Η Polaron Συλλέγει 8 Εκατομμύρια Δολάρια για την Ανάπτυξη ενός Επίπεδου Νοημοσύνης για την Επιστήμη των Υλικών

Polaron έχει εξασφαλίσει $8 εκατομμύρια σε νέα χρηματοδότηση καθώς εργάζεται για την αναedefinition του τρόπου με τον οποίο κατανοούνται, σχεδιάζονται και κατασκευάζονται τα προηγμένα υλικά. Η=startup με έδρα το Λονδίνο κατασκευάζει αυτό που περιγράφει ως ένα επίπεδο νοημοσύνης για την επιστήμη των υλικών – τεχνολογία που στοχεύει στην επίλυση ενός μακροχρόνιου βιομηχανικού προβλήματος: την κατανόηση του πώς η κατασκευή των υλικών καθορίζει την τελική τους απόδοση.

Η χρηματοδότηση γύρος ηγήθηκε από Racine², ένα ταμείο με επίκεντρο την επίδραση, που υποστηρίζεται από Serena και Makesense, με συμμετοχή από Speedinvest, Futurepresent και μια ομάδα αγγέλων επενδυτών από το βιομηχανικό οικοσύστημα της τεχνητής νοημοσύνης. Η Polaron σχεδιάζει να χρησιμοποιήσει το κεφάλαιο για την επέκταση της ομάδας μηχανικής, την επιτάχυνση της ανάπτυξης των εργαλείων γενετικής σχεδίασης και την υποστήριξη της αυξανόμενης ζήτησης από πελάτες σε αυτοκινητοβιομηχανίες, ενέργεια και άλλες βαρείς βιομηχανίες.

Μετατρέποντας τα Δεδομένα Υλικών σε Κατανόηση

Για περισσότερο από einen αιώνα, η κατασκευή έχει επικεντρωθεί στην αυτοματοποίηση των διαδικασιών – κυλίνδρωση, χύτευση, επιστρώση και σχήμα υλικών σε μεγάλη κλίμακα. Αλλά η κατανόηση των υλικών خود τους έχει παραμείνει σε μεγάλο βαθμό χειροκίνητη. Οι μηχανικοί συχνά βασίζονται σε αποσυνδεδεμένα εργαλεία, προσαρμοσμένα σενάρια και υποκειμενική ερμηνεία εικόνων μικροσκοπίου για να συναγάγουν πώς οι επιλογές επεξεργασίας επηρεάζουν τη δύναμη, τη διάρκεια ή την αποτελεσματικότητα.

Στο κέντρο αυτού του προβλήματος βρίσκεται ένα θεμελιώδες principio της επιστήμης των υλικών: η επεξεργασία καθορίζει τη δομή και η δομή καθορίζει την απόδοση. Η μικροσκοπική διάταξη των κόκκων, πορών, φάσεων και ελαττωμάτων μέσα σε ένα υλικό καθορίζει πώς συμπεριφέρεται στον πραγματικό κόσμο. Αυτές οι δομές δεν είναι θεωρητικές – είναι ορατές υπό το μικροσκόπιο – αλλά η εξαγωγή συνεπούς, ενεργού κατανόησης από αυτές έχει ιστορικά ήταν αργή και εργατική.

Η πλατφόρμα της Polaron σχεδιάστηκε για να αλλάξει αυτό διδάσκοντας τις μηχανές να διαβάζουν και να ερμηνεύουν τη μικροδομή σε μεγάλη κλίμακα.

Από Χαρακτηρισμό σε Κατανόηση

Η Polaron εκπαιδεύει μοντέλα τεχνητής νοημοσύνης σε μεγάλους όγκους πραγματικών εικόνων μικροσκοπίου που συνδυάζονται με μετρημένες ιδιότητες υλικών. Αυτό επιτρέπει στο σύστημά της να χαρακτηρίζει αυτόματα τα υλικά, αναγνωρίζοντας χαρακτηριστικά που προηγουμένως απαιτούσαν χιλιάδες ώρες χειροκίνητης ανάλυσης από ειδικούς. Καθήκοντα που προηγουμένως Took εβδομάδες μπορούν τώρα να ολοκληρωθούν σε λίγα λεπτά, δίνοντας στους μηχανικούς γρήγορη ανάδραση σχετικά με το πώς τα υλικά ανταποκρίνονται σε διαφορετικές συνθήκες επεξεργασίας.

Περισσότερο σημαντικά, το σύστημα παρέχει εξηγήσεις, όχι μόνο προβλέψεις. Σύνδεοντας μικροδομικά χαρακτηριστικά με αποτελέσματα απόδοσης, οι μηχανικοί μπορούν να κατανοήσουν γιατί ένα υλικό συμπεριφέρεται με τον τρόπο που το κάνει, αντί να βασίζονται αποκλειστικά σε εμπειρικά τεστ. Η πλατφόρμα μπορεί επίσης να ανακατασκευάσει τρισδιάστατες δομές από δισδιάστατες εικόνες και να ανιχνεύσει γρήγορα σύνθετα ή λεπτά χαρακτηριστικά που είναι εύκολο να λησμονηθούν με παραδοσιακές μεθόδους.

Αυτή η μετάβαση από περιγραφική ανάλυση σε αιτιολογική κατανόηση είναι αυτό που η Polaron πιστεύει ότι ξεκλειδώνει την επόμενη φάση της καινοτομίας των υλικών.

Γενετική Σχεδίαση για Κατασκευαστικά Υλικά

Πέρα από την ανάλυση, η Polaron προωθείται στην γενετική σχεδίαση. Χρησιμοποιώντας τις μαθημένες σχέσεις μεταξύ διαδικασίας, δομής και απόδοσης, η πλατφόρμα της μπορεί να εξερευνήσει τεράστιους χώρους σχεδίασης και να προτείνει βελτιστοποιημένες διατάξεις υλικών μαζί με τις συνθήκες επεξεργασίας που απαιτούνται για την παραγωγή τους.

Αντί να πειραματίζονται τυφλά στο εργαστήριο, οι μηχανικοί μπορούν να χρησιμοποιήσουν το σύστημα για να ανακαλύψουν υποσχόμενες σχεδίασεις από την αρχή – αυτές που πληρούν στόχους απόδοσης ενώ παραμένουν κατασκευαστικές σε βιομηχανική κλίμακα. Αυτή η προσέγγιση βοηθά να γεφυρώσει ένα κοινό κενό στην καινοτομία των υλικών, όπου ιδέες που λειτουργούν σε ελεγχόμενα ερευνητικά περιβάλλοντα αποτυγχάνουν όταν εκτεθούν σε πραγματικές παραγωγικές περιορισμοί.

Η πλατφόρμα σχεδιάστηκε για να λειτουργήσει σε ένα ευρύ φάσμα υλικών, συμπεριλαμβανομένων μετάλλων, κεραμικών, πολυμερών και σύνθετων, καθιστώντας τη εφαρμόσιμη σε πολλές βιομηχανικές τομείς.

Πρώιμα Αποτελέσματα σε Βιομηχανίες Μεγάλης Επίδρασης

Η τεχνολογία της Polaron χρησιμοποιείται ήδη από μηχανικούς σε παγκόσμιους ηγέτες κατασκευής, συμπεριλαμβανομένων κατασκευαστών ηλεκτρικών οχημάτων που ευθύνονται για σημαντικό μερίδιο της παγκόσμιας παραγωγής ηλεκτρικών οχημάτων. Σε ένα проект ανάπτυξης μπαταρίας, η πλατφόρμα υποστήριξε το σχεδιασμό νέων υλικών ηλεκτροδίων που παρείχαν βελτιώσεις πυκνότητας ενέργειας άνω του 10%.

Σε πεδία όπως οι μπαταρίες, όπου οι σταδιακές κερδισμένες μεταφράζονται trực tiếp σε μεγαλύτερη εμβέλεια, καλύτερη απόδοση ή χαμηλότερα κόστα, τέτοιες βελτιώσεις μπορούν να έχουν υπερμεγέθεις επιπτώσεις. Αυτές οι πρώιμες αναπτύξεις υποδηλώνουν ότι τα εργαλεία της Polaron δεν είναι απλώς ακαδημαϊκά ενδιαφέροντα, αλλά εμπορικά σχετικά.

Ρίζες στην Ακαδημαϊκή Έρευνα

Η εταιρεία δημιουργήθηκε στο Ιμπεριαλ Κολέγιο του Λονδίνου μετά από επτά χρόνια ερευνών στο giao του τεχνητής νοημοσύνης και της επιστήμης των υλικών. Η Polaron ιδρύθηκε από τον CEO Isaac Squires, τον CTO Steve Kench και τον Chief Scientist Sam Cooper, οι οποίοι στόχευαν να μεταφράσουν την πρωτοποριακή έρευνα σε εργαλεία που θα μπορούσαν να χρησιμοποιηθούν από πρακτικούς μηχανικούς.

Αυτή η ακαδημαϊκή βάση παραμένει κεντρική στην προσέγγιση της εταιρείας, αλλά ο στόχος είναι σαφώς βιομηχανική εφαρμογή – μεταφέροντας την καινοτομία των υλικών από τις αργές, δοκιμαστικές κυκλικές διαδικασίες και στις δεδομένα-οδηγούμενες ροές εργασίας.

Επιβεβαιώσεις για την Μηχανική και Κατασκευή Υλικών

Τεχνολογίες που εφαρμόζουν την машинική μάθηση απευθείας στη μικροδομή των υλικών δείχνουν προς μια ευρύτερη μετατόπιση στον τρόπο με τον οποίο αναπτύσσονται τα φυσικά προϊόντα. Αν οι σχέσεις διαδικασίας-δομής-απόδοσης μπορούν να μοντελοποιηθούν αξιόπιστα, η μηχανική των υλικών μπορεί να αρχίσει να μοιάζει με άλλες δεδομένα-οδηγούμενες дисципλίνες, όπου η επανάληψη συμβαίνει ψηφιακά πριν συμβεί στο εργοστάσιο.

Στην πράξη, αυτό θα μπορούσε να συντομεύσει τους χρόνους ανάπτυξης για μπαταρίες, δομικά στοιχεία και προηγμένα σύνθετα, ενώ θα μειώσει την εξάρτηση από τις δαπανηρές φυσικές δοκιμές και λάθη. Μπορεί επίσης να επιτρέψει πιο συνεπείς αποτελέσματα κατασκευής, καθώς οι αποφάσεις διαδικασίας γίνονται ενημερωμένες από στατιστική κατανόηση και όχι μόνο από συσσωρευμένη直觉.

Με τον καιρό, αυτού του είδους η προσέγγιση θα μπορούσε να επηρεάσει τον τρόπο με τον οποίο οργανώνονται οι ομάδες υλικών, πώς διατηρείται η γνώση κατασκευής, και πώς γρήγορα τα νέα υλικά μεταφέρονται από ερευνητικά περιβάλλοντα στην παραγωγή. Όσο τα δεδομένα μεγαλώνουν και τα μοντέλα βελτιώνονται, η ικανότητα να συνδέσει τη μικροσκοπική δομή με τη μακροσκοπική απόδοση μπορεί να γίνει μια θεμελιώδης ικανότητα σε βιομηχανίες που εξαρτώνται από προηγμένα υλικά.