Polaron recauda $8 millones para construir una capa de inteligencia para la ciencia de materiales

Polaron ha obtenido $8 millones en nueva financiación mientras trabaja para redefinir cómo se entienden, diseñan y fabrican los materiales avanzados. La startup con sede en Londres está construyendo lo que describe como una capa de inteligencia para la ciencia de materiales, tecnología destinada a resolver un desafío industrial de larga data: entender cómo la forma en que se fabrican los materiales determina cómo funcionan en última instancia.

La ronda de financiación fue liderada por Racine², un fondo enfocado en el impacto respaldado por Serena y Makesense, con la participación de Speedinvest, Futurepresent y un grupo de inversores ángeles provenientes del ecosistema de inteligencia artificial industrial. Polaron planea utilizar el capital para expandir su equipo de ingeniería, acelerar la implementación de sus herramientas de diseño generativo y apoyar la creciente demanda de clientes en sectores como la automoción, la energía y otras industrias pesadas.

Convirtiendo datos de materiales en comprensión

Durante más de un siglo, la fabricación se ha centrado en automatizar procesos, como el laminado, el moldeado, el recubrimiento y la configuración de materiales a gran escala. Sin embargo, la comprensión de los materiales en sí ha seguido siendo en gran medida manual. Los ingenieros a menudo confían en herramientas desconectadas, scripts personalizados y la interpretación subjetiva de imágenes de microscopía para inferir cómo las opciones de procesamiento afectan la resistencia, la durabilidad o la eficiencia.

En el centro de este problema se encuentra un principio fundamental de la ciencia de materiales: el procesamiento determina la estructura, y la estructura determina el rendimiento. La disposición microscópica de granos, poros, fases y defectos dentro de un material gobierna cómo se comporta en el mundo real. Estas estructuras no son teóricas, son visibles bajo el microscopio, pero extraer una comprensión consistente y accionable de ellas ha sido históricamente lento y laborioso.

La plataforma de Polaron está diseñada para cambiar esto enseñando a las máquinas a leer e interpretar la microestructura a gran escala.

De la caracterización a la comprensión

Polaron entrena modelos de inteligencia artificial con grandes volúmenes de imágenes de microscopía reales emparejadas con propiedades de materiales medidas. Esto permite que su sistema caracterice automáticamente los materiales, identificando características que antes requerían miles de horas de análisis manual de expertos. Las tareas que antes tomaban semanas ahora se pueden completar en minutos, brindando a los ingenieros una retroalimentación rápida sobre cómo los materiales responden a diferentes condiciones de procesamiento.

Lo más importante es que el sistema proporciona explicaciones, no solo predicciones. Al vincular las características microestructurales con los resultados de rendimiento, los ingenieros pueden entender por qué un material se comporta de una determinada manera, en lugar de confiar únicamente en pruebas empíricas. La plataforma también puede reconstruir estructuras tridimensionales a partir de imágenes bidimensionales y detectar rápidamente características complejas o sutiles que son fáciles de pasar por alto con métodos tradicionales.

Este cambio de análisis descriptivo a comprensión causal es lo que Polaron cree que desbloquea la próxima fase de la innovación en materiales.

Diseño generativo para materiales manufacturables

Más allá del análisis, Polaron está avanzando en el diseño generativo. Utilizando las relaciones aprendidas entre el procesamiento, la estructura y el rendimiento, su plataforma puede explorar vastos espacios de diseño y sugerir configuraciones de materiales óptimas junto con las condiciones de procesamiento necesarias para producirlas.

En lugar de experimentar ciegamente en el laboratorio, los ingenieros pueden utilizar el sistema para identificar diseños prometedores de antemano, aquellos que cumplen con los objetivos de rendimiento mientras siguen siendo manufacturables a escala industrial. Este enfoque ayuda a cerrar una brecha común en la innovación de materiales, donde las ideas que funcionan en entornos de investigación controlados fallan cuando se exponen a las restricciones de producción del mundo real.

La plataforma está diseñada para funcionar en una amplia gama de materiales, incluyendo metales, cerámicos, polímeros y compuestos, lo que la hace aplicable a muchos sectores industriales.

Resultados tempranos en industrias de alto impacto

La tecnología de Polaron ya está siendo utilizada por ingenieros en líderes mundiales de fabricación, incluidos fabricantes de vehículos eléctricos responsables de una participación significativa de la producción mundial de vehículos eléctricos. En un proyecto de desarrollo de baterías, la plataforma apoyó el diseño de nuevos materiales de electrodos que entregaron mejoras en la densidad de energía de más del 10 por ciento.

En campos como las baterías, donde los avances incrementales se traducen directamente en un mayor alcance, mejor rendimiento o menores costos, este tipo de mejoras pueden tener un impacto desproporcionado. Estos despliegues tempranos sugieren que las herramientas de Polaron no son solo interesantes desde el punto de vista académico, sino también comercialmente relevantes.

Orígenes en la investigación académica

La empresa se creó a partir de Imperial College London después de siete años de investigación en la intersección de la inteligencia artificial y la ciencia de materiales. Polaron fue cofundada por el CEO Isaac Squires, el CTO Steve Kench y el científico jefe Sam Cooper, quienes se propusieron traducir la investigación de vanguardia en herramientas que podrían ser utilizadas por ingenieros en ejercicio.

Ese fundamento académico sigue siendo central en el enfoque de la empresa, pero el enfoque está firmemente en la aplicación industrial, sacando la innovación de materiales de ciclos lentos y basados en prueba y error, y llevándola a flujos de trabajo de diseño basados en datos.

Implicaciones para la ingeniería y la fabricación de materiales

Las tecnologías que aplican el aprendizaje automático directamente a la microestructura de los materiales apuntan hacia un cambio más amplio en la forma en que se desarrollan los productos físicos. Si las relaciones entre procesamiento, estructura y rendimiento pueden modelarse de manera confiable, la ingeniería de materiales puede comenzar a parecerse a otras disciplinas basadas en datos, donde la iteración ocurre digitalmente antes de que ocurra en la planta de fabricación.

En la práctica, esto podría acortar los plazos de desarrollo para baterías, componentes estructurales y compuestos avanzados, mientras se reduce la dependencia de pruebas físicas costosas y basadas en prueba y error. También puede permitir resultados de fabricación más consistentes, ya que las decisiones de procesamiento se informan con conocimiento estadístico en lugar de intuición acumulada sola.

Con el tiempo, este tipo de enfoque podría influir en cómo se organizan los equipos de materiales, cómo se retiene el conocimiento de fabricación y cómo se mueven los nuevos materiales de entornos de investigación a la producción. A medida que crecen los conjuntos de datos y mejoran los modelos, la capacidad de conectar la estructura microscópica con el rendimiento macroscópico puede convertirse en una capacidad fundamental en las industrias que dependen de materiales avanzados.