيكل ، والهيكل يحدد الأداء. الترتيب الدقيق للحبوب والثقوب والأطوار والعيوب داخل المادة يحكم كيفية سلوكها في العالم الحقيقي. هذه الهياكل ليست نظرية – فهي مرئية تحت المجهر – ولكن استخراج رؤى متسقة وفعّالة من هذه الهياكل كان تاريخيا بطيئا ومكلفا.
منصة Polaron مصممة لتغيير ذلك من خلال تعليم الآلات قراءة وتفسير البنية الدقيقة على نطاق واسع.
من التوصيف إلى رؤية
Polaron يدرّب نماذج الذكاء الاصطناعي على حجم كبير من صور المجهر الحقيقي مع خصائص المواد المقاسة. هذا يسمح لنظامها بتحديد المواد تلقائيا ، وتحديد الميزات التي كانت تتطلب آلاف الساعات من التحليل اليدوي الخبير. المهام التي كانت تأخذ أسابيع يمكن الآن إكمالها في دقائق ، مما يوفر للمهندسين ملاحظات سريعة حول كيفية استجابة المواد للظروف المعالجة المختلفة.
أهم من ذلك ، يوفر النظام تفسيرات ، وليس فقط تنبؤات. من خلال ربط الميزات الهيكلية بالنتائج الأدائية ، يمكن للمهندسين فهم لماذا تسلك المادة سلوكها ، بدلا من الاعتماد فقط على الاختبار التجريبي. يمكن للنظام أيضا إعادة بناء هياكل ثلاثية الأبعاد من صور ثنائية الأبعاد والكشف السريع عن الميزات المعقدة أو الدقيقة التي من السهل تفويتها بالطرق التقليدية.
هذا التحول من التحليل الوصفي إلى الفهم السببي هو ما يعتقد Polaron أنه يفتح المرحلة التالية من الابتكار في المواد.
تصميم توليدي للمواد القابلة للتصنيع
ما وراء التحليل ، Polaron يدفع إلى التصميم التوليدي. باستخدام العلاقات المكتسبة بين المعالجة والهيكل والأداء ، يمكن لمنصته استكشاف مساحات التصميم الشاسعة واقتراح تكوينات المواد المثالية مع ظروف المعالجة المطلوبة لإنتاجها.
بدلا من التجربة العمياء في المختبر ، يمكن للمهندسين استخدام النظام لتحديد التصاميم الواعدة في البداية – تلك التي ت满ي أهداف الأداء مع الحفاظ على قابليتها للتصنيع على نطاق صناعي. هذا النهج يساعد على سد فجوة شائعة في ابتكار المواد ، حيث تفشل الأفكار التي تعمل في بيئات البحث الخاضعة للرقابة عند تعرضها لقيود الإنتاج الحقيقية.
المنصة مصممة للعمل عبر مجموعة واسعة من المواد ، بما في ذلك المعادن والكерамиك والبوليمرات والمواد المركبة ، مما يجعلها قابلة للتطبيق في العديد من القطاعات الصناعية.
النتائج المبكرة في الصناعات ذات الأثر الكبير
تكنولوجيا Polaron يتم استخدامها بالفعل من قبل المهندسين في قادة التصنيع العالميين ، بما في ذلك مصنعي السيارات الكهربائية المسؤولين عن حصة كبيرة من إنتاج السيارات الكهربائية العالمي. في أحد مشاريع تطوير البطاريات ، دعم النظام تصميم مواد جديدة للكاثود التي قدمت تحسينات في الكثافة الطاقوية بأكثر من 10٪.
في مجالات مثل البطاريات ، حيث تترجم المكاسب الطفيفة مباشرة إلى مدى أطول وأداء أفضل أو تكاليف أقل ، يمكن أن يكون لهذه التحسينات تأثير كبير. هذه النشرات المبكرة تشير إلى أن أدوات Polaron ليست فقط مثيرة للاهتمام أكاديميا ، ولكنها ذات صلة تجاريا.
الجذور في البحث الأكاديمي
تم تأسيس الشركة من إمبريال كوليدج لندن بعد سبع سنوات من البحث في تقاطع الذكاء الاصطناعي ومواد العلوم. تم تأسيس Polaron من قبل الرئيس التنفيذي إسحاق سكويرز ، والرئيس التقني ستيف كينش ، والعالم الرئيسي سام كوبر ، الذين سعوا إلى ترجمة البحث المتقدم إلى أدوات يمكن للمهندسين الممارسيين استخدامها.
تظل الأسس الأكاديمية مركزية لنهج الشركة ، ولكن التركيز يظل على التطبيق الصناعي – نقل ابتكار المواد من الدورات البطيئة والتجربة والخطأ إلى تدفقات التصميم القائمة على البيانات.
الآثار على هندسة المواد والتصنيع
التكنولوجيات التي تطبق التعلم الآلي مباشرة على البنية الدقيقة للمواد تشير إلى تحول أوسع في كيفية تطوير المنتجات المادية. إذا كانت علاقات المعالجة – الهيكل – الأداء يمكن نمذجتها بشكل موثوق ، قد تبدأ هندسة المواد في الشبهة التخصصات القائمة على البيانات ، حيث تحدث التكرار رقميا قبل حدوثها على أرضية المصنع.
في الممارسة ، يمكن أن ي缩ط هذا النوع من النهج أطر زمنية التطوير للبطاريات والمكونات الهيكلية والمواد المركبة المتقدمة ، مع تقليل الاعتماد على الاختبار المادي المكلف والتجربة والخطأ. قد يسمح أيضا بتحقيق نتائج تصنيع أكثر تواترا ، حيث تصبح قرارات المعالجة مدعومة بالرؤية الإحصائية بدلا من الحدس المتراكم فقط.
بمرور الوقت ، يمكن أن يؤثر هذا النوع من النهج على كيفية تنظيم فرق المواد ، وكيفية الاحتفاظ بمعرفة التصنيع ، وكيفية انتقال المواد الجديدة من بيئات البحث إلى الإنتاج. مع نمو مجموعات البيانات وتحسين النماذج ، قد يصبح القدرة على ربط البنية الدقيقة بالأداء الكلي قدرة أساسية عبر الصناعات التي تعتمد على المواد المتقدمة.
