Finansiering
Polaron samler 8 millioner dollars til at bygge et intelligenslag for materialevidenskab

NøglepunkterPolarons AI-platform automatiserer mikrostrukturanalyse for at forbinde…
Vis mere
- Polarons AI-platform automatiserer mikrostrukturanalyse for at forbinde materialeforarbejdning med ydelsesresultater.
- Virksomhedens generative designværktøjer foreslår fremstillingsbare materialekonfigurationer ved hjælp af indlærte proces-struktur-sammenhænge.
- Polaron har sikret 8 millioner dollars til at udvide sit ingeniørteam og implementere sine værktøjer til tunge industrier.
Polaron har sikret 8 millioner dollars i ny finansiering, da de arbejder på at omdefinere, hvordan avancerede materialer forstås, designes og fremstilles. Den London-baserede startup bygger, hvad de beskriver som et intelligenslag for materialevidenskab – teknologi, der er rettet mod at løse en langvarig industriel udfordring: at forstå, hvordan fremstillingsmåden bestemmer materialernes endelige ydeevne.
Finansieringsrunden blev ledet af Racine², en fond med fokus på impact, der støttes af Serena og Makesense, med deltagelse fra Speedinvest, Futurepresent og en gruppe af businessengle, der kommer fra det industrielle AI-økosystem. Polaron planlægger at bruge kapitalen til at udvide deres ingeniørhold, accelerere udrulningen af deres generative designværktøjer og støtte den voksende efterspørgsel fra kunder i bil-, energi- og andre tungindustrier.
Omformning af materialedata til forståelse
I mere end et århundrede har fremstilling fokuseret på at automatisere processer – valse, støbe, belægge og forme materialer i stor skala. Men forståelsen af materialerne selv er forblevet overvejende manuel. Ingeniører afhænger ofte af separate værktøjer, brugerdefinerede scripts og subjektiv fortolkning af mikroskopi-billeder for at slutte, hvordan procesvalg påvirker styrke, holdbarhed eller effektivitet.
I centrum af dette problem ligger et grundlæggende princip i materialevidenskab: proces bestemmer struktur, og struktur bestemmer funktion. Det mikroskopiske arrangement af korn, porer, faser og defekter inde i et materiale bestemmer, hvordan det opfører sig i den virkelige verden. Disse strukturer er ikke teoretiske – de er synlige under mikroskabet – men at udtrække konsistent, handlingsorienteret indsigt fra dem har historisk set været langsomt og arbejdskrævende.
Polarons platform er designet til at ændre dette ved at lære maskiner at læse og fortolke mikrostruktur i stor skala.
Fra karakterisering til indsigt
Polaron træner AI-modeller på store mængder af virkelige mikroskopi-billeder parret med målte materialeegenskaber. Dette giver deres system mulighed for automatisk at karakterisere materialer, hvor de identificerer træk, der tidligere krævede tusinder af timers ekspertmanuel analyse. Opgaver, der tidligere tog uger, kan nu afsluttes på få minutter, og giver ingeniører hurtig feedback om, hvordan materialer reagerer på forskellige procesbetingelser.
Endnu vigtigere er, at systemet giver forklaringer, ikke kun forudsigelser. Ved at koble mikrostrukturelle træk til resultater for ydeevnen kan ingeniører forstå hvorfor et materiale opfører sig, som det gør, i stedet for kun at afhænge af empirisk testning. Platformen kan også genskabe tredimensionale strukturer fra todimensionale billeder og hurtigt registrere komplekse eller subtile træk, der let kan gå upåagtet med traditionelle metoder.
Dette skift fra deskriptiv analyse til årsagsforståelse er, hvad Polaron mener, åbner den næste fase af materialeinnovation.
Generativ design for fremstillingsvenlige materialer
Ud over analyse er Polaron også på vej ind i generativ design. Ved at bruge de lærte relationer mellem proces, struktur og funktion kan deres platform udforske enorme designrum og foreslå optimale materialekonfigurationer samt de procesbetingelser, der kræves for at producere dem.
I stedet for at eksperimentere blindt i laboratoriet kan ingeniører bruge systemet til at identificere lovende designs på forhånd – designs, der opfylder funktionsmål, samtidig med at de forbliver fremstillingsvenlige i industriel skala. Denne tilgang hjælper med at bygge bro over en almindelig kløft i materialeinnovation, hvor idéer, der fungerer i kontrollerede forskningsmiljøer, fejler, når de udsættes for virkelige produktionsbegrænsninger.
Platformen er designet til at fungere på tværs af et bredt udvalg af materialer, herunder metaller, keramiske materialer, polymerer og kompositmaterialer, hvilket gør den anvendelig i mange industrielle sektorer.
Tidlige resultater i høj-impact-industrier
Polarons teknologi bruges allerede af ingeniører hos globale fremstillingsledere, herunder elbilmærker, der står for en betydelig andel af verdens elbilproduktion. I et batteriudviklingsprojekt understøttede platformen designet af nye elektrodematerialer, der leverede energitæthedsforbedringer på over 10 procent.
I felter som batterier, hvor inkrementelle gevinster oversætter sig direkte til længere rækkevidde, bedre ydelse eller lavere omkostninger, kan sådanne forbedringer have en overdimensioneret indvirkning. Disse tidlige udrulninger antyder, at Polaron-værktøjerne ikke kun er akademisk interessante, men også kommercielt relevante.
Rod i akademisk forskning
Selskabet blev udskilt fra Imperial College London efter syv års forskning i skæringspunktet mellem kunstig intelligens og materialevidenskab. Polaron blev co-founderet af CEO Isaac Squires, CTO Steve Kench og Chief Scientist Sam Cooper, der satte sig for at oversætte banebrydende forskning til værktøjer, der kan bruges af praktiserende ingeniører.
Det akademiske grundlag forbliver centralt for selskabets tilgang, men fokus er fast på industriel anvendelse – at flytte materialeinnovation ud af langsomme, prøve-og-fejl-cykler og ind i data-drevne design-workflows.
Konsekvenser for materialeingeniørvidenskab og fremstillingsindustrien
Teknologier, der anvender maskinel læring direkte til materiale-mikrostruktur, peger mod et bredere skift i, hvordan fysiske produkter udvikles. Hvis proces-struktur-funktionsforhold kan modelleres pålideligt, kan materialeingeniørvidenskab begynde at ligne andre data-drevne discipliner, hvor iteration sker digitalt, før det sker på fabriksgulvet.
I praksis kan dette forkorte udviklingstider for batterier, strukturkomponenter og avancerede kompositmaterialer, samtidig med at det reducerer afhængigheden af dyre fysiske prøve-og-fejl-metoder. Det kan også muligvis aktivere mere konsistente fremstillingsresultater, da procesbeslutninger bliver informeret af statistisk indsigt i stedet for kun afhængigt af akkumuleret intuition alene.
Over tid kan denne type tilgang påvirke, hvordan materialeteams er organiseret, hvordan fremstillingskundskab bevares, og hvor hurtigt nye materialer flyttes fra forskningsmiljøer til produktion. Da datasets vokser og modeller forbedres, kan evnen til at koble mikroskopisk struktur til makroskopisk funktion muligvis blive en grundlæggende kapacitet på tværs af industrier, der afhænger af avancerede materialer.












