Polaron Získal 8 Milionů Amerických Dolářů Na Vybudování Inteligenční vrstvy Pro Vědu O Materiálech

Polaron získal $8 milionů nových finančních prostředků při práci na předefinování toho, jak jsou pokročilé materiály chápany, navrhovány a vyráběny. Londýnská startup společnost buduje to, co popisuje jako inteligenční vrstvu pro vědu o materiálech – technologii zaměřenou na řešení dlouhodobého průmyslového problému: porozumění tomu, jak způsob výroby materiálů určuje jejich konečné vlastnosti.

Finanční kolo bylo vedené Racine², fondem zaměřeným na dopad, který je podporován Serenou a Makesense, s účastí Speedinvest, Futurepresent a skupiny andělských investorů z průmyslového ekosystému umělé inteligence. Polaron plánuje použít kapitál k rozšíření svého inženýrského týmu, urychlení nasazení svých generativních designových nástrojů a podpoře rostoucí poptávky zákazníků napříč automobilovým, energetickým a dalšími těžkými průmysly.

Převod Dat O Materiálech Na Porozumění

Po více než století se výroba zaměřila na automatizaci procesů – valení, odlévání, pokovování a tvarování materiálů ve velkém měřítku. Ale porozumění materiálům samotným zůstalo převážně manuální. Inženýři často spoléhají na nespojené nástroje, vlastní skripty a subjektivní interpretaci mikroskopických obrazů, aby odvodili, jak volby zpracování ovlivňují pevnost, trvanlivost nebo efektivitu.

V centru tohoto problému je základní princip vědy o materiálech: zpracování určuje strukturu, a struktura určuje vlastnosti. Mikroskopické uspořádání zrn, pórů, fází a defektů uvnitř materiálu řídí, jak se chová ve skutečném světě. Tyto struktury nejsou teoretické – jsou viditelné pod mikroskopem – ale extrakce konzistentních, akčních poznatků z nich byla historicky pomalá a pracovně náročná.

Platforma Polaronu je navržena tak, aby tento stav změnila tím, že učí stroje číst a interpretovat mikrostrukturu ve velkém měřítku.

Od Charakterizace K Poznatkům

Polaron trénuje modely umělé inteligence na velkých objemech skutečných mikroskopických obrazů spojených s měřenými vlastnostmi materiálů. To umožňuje jeho systému automaticky charakterizovat materiály, identifikovat funkce, které dříve vyžadovaly tisíce hodin odborné manuální analýzy. Úkoly, které dříve trvaly týdny, mohou být nyní dokončeny během několika minut, poskytují inženýrům rychlou zpětnou vazbu o tom, jak materiály reagují na různé podmínky zpracování.

Ještě důležitější je, že systém poskytuje vysvětlení, ne pouze předpovědi. Propojením mikrostrukturálních rysů s výsledky vlastností může inženýrům porozumět proč materiál chová se určitým způsobem, místo aby se spoléhali pouze na empirické testování. Platforma může také rekonstruovat trojrozměrné struktury ze dvourozměrných obrazů a rychle detekovat komplexní nebo jemné rysy, které jsou snadno přehlédnutelné tradičními metodami.

Tento posun od deskriptivní analýzy k kauzálnímu porozumění je to, co Polaron věří, odemyká další fázi inovací materiálů.

Generativní Návrh Pro Vyrobitelné Materiály

Mimo analýzu se Polaron zaměřuje na generativní návrh. Používáním naučených vztahů mezi procesem, strukturou a vlastnostmi může jeho platforma prozkoumat rozsáhlé návrhové prostory a navrhnout optimální konfigurace materiálů spolu s podmínkami zpracování nezbytnými pro jejich výrobu.

Rather než experimentovat slepě v laboratoři, inženýři mohou použít systém k identifikaci slibných návrhů dopředu – těch, které splňují cíle vlastností, zatímco zůstávají vyrobitelné ve velkém měřítku. Tento přístup pomáhá překlenout běžnou mezeru v inovacích materiálů, kde nápady, které fungují v kontrolovaných výzkumných prostředích, selhávají, když jsou vystaveny skutečným výrobním omezením.

Platforma je navržena tak, aby fungovala napříč širokým spektrem materiálů, včetně kovů, keramik, polymerů a kompozitů, což z ní činí aplikovatelnou pro mnoho průmyslových sektorů.

Rané Výsledky Ve Vysokodopadových Průmyslech

Technologie Polaronu je již používána inženýry ve světových výrobních lídrech, včetně výrobců elektrických vozidel, kteří jsou zodpovědní za významnou část světové produkce elektromobilů. V jednom projektu vývoje baterií podporovala platforma návrh nových elektrodových materiálů, které poskytly zlepšení hustoty energie o více než 10 procent.

Ve oblastech, jako jsou baterie, kde inkrementální zisky se přímo překládají do delšího dojezdu, lepšího výkonu nebo nižších nákladů, mohou mít taková zlepšení nepřiměřený dopad. Tyto rané nasazení naznačují, že nástroje Polaronu nejsou pouze akademicky zajímavé, ale také komerčně relevantní.

Kořeny Ve Vědeckém Výzkumu

Společnost byla vyvinuta z Imperial College London po sedmi letech výzkumu na rozhraní umělé inteligence a vědy o materiálech. Polaron byl založen CEO Isaacem Squiresem, CTO Stevem Kenchem a Chief Scientistem Samem Cooperem, kteří se pokusili přeložit nejnovější výzkum do nástrojů, které by mohly být použity praktickými inženýry.

Tento akademický základ zůstává centrální pro přístup společnosti, ale zaměřením je pevně na průmyslové uplatnění – přesunout inovace materiálů z pomalých, pokusných cyklů do datově řízených návrhových workflow.

Dopady Pro Inženýrství Materiálů A Výrobu

Technologie, které aplikují strojové učení přímo na mikrostrukturu materiálů, naznačují širší posun v tom, jak jsou fyzické produkty vyvíjeny. Pokud lze vztahy mezi procesem, strukturou a vlastnostmi modelovat spolehlivě, může inženýrství materiálů začít připomínat jiné datové disciplíny, kde iterace probíhají digitálně, než se stanou skutečností na výrobní půdě.

V praxi by to mohlo zkrátit dobu vývoje baterií, strukturálních komponentů a pokročilých kompozitů, zatímco sníží závislost na nákladném fyzickém testování. Může také umožnit konzistentnější výrobní výsledky, protože rozhodnutí o procesu jsou informována statistickými poznatky, spíše než pouze nahromaděnou intuicí.

Časem by tento typ přístupu mohl ovlivnit, jak jsou týmy materiálů organizovány, jak je výrobní znalost uchovávána, a jak rychle se nové materiály pohybují z výzkumných prostředí do výroby. Jak datasets rostou a modely se zlepšují, schopnost propojit mikroskopickou strukturu s makroskopickým výkonem může se stát základní schopností napříč průmysly, které závisí na pokročilých materiálech.