Polaron Mengumpulkan $8 Juta untuk Membangun Lapisan Intelijen untuk Sains Bahan

Polaron telah mengamankan $8 juta dalam pendanaan baru saat bekerja untuk mendefinisikan kembali bagaimana bahan canggih dipahami, dirancang, dan diproduksi. Startup yang berbasis di London ini membangun apa yang mereka sebut sebagai lapisan intelijen untuk sains bahan—teknologi yang bertujuan untuk memecahkan tantangan industri yang telah lama ada: memahami bagaimana cara bahan dibuat menentukan bagaimana mereka akhirnya berperforma.

Pendanaan putaran ini dipimpin oleh Racine², sebuah dana yang berfokus pada dampak yang didukung oleh Serena dan Makesense, dengan partisipasi dari Speedinvest, Futurepresent, dan sekelompok investor malaikat yang berasal dari ekosistem AI industri. Polaron berencana untuk menggunakan modal ini untuk memperluas tim teknik mereka, mempercepat penerapan alat desain generatif mereka, dan mendukung permintaan yang meningkat dari pelanggan di seluruh industri otomotif, energi, dan industri berat lainnya.

Mengubah Data Bahan Menjadi Pemahaman

Selama lebih dari satu abad, manufaktur telah fokus pada proses otomatisasi—menggulung, mencetak, melapisi, dan membentuk bahan dalam skala besar. Namun, memahami bahan itu sendiri telah tetap manual. Insinyur sering bergantung pada alat yang terputus, skrip khusus, dan interpretasi subjektif dari gambar mikroskop untuk menyimpulkan bagaimana pilihan proses mempengaruhi kekuatan, daya tahan, atau efisiensi.

Di pusat masalah ini adalah prinsip dasar sains bahan: proses menentukan struktur, dan struktur menentukan kinerja. Pengaturan mikroskopi dari butiran, pori, fase, dan cacat di dalam bahan mengatur bagaimana bahan tersebut berperilaku di dunia nyata. Struktur ini tidak teoritis—mereka terlihat di bawah mikroskop—tetapi mengekstrak wawasan yang konsisten dan dapat diambil dari mereka secara historis telah lambat dan memakan waktu.

Platform Polaron dirancang untuk mengubah itu dengan mengajarkan mesin untuk membaca dan menafsirkan mikrostruktur dalam skala besar.

Dari Karakterisasi ke Wawasan

Polaron melatih model AI pada volume besar gambar mikroskop nyata yang dipasangkan dengan sifat bahan yang diukur. Ini memungkinkan sistem mereka untuk secara otomatis mengkarakterisasi bahan, mengidentifikasi fitur yang sebelumnya memerlukan ribuan jam analisis manual ahli. Tugas yang sebelumnya memakan waktu minggu sekarang dapat diselesaikan dalam beberapa menit, memberikan insinyur umpan balik cepat tentang bagaimana bahan merespons kondisi proses yang berbeda.

Lebih penting lagi, sistem ini menyediakan penjelasan, bukan hanya prediksi. Dengan menghubungkan fitur mikrostruktur dengan hasil kinerja, insinyur dapat memahami mengapa suatu bahan berperilaku dengan cara tertentu, bukan hanya mengandalkan pengujian empiris. Platform ini juga dapat merekonstruksi struktur tiga dimensi dari gambar dua dimensi dan mendeteksi fitur kompleks atau halus yang mudah terlewatkan dengan metode tradisional.

Perubahan ini dari analisis deskriptif ke pemahaman sebab-akibat adalah apa yang Polaron percaya membuka fase berikutnya dari inovasi bahan.

Desain Generatif untuk Bahan yang Dapat Diproduksi

Di luar analisis, Polaron mendorong ke arah desain generatif. Dengan menggunakan hubungan yang dipelajari antara proses, struktur, dan kinerja, platform mereka dapat menjelajahi ruang desain yang luas dan menyarankan konfigurasi bahan optimal bersama dengan kondisi proses yang diperlukan untuk menghasilkannya.

Alih-alih bereksperimen buta di laboratorium, insinyur dapat menggunakan sistem untuk mengidentifikasi desain yang menjanjikan sebelumnya—desain yang memenuhi target kinerja sambil tetap dapat diproduksi dalam skala industri. Pendekatan ini membantu menjembatani kesenjangan umum dalam inovasi bahan, di mana ide yang berhasil dalam lingkungan penelitian yang terkendali gagal ketika terkena kendala produksi dunia nyata.

Platform ini dirancang untuk bekerja di berbagai bahan, termasuk logam, keramik, polimer, dan komposit, membuatnya dapat diterapkan di banyak sektor industri.

Hasil Awal di Industri Dampak Tinggi

Teknologi Polaron sudah digunakan oleh insinyur di pemimpin manufaktur global, termasuk pembuat kendaraan listrik yang bertanggung jawab atas bagian besar produksi EV dunia. Dalam satu proyek pengembangan baterai, platform ini mendukung desain bahan elektroda baru yang memberikan peningkatan kepadatan energi lebih dari 10 persen.

Di bidang seperti baterai, di mana peningkatan inkremental diterjemahkan langsung menjadi jangkauan yang lebih panjang, kinerja yang lebih baik, atau biaya yang lebih rendah, perbaikan seperti itu dapat memiliki dampak yang besar. Penerapan awal ini menunjukkan bahwa alat Polaron tidak hanya menarik dari segi akademis, tetapi juga relevan secara komersial.

Akar di Penelitian Akademis

Perusahaan ini berawal dari Imperial College London setelah tujuh tahun penelitian di persimpangan kecerdasan buatan dan sains bahan. Polaron didirikan oleh CEO Isaac Squires, CTO Steve Kench, dan Ilmuwan Utama Sam Cooper, yang berusaha menerjemahkan penelitian mutakhir menjadi alat yang dapat digunakan oleh insinyur yang berpraktik.

Dasar akademis tersebut tetap sentral dalam pendekatan perusahaan, tetapi fokusnya secara firasat pada aplikasi industri—menggerakkan inovasi bahan keluar dari siklus coba-coba yang lambat dan masuk ke dalam alur kerja desain yang didorong data.

Implikasi untuk Teknik Bahan dan Manufaktur

Teknologi yang menerapkan pembelajaran mesin langsung ke mikrostruktur bahan menunjuk pada pergeseran yang lebih luas dalam cara produk fisik dikembangkan. Jika hubungan proses-struktur-kinerja dapat dimodelkan dengan andal, teknik bahan mungkin mulai menyerupai disiplin ilmu lain yang didorong data, di mana iterasi terjadi secara digital sebelum terjadi di lantai pabrik.

Dalam prakteknya, ini bisa mempersingkat waktu pengembangan untuk baterai, komponen struktural, dan komposit canggih, sambil mengurangi ketergantungan pada coba-coba fisik yang mahal. Ini juga dapat memungkinkan hasil manufaktur yang lebih konsisten, karena keputusan proses menjadi informasi yang didorong oleh wawasan statistik daripada hanya intuisi yang terkumpul.

Seiring waktu, pendekatan seperti ini bisa mempengaruhi bagaimana tim bahan diorganisir, bagaimana pengetahuan manufaktur dipertahankan, dan bagaimana cepatnya bahan baru berpindah dari lingkungan penelitian ke produksi. Saat dataset tumbuh dan model diperbaiki, kemampuan untuk menghubungkan struktur mikroskopik dengan kinerja makroskopik mungkin menjadi kemampuan dasar di seluruh industri yang bergantung pada bahan canggih.