Polaron lève 8 millions de dollars pour construire une couche d’intelligence pour la science des matériaux

Polaron a sécurisé 8 millions de dollars de financement alors qu’il travaille pour redéfinir la façon dont les matériaux avancés sont compris, conçus et fabriqués. Le startup basé à Londres construit ce qu’il décrit comme une couche d’intelligence pour la science des matériaux – une technologie visant à résoudre un défi industriel de longue date : comprendre comment la façon dont les matériaux sont fabriqués détermine leur performance finale.

Le tour de financement a été mené par Racine², un fonds axé sur l’impact soutenu par Serena et Makesense, avec la participation de Speedinvest, Futurepresent et d’un groupe d’investisseurs providentiels issus de l’écosystème de l’IA industrielle. Polaron prévoit d’utiliser le capital pour élargir son équipe d’ingénieurs, accélérer le déploiement de ses outils de conception générative et soutenir la demande croissante de la part de clients dans les secteurs de l’automobile, de l’énergie et d’autres industries lourdes.

Transformer les données sur les matériaux en compréhension

Pendant plus d’un siècle, la fabrication s’est concentrée sur l’automatisation des processus – laminage, moulage, revêtement et façonnage de matériaux à grande échelle. Mais la compréhension des matériaux eux-mêmes est restée en grande partie manuelle. Les ingénieurs s’appuient souvent sur des outils déconnectés, des scripts personnalisés et des interprétations subjectives d’images de microscopie pour déduire comment les choix de traitement affectent la résistance, la durabilité ou l’efficacité.

Au cœur de ce problème se trouve un principe fondamental de la science des matériaux : le traitement détermine la structure, et la structure détermine les performances. L’arrangement microscopique des grains, des pores, des phases et des défauts à l’intérieur d’un matériau régit son comportement dans le monde réel. Ces structures ne sont pas théoriques – elles sont visibles sous le microscope – mais l’extraction d’informations cohérentes et exploitables à partir d’elles a historiquement été lente et fastidieuse.

La plate-forme de Polaron est conçue pour changer cela en enseignant aux machines à lire et à interpréter la microstructure à grande échelle.

De la caractérisation à la compréhension

Polaron forme des modèles d’IA sur de grands volumes d’images de microscopie réelles appariées avec des propriétés de matériaux mesurées. Cela permet à son système de caractériser automatiquement les matériaux, en identifiant des fonctionnalités qui nécessitaient auparavant des milliers d’heures d’analyse manuelle d’experts. Les tâches qui prenaient auparavant des semaines peuvent maintenant être réalisées en quelques minutes, ce qui donne aux ingénieurs un retour rapide sur la façon dont les matériaux réagissent à différents conditions de traitement.

Plus important encore, le système fournit des explications, et non seulement des prédictions. En reliant les fonctionnalités microstructurales aux résultats de performance, les ingénieurs peuvent comprendre pourquoi un matériau se comporte de telle ou telle manière, plutôt que de s’appuyer uniquement sur des tests empiriques. La plate-forme peut également reconstruire des structures tridimensionnelles à partir d’images bidimensionnelles et détecter rapidement des fonctionnalités complexes ou subtiles qui sont faciles à manquer avec les méthodes traditionnelles.

Ce passage de l’analyse descriptive à la compréhension causale est ce que Polaron pense débloquer la prochaine phase de l’innovation dans les matériaux.

Conception générative pour des matériaux fabriquables

Au-delà de l’analyse, Polaron pousse vers la conception générative. En utilisant les relations apprises entre le processus, la structure et les performances, sa plate-forme peut explorer de vastes espaces de conception et suggérer des configurations de matériaux optimales ainsi que les conditions de traitement nécessaires pour les produire.

Plutôt que de faire des expériences aveugles en laboratoire, les ingénieurs peuvent utiliser le système pour identifier des conceptions prometteuses dès le départ – celles qui répondent aux cibles de performance tout en restant fabriquables à l’échelle industrielle. Cette approche aide à combler un écart courant dans l’innovation des matériaux, où les idées qui fonctionnent dans des environnements de recherche contrôlés échouent lorsqu’elles sont exposées à des contraintes de production réelles.

La plate-forme est conçue pour fonctionner sur une large gamme de matériaux, y compris les métaux, les céramiques, les polymères et les composites, ce qui la rend applicable à de nombreux secteurs industriels.

Résultats préliminaires dans des secteurs à forte incidence

La technologie de Polaron est déjà utilisée par des ingénieurs chez des leaders mondiaux de la fabrication, y compris des fabricants de véhicules électriques responsables d’une part importante de la production mondiale de véhicules électriques. Dans un projet de développement de batterie, la plate-forme a soutenu la conception de nouveaux matériaux d’électrode qui ont livré des améliorations de la densité d’énergie de plus de 10 pour cent.

Dans des domaines comme les batteries, où les gains incrémentiels se traduisent directement par une autonomie plus longue, de meilleures performances ou des coûts plus bas, de telles améliorations peuvent avoir un impact disproportionné. Ces premiers déploiements suggèrent que les outils de Polaron ne sont pas seulement intéressants sur le plan académique, mais également pertinents sur le plan commercial.

Racines dans la recherche académique

L’entreprise a été créée à partir de Imperial College London après sept ans de recherche à l’intersection de l’intelligence artificielle et de la science des matériaux. Polaron a été co-fondé par le PDG Isaac Squires, le CTO Steve Kench et le scientifique en chef Sam Cooper, qui se sont efforcés de traduire la recherche de pointe en outils pouvant être utilisés par des ingénieurs praticiens.

Cette fondation académique reste centrale dans l’approche de l’entreprise, mais l’accent est fermement mis sur l’application industrielle – en faisant sortir l’innovation des matériaux de cycles lents et basés sur les essais et les erreurs, et en les faisant entrer dans des flux de travail de conception basés sur les données.

Implications pour l’ingénierie des matériaux et la fabrication

Les technologies qui appliquent l’apprentissage automatique directement à la microstructure des matériaux pointent vers un changement plus large dans la façon dont les produits physiques sont développés. Si les relations processus-structure-performance peuvent être modélisées de manière fiable, l’ingénierie des matériaux peut commencer à ressembler à d’autres disciplines basées sur les données, où l’itération se produit numériquement avant de se produire sur le plancher de l’usine.

Dans la pratique, cela pourrait raccourcir les délais de développement pour les batteries, les composants structurels et les composites avancés, tout en réduisant la dépendance à l’égard de tests physiques coûteux et basés sur les essais et les erreurs. Cela pourrait également permettre des résultats de fabrication plus cohérents, car les décisions de processus deviennent informées par des informations statistiques plutôt que par une intuition accumulée seule.

Avec le temps, ce type d’approche pourrait influencer la façon dont les équipes de matériaux sont organisées, la façon dont les connaissances en matière de fabrication sont conservées, et la façon dont les nouveaux matériaux passent de l’environnement de recherche à la production. À mesure que les ensembles de données grandissent et que les modèles s’améliorent, la capacité à relier la structure microscopique à la performance macroscopique peut devenir une capacité fondamentale dans les industries qui dépendent de matériaux avancés.