Polaron sichert 8 Millionen Dollar, um eine Intelligenzschicht für die Materialwissenschaft aufzubauen

Polaron hat 8 Millionen Dollar an neuem Kapital gesichert, während es daran arbeitet, die Art und Weise, wie fortschrittliche Materialien verstanden, entworfen und hergestellt werden, neu zu definieren. Das in London ansässige Startup baut das entwickelt, was es als Intelligenzschicht für die Materialwissenschaft bezeichnet – eine Technologie, die darauf abzielt, eine langjährige industrielle Herausforderung zu lösen: das Verständnis, wie die Herstellung von Materialien ihre endgültige Leistung bestimmt.

Die Finanzierungsrunde wurde von Racine² angeführt, einem impact-orientierten Fonds, der von Serena und Makesense unterstützt wird, mit Beteiligung von Speedinvest, Futurepresent und einer Gruppe von Business-Angel-Investoren aus dem industriellen KI-Ökosystem. Polaron plant, das Kapital zu nutzen, um sein Ingenieurteam zu erweitern, die Bereitstellung seiner generativen Design-Tools zu beschleunigen und die wachsende Nachfrage von Kunden in der Automobil-, Energie- und anderen Schwerindustrie zu unterstützen.

Materialdaten in Verständnis umwandeln

Für mehr als ein Jahrhundert hat die Fertigung darauf abgezielt, Prozesse zu automatisieren – Materialien im großen Maßstab zu walzen, gießen, beschichten und formen. Das Verständnis der Materialien selbst ist jedoch weitgehend manuell geblieben. Ingenieure verlassen sich oft auf unverbundene Werkzeuge, benutzerdefinierte Skripte und subjektive Interpretation von Mikroskopie-Bildern, um zu erraten, wie Verarbeitungswahl die Festigkeit, Haltbarkeit oder Effizienz beeinflusst.

Im Mittelpunkt dieses Problems steht ein grundlegendes Prinzip der Materialwissenschaft: Die Verarbeitung bestimmt die Struktur, und die Struktur bestimmt die Leistung. Die mikroskopische Anordnung von Körnern, Poren, Phasen und Defekten in einem Material bestimmt, wie es sich in der realen Welt verhält. Diese Strukturen sind nicht theoretisch – sie sind unter dem Mikroskop sichtbar -, aber das Extrahieren konsistenter, handhabbarer Erkenntnisse aus ihnen war historisch gesehen langsam und arbeitsintensiv.

Polarons Plattform ist darauf ausgelegt, dies zu ändern, indem sie Maschinen lehrt, Mikrostrukturen im großen Maßstab zu lesen und zu interpretieren.

Von Charakterisierung zu Erkenntnis

Polaron trainiert KI-Modelle auf großen Mengen an realen Mikroskopie-Bildern, die mit gemessenen Materialien-Eigenschaften gepaart sind. Dies ermöglicht es seinem System, Materialien automatisch zu charakterisieren und Merkmale zu identifizieren, die zuvor Tausende von Stunden manueller Analyse durch Experten erforderten. Aufgaben, die zuvor Wochen dauerten, können jetzt in Minuten abgeschlossen werden, und Ingenieure erhalten schnelles Feedback darüber, wie Materialien auf verschiedene Verarbeitungsbedingungen reagieren.

Noch wichtiger ist, dass das System Erklärungen und nicht nur Vorhersagen liefert. Durch die Verbindung von mikrostrukturellen Merkmalen mit Leistungsresultaten können Ingenieure verstehen, warum ein Material sich so verhält, wie es sich verhält, anstatt sich ausschließlich auf empirische Tests zu verlassen. Die Plattform kann auch dreidimensionale Strukturen aus zweidimensionalen Bildern rekonstruieren und komplexe oder subtile Merkmale schnell erkennen, die mit herkömmlichen Methoden leicht zu übersehen sind.

Dieser Wechsel von beschreibender Analyse zu kausalem Verständnis ist es, was Polaron glaubt, die nächste Phase der Materialinnovation freischaltet.

Generative Design für herstellbare Materialien

Polaron ist über die Analyse hinaus in die generative Gestaltung eingedrungen. Mit den erlernten Beziehungen zwischen Prozess, Struktur und Leistung kann seine Plattform enorme Designräume erkunden und optimale Materialkonfigurationen sowie die erforderlichen Verarbeitungsbedingungen zur Herstellung vorschlagen.

Statt blind im Labor zu experimentieren, können Ingenieure das System verwenden, um vielversprechende Designs im Voraus zu identifizieren – solche, die Leistungsziele erfüllen, während sie weiterhin im industriellen Maßstab herstellbar bleiben. Dieser Ansatz hilft, eine häufige Lücke in der Materialinnovation zu überbrücken, bei der Ideen, die in kontrollierten Forschungsumgebungen funktionieren, versagen, wenn sie realen Produktionsbeschränkungen ausgesetzt sind.

Die Plattform ist so konzipiert, dass sie mit einer breiten Palette von Materialien funktioniert, einschließlich Metallen, Keramiken, Polymeren und Verbundwerkstoffen, was sie für viele industrielle Sektoren geeignet macht.

Frühe Ergebnisse in High-Impact-Branchen

Polarons Technologie wird bereits von Ingenieuren bei globalen Fertigungsunternehmen eingesetzt, darunter Hersteller von Elektrofahrzeugen, die für einen erheblichen Anteil der weltweiten Elektrofahrzeugproduktion verantwortlich sind. In einem Batterieentwicklungsprojekt unterstützte die Plattform die Entwicklung neuer Elektrodenmaterialien, die eine Energieverdichtungsverbesserung von über 10 Prozent lieferten.

In Bereichen wie Batterien, in denen inkrementelle Gewinne direkt in längere Reichweite, bessere Leistung oder geringere Kosten übersetzt werden, können solche Verbesserungen einen überproportionalen Einfluss haben. Diese frühen Bereitstellungen deuten darauf hin, dass Polaron-Tools nicht nur akademisch interessant, sondern auch kommerziell relevant sind.

Wurzeln in der akademischen Forschung

Das Unternehmen wurde aus dem Imperial College London ausgegründet, nach sieben Jahren Forschung an der Schnittstelle zwischen künstlicher Intelligenz und Materialwissenschaft. Polaron wurde von CEO Isaac Squires, CTO Steve Kench und Chief Scientist Sam Cooper gegründet, die sich zum Ziel setzten, Spitzenforschung in Werkzeuge zu übersetzen, die von praktizierenden Ingenieuren verwendet werden können.

Diese akademische Grundlage bleibt zentral für den Ansatz des Unternehmens, aber der Fokus liegt fest auf industrieller Anwendung – die Materialinnovation aus langsamen, trial-and-error-Zyklen in datengetriebene Design-Workflows zu überführen.

Implikationen für Materialtechnik und Fertigung

Technologien, die maschinelles Lernen direkt auf die Materialmikrostruktur anwenden, deuten auf einen umfassenderen Wandel in der Entwicklung physischer Produkte hin. Wenn Prozess-Struktur-Leistungs-Beziehungen zuverlässig modelliert werden können, kann die Materialtechnik möglicherweise anderen datengetriebenen Disziplinen ähneln, in denen die Iteration digital vor der Fabrikhalle stattfindet.

In der Praxis könnte dies die Entwicklungszeiten für Batterien, Strukturkomponenten und fortschrittliche Verbundwerkstoffe verkürzen, während die Abhängigkeit von teuren physischen Trial-and-Error-Verfahren verringert wird. Es könnte auch konsistentere Fertigungsergebnisse ermöglichen, da Prozessentscheidungen durch statistische Erkenntnisse und nicht nur durch angesammelte Intuition informiert werden.

Langfristig könnte dieser Ansatz die Art und Weise beeinflussen, wie Materialteams organisiert sind, wie Fertigungswissen aufrechterhalten wird und wie schnell neue Materialien aus Forschungsumgebungen in die Produktion gelangen. Wenn Datenmengen wachsen und Modelle verbessert werden, kann die Fähigkeit, mikroskopische Strukturen mit makroskopischer Leistung zu verbinden, zu einer grundlegenden Fähigkeit in Branchen werden, die von fortschrittlichen Materialien abhängen.