Polaron Kerää 8 Miljoonaa Dollaria Älykerroksen Rakentamiseen Materiaalitieteelle

Polaron on saanut 8 miljoonan dollarin uuden rahoituksen työskennellessään edistyneiden materiaalien uudelleenmäärittelyyn, suunnitteluun ja valmistukseen. Lontoolainen startup on rakentamassa sitä, mitä se kuvailee materiaalitieteen älykerroksena – teknologiaa, jolla ratkaistaan pitkäaikainen teollinen haaste: ymmärtäminen siitä, miten materiaalien valmistusmenetelmät määräävät lopputuloksen.

Rahoituskerros johti Racine², joka on vaikutusvoittoinen rahasto, jota tukevat Serena ja Makesense, osallistuen Speedinvest, Futurepresent ja enkeli-investoijaryhmä, joka on valittu teollisen AI-ekosysteemin sisältä. Polaron aikoo käyttää pääomaa laajentamaan insinööritiimiään, kiihdyttääksesi generatiivisten suunnittelutyökalujen käyttöönottoa ja tukemaan kasvavaa asiakastarvetta autoteollisuuden, energian ja muiden raskasteollisuuden alojen ympärillä.

Materiaalidatasta Ymmärrykseen

Yli sadan vuoden ajan valmistus on keskittynyt prosessien automaatioon – materiaalien valmistukseen, valettuna, pinnoitettuna ja muotoiltuna suuressa mittakaavassa. Mutta itse materiaalien ymmärtäminen on pysynyt pääosin manuaalisena. Insinöörit usein luottavat erillisiin työkaluihin, mukautettuihin skripteihin ja subjektiiviseen tulkintaan mikroskooppikuvista, jotta voidaan päätellä, miten prosessivalinnat vaikuttavat lujuuteen, kestävyyteen tai tehokkuuteen.

Ongelman ytimessä on materiaalitieteen perussääntö: prosessi määrää rakenteen, ja rakenne määrää suorituskyvyn. Materiaalin sisäinen mikroskooppinen jyvien, huokosten, faasien ja virheiden järjestely määrää, miten se käyttäytyy todellisessa maailmassa. Nämä rakenteet eivät ole teoreettisia – ne ovat näkyvissä mikroskoopissa – mutta niistä saadaan johdonmukainen, toimiva ymmärrys on historiallisesti ollut hidasta ja työlästä.

Polaronin alusta on suunniteltu muuttamaan tämän opettamalla koneille lukemaan ja tulkintaan mikrorakennetta suuressa mittakaavassa.

Luokittelusta Ymmärrykseen

Polaron kouluttaa tekoälymallit suurille määrille todellisia mikroskooppikuvia, jotka on paremmuusmittauksilla yhdistetty. Tämä mahdollistaa järjestelmän automaattisen materiaalien luokittelun, jossa tunnistetaan piirteet, jotka vaativat aiemmin tuhansia tunteja asiantuntijoiden manuaalista analyysiä. Tehtävät, jotka aiemmin kestivät viikkoja, voidaan nyt suorittaa minuuteissa, antaen insinööreille nopean palautteen siitä, miten materiaalit reagoivat eri prosessiolosuhteisiin.

Lisäksi järjestelmä tarjoaa selityksiä, ei vain ennusteita. Mikroskooppisten piirteiden yhdistäminen suorituskykytuloksiin insinöörit voivat ymmärtää, miksi materiaali käyttäytyy tietyllä tavalla, sen sijaan, että riippuvat pelkästään empiirisestä testaamisesta. Alusta voi myös rakentaa kolmiulotteisia rakenteita kahdenulotteisista kuvista ja nopeasti havaita monimutkaisia tai hienoja piirteitä, jotka ovat helppoja havaita perinteisillä menetelmillä.

Tämä siirtymä kuvailevasta analyysistä syynalaiseen ymmärrykseen on se, mitä Polaron uskoo avaavan materiaalinnovaation seuraavan vaiheen.

Generatiivinen Suunnittelu Valmistettaville Materiaaleille

Analyysin lisäksi Polaron on työntekijä generatiivisessa suunnittelussa. Oppimalla suhteita prosessin, rakenteen ja suorituskyvyn välillä, alustaa voi tutkia laajoja suunnittelutiloja ja ehdottaa optimaalisia materiaalikonfiguraatioita sekä prosessiolosuhteita, joita tarvitaan niiden tuottamiseen.

Sen sijaan, että kokeilisin sokeasti laboratoriossa, insinöörit voivat käyttää järjestelmää tunnistamaan lupaavia suunnitelmia etukäteen – ne, jotka täyttävät suorituskykykohteet ja säilyttävät valmistettavuuden teollisessa mittakaavassa. Tämä lähestymistapa auttaa siltaamaan yleistä aukkoa materiaalinnovaatiossa, jossa tutkimusympäristössä toimivat ideat eivät toimi, kun ne altistetaan todellisen tuotannon rajoituksille.

Alusta on suunniteltu toimimaan laajalla valikoimalla materiaaleja, mukaan lukien metallit, keraamit, polymereiden ja komposiittien, mikä tekee siitä soveltuvan useille teollisuuden aloille.

Varien Tulokset Korkean Vaikutuksen Teollisuudessa

Polaronin teknologiaa käytetään jo maailmanlaajuisten valmistajien insinööreiden toimesta, mukaan lukien sähköisen ajoneuvon valmistajat, jotka ovat vastuussa merkittävästä osasta maailmanlaajuista sähköisen ajoneuvon tuotantoa. Yhdessä akun kehityshankkeessa alusta tuki uusien elektrodimateriaalien suunnittelua, joka toimitti yli 10 prosentin energiatiheyden parannuksen.

Kentissä, kuten akkuissa, joissa pienet parannukset kääntyvät suoraan pitemmäksi kantomatkaan, parempaan suorituskykyyn tai alempiin kustannuksiin, tällaiset parannukset voivat olla suuria vaikutuksia. Nämä varhaiset käyttöönotot osoittavat, että Polaronin työkalut eivät ole vain akateemisesti kiinnostavia, vaan myös kaupallisesti merkittäviä.

Juuret Akateemisessa Tutkimuksessa

Yritys perustettiin Imperial College Londonista seitsemän vuoden tutkimuksen jälkeen tekoäly- ja materiaalitieteen risteyksessä. Polaron perustivat toimitusjohtaja Isaac Squires, CTO Steve Kench ja pääasiantuntija Sam Cooper, jotka pyrkivät kääntämään älymystön tutkimusta työkaluiksi, joita käytännön insinöörit voivat käyttää.

Tämä akateeminen perusta on edelleen keskeinen yrityksen lähestymistavassa, mutta fokus on vahvasti teollisessa soveltamisessa – materiaalinnovaatiota hitaista, koehenkilöiden ja virheiden sykleistä dataohjattuihin suunnitteluprosesseihin.

Materiaalitekniikan ja Valmistuksen Vaikutukset

Teknologiat, jotka soveltavat koneoppimista suoraan materiaalin mikrorakenteeseen, osoittavat laajempaan muutokseen siinä, miten fyysisiä tuotteita kehitetään. Jos prosessi-rakenne-suorituskyky -suhteita voidaan mallintaa luotettavasti, materiaalitekniikka voi alkaa muistuttaa muita dataohjattuja tieteenaloja, joissa iterointi tapahtuu digitaalisesti ennen kuin se tapahtuu tehtaalla.

Käytännössä tämä voi lyhentää kehitysaikaa akkuille, rakenteellisille komponenteille ja edistyneille komposiiteille, samalla vähentäen fyysisen koehenkilön ja virheen riippuvuutta. Se voi myös mahdollistaa johdonmukaisemmat valmistustulokset, kun prosessipäätökset perustuvat tilastolliseen oivallukseen eikä pelkästään kertyneeseen intuitioon.

Pitkällä aikavälillä tämänkaltaisen lähestymistavan voi vaikuttaa siihen, miten materiaalitiimit järjestetään, miten valmistustietoa säilytetään ja miten nopeasti uudet materiaalit siirtyvät tutkimusympäristöistä tuotantoon. Kun tietokannat kasvavat ja mallit paranevat, kyky yhdistää mikroskooppinen rakenne makroskooppiseen suorituskykyyn voi tulla peruskyvyksi useilla aloilla, jotka riippuvat edistyneistä materiaaleista.