تمويل

Polaron تجمع 8 ملايين دولار لإنشاء طبقة ذكاء لعلم المواد

Antoine Tardif
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةتؤتمت منصة بولارون للذكاء الاصطناعي تحليل البنية المجهرية لربط معالجة المواد بنتائج…
عرض المزيد
  • تؤتمت منصة بولارون للذكاء الاصطناعي تحليل البنية المجهرية لربط معالجة المواد بنتائج الأداء.
  • تقترح أدوات الشركة للتصميم التوليدي تركيبات مواد قابلة للتصنيع باستخدام علاقات المعالجة-البنية المُتعلمة.
  • حصلت بولارون على 8 ملايين دولار لتوسيع فريقها الهندسي ونشر أدواتها في الصناعات الثقيلة.

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 ذكاء لعلم المواد – التكنولوجيا التي تهدف إلى حل تحدٍّ صناعي 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 منظومة الذكاء الاصطناعي 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

لأكثر من قرن ، ركز التصنيع على أتمتة العمليات – درفلة ، 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 ذاتية من صور المجهر لاستنتاج كيفية تأثير خيارات المعالجة على القوة أو المتانة أو الكفاءة.

في قلب هذه المشكلة يوجد مبدأ أساسي في علم المواد: المعالجة تحدد الهيكل ، والهيكل يحدد الأداء. الترتيب المجهري للحبيبات والمسام 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 تاريخيًا بطيئًا وكثيف العمل.

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 مجهرية حقيقية مقترنة بخصائص المواد المقاسة. هذا يسمح لنظامها بتوصيف المواد تلقائيًا ، 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 لظروف المعالجة المختلفة.

أهم من ذلك ، يوفر النظام تفسيرات ، وليس فقط تنبؤات. من خلال ربط سمات البنية المجهرية 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 تلبي 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 والسيراميك 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 للأقطاب الكهربائية 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 التطبيقات 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 وعلم المواد. 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 الممارسين 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 التشابه مع التخصصات القائمة على البيانات ، حيث تجري دورات التطوير رقميًا قبل إجرائها في موقع التصنيع.

في الممارسة ، يمكن لهذا النوع من النهج أن يقصّر الأطر الزمنية للتطوير للبطاريات والمكونات الهيكلية والمواد المركبة المتقدمة ، مع تقليل الاعتماد على الاختبار المادي المكلف والتجربة والخطأ. قد يسمح أيضا بتحقيق نتائج تصنيع أكثر اتساقًا ، 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 تصبح القدرة على ربط البنية الدقيقة بالأداء على المستوى العياني قدرة أساسية عبر الصناعات التي تعتمد على المواد المتقدمة.

أنطوان قائد صاحب رؤية وشريك مؤسس في Unite.AI، يدفعه شغف راسخ بتشكيل مستقبل الذكاء الاصطناعي والروبوتات وتعزيزه. وبصفته رائد أعمال أسس عدة مشروعات، يؤمن بأن الذكاء الاصطناعي سيُحدث تحولًا في المجتمع يضاهي ما أحدثته الكهرباء، وكثيرًا ما يتحدث بحماس عن إمكانات التقنيات التحويلية والذكاء الاصطناعي العام (AGI).

وبصفته مستشرفًا للمستقبل، يكرس جهوده لاستكشاف كيف ستشكل هذه الابتكارات عالمنا. وهو أيضًا مؤسس Securities.io، وهي منصة تركز على الاستثمار في التقنيات المتطورة التي تعيد تعريف المستقبل وتعيد تشكيل قطاعات بأكملها.