Polaron Kerää 8 Miljoonaa Dollaria Älykkään Kerroksen 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 älykkääksi kerrokseksi materiaalitieteelle – teknologiaa, joka on tarkoitettu ratkaisemaan pitkään olemassa olleen teollisen haasteen: ymmärtäminen siitä, miten materiaalien valmistusmenetelmä määrää lopputuloksen.

Rahoituskeräys johti Racine²: n, joka on vaikutusalueella toimiva rahasto, jota tukevat Serena ja Makesense, osallistuivat Speedinvest, Futurepresent ja ryhmä enkeleisijoittajia, jotka ovat kotoisin teollisen AI-ekosysteemin sisältä. Polaron aikoo käyttää pääomaa laajentaakseen insinööritiimiään, kiihdyttääksesi generatiivisen suunnittelun työkalujen käyttöönottoa ja tukeakseen kasvavaa asiakastarvetta autoteollisuuden, energian ja muiden raskaiden teollisuuden alojen osalta.

Materiaalidatan Muuttaminen Ymmärrykseksi

Yli sadan vuoden ajan valmistus on keskittynyt prosessien automaatioon – materiaalien valmistukseen suuressa mittakaavassa. Mutta itse materiaalien ymmärtäminen on pysynyt pääosin manuaalisena. Insinöörit usein riippuvat erillään olevista työkaluista, mukautetuista skripteistä ja subjektiivisesta tulkinnasta mikroskooppikuvista, jotta voivat päätellä, miten prosessivalinnat vaikuttavat voimakkuuteen, kestävyyteen tai tehokkuuteen.

Tämän ongelman keskiössä on materiaalitieteen perussääntö: prosessi määrää rakenteen, ja rakenne määrää suorituskyvyn. Materiaalin sisäinen rakenne, kuten jyvien, huokosten, faasien ja virheiden järjestely, määrää, miten se käyttäytyy todellisessa maailmassa. Nämä rakenteet eivät ole teoreettisia – ne ovat näkyvissä mikroskoopin alla – mutta yhdenmukaisen, toimivan ymmärryksen saaminen niistä on historiallisesti ollut hidasta ja työlästä.

Polaronin alusta on suunniteltu muuttamaan tämän opettelemalla koneet lukemaan ja tulkitsemaan mikrorakennetta suuressa mittakaavassa.

Luokittelusta Ymmärrykseen

Polaron kouluttaa AI-malleja suurten todellisten mikroskooppikuvien ja mitattujen materiaaliominaisuuksien parissa. 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 muutamassa minuutissa, ja insinöörit saavat nopean palautteen siitä, miten materiaalit reagoivat eri prosessiolosuhteisiin.

Ennen kaikkea järjestelmä tarjoaa selityksiä, ei vain ennusteita. Linkkimällä mikrorakenteellisia piirteitä suorituskykyyn, insinöörit voivat ymmärtää miksi materiaali käyttäytyy tietyllä tavalla, sen sijaan, että riippuvat pelkästään empiirisestä testaamisesta. Alusta voi myös rakentaa kolmiulotteisia rakenteita kahdessa ulottuvuudessa olevista kuvista ja nopeasti havaita monimutkaisia tai hienoja piirteitä, jotka ovat helppoja väärinkäsittää perinteisillä menetelmillä.

Tämä siirtyminen kuvailevasta analyysistä syy-seuraus -ymmärrykseen on se, mitä Polaron uskoo avaavan seuraavan vaiheen materiaalinnovaatioita.

Generatiivinen Suunnittelu Valmistettaville Materiaaleille

Analyysin lisäksi Polaron on siirtymässä generatiiviseen suunnitteluun. Käyttäen prosessin, rakenteen ja suorituskyvyn välisiä suhteita, alusta voi tutkia laajoja suunnittelutiloja ja ehdottaa optimaalisia materiaalikonfiguraatioita sekä prosessiolosuhteita, joita tarvitaan niiden valmistamiseen.

Sen sijaan, että kokeilisin sokeasti laboratoriossa, insinöörit voivat käyttää järjestelmää löytääksesi lupaavia suunnitelmia etukäteen – sellaisia, jotka täyttävät suorituskykyvaatimukset ja säilyttävät valmistettavuutensa teollisessa mittakaavassa. Tämä lähestymistapa auttaa siltaamaan yleistä aukkoa materiaalinnovaatiossa, jossa tutkimusympäristössä toimivat ideat epäonnistuvat, 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.

Varhaiset Tulokset Korkean Vaikutuksen Teollisuudessa

Polaronin teknologiaa käytetään jo maailmanlaajuisten valmistajien insinöörien toimesta, mukaan lukien sähköautojen valmistajat, jotka vastaavat merkittävästä osasta maailmanlaajuista sähköauton tuotantoa. Yhdessä akun kehityshankkeessa alusta tuki uusien anodimateriaalien suunnittelua, jotka toivat yli 10 prosentin parannuksen energiatiheyteen.

Sellaisilla aloilla, kuten akkuissa, joissa pienet parannukset kääntyvät suoraan pitemmäksi toiminta-aikaa, paremman suorituskyvyn tai alhaisempiin kustannuksiin, tällaiset parannukset voivat olla epäsuhtaisia. Nämä varhaiset käyttöönotot osoittavat, että Polaronin työkalut eivät ole vain akateemisesti mielenkiintoisia, vaan myös kaupallisesti merkittäviä.

Tieteelliset Juuret

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

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

Materiaalitekniikan ja Valmistuksen Vaikutukset

Teknologiat, jotka soveltavat koneoppimista suoraan materiaalin mikrorakenteeseen, osoittavat laajempaa muutosta siinä, miten fyysisiä tuotteita kehitetään. Jos prosessi-rakenne-suorituskyky -suhteita voidaan mallintaa luotettavasti, materiaalitekniikka saattaa 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 fyysisten kokeiden ja virheiden riippuvuutta. Se voi myös mahdollistaa johdonmukaisemmat valmistustulokset, koska prosessipäätökset perustuvat tilastolliseen oivallukseen eikä pelkästään kertyneeseen intuitioon.

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