Polaron raccoglie 8 milioni di dollari per costruire uno strato di intelligenza per la scienza dei materiali

Polaron ha ottenuto $8 milioni di finanziamenti mentre lavora per ridefinire la comprensione, la progettazione e la produzione di materiali avanzati. La startup con sede a Londra sta costruendo quello che descrive come uno strato di intelligenza per la scienza dei materiali – tecnologia finalizzata a risolvere una lunga sfida industriale: capire come il modo in cui vengono prodotti i materiali determina le loro prestazioni finali.

Il round di finanziamento è stato guidato da Racine², un fondo di impatto supportato da Serena e Makesense, con la partecipazione di Speedinvest, Futurepresent e un gruppo di investitori angelici provenienti dall’ecosistema dell’intelligenza artificiale industriale. Polaron intende utilizzare il capitale per espandere il proprio team di ingegneria, accelerare il deploy dei propri strumenti di progettazione generativa e supportare la crescente domanda dei clienti nei settori automobilistico, energetico e altri settori industriali pesanti.

Trasformazione dei dati dei materiali in comprensione

Per oltre un secolo, la produzione si è concentrata sull’automatizzazione dei processi – laminazione, fusione, rivestimento e formatura di materiali su larga scala. Tuttavia, la comprensione dei materiali stessi è rimasta in larga misura manuale. Gli ingegneri spesso si affidano a strumenti non connessi, script personalizzati e interpretazione soggettiva di immagini al microscopio per dedurre come le scelte di lavorazione influenzano la resistenza, la durata o l’efficienza.

Al centro di questo problema c’è un principio fondamentale della scienza dei materiali: la lavorazione determina la struttura e la struttura determina le prestazioni. La disposizione microscopica dei grani, dei pori, delle fasi e dei difetti all’interno di un materiale governa il suo comportamento nel mondo reale. Queste strutture non sono teoriche – sono visibili al microscopio – ma estrarre da esse informazioni coerenti e utilizzabili storicamente è stato un processo lento e laborioso.

La piattaforma di Polaron è progettata per cambiare questo insegnando alle macchine a leggere e interpretare la microstruttura su larga scala.

Dal caratterizzazione all’intuizione

Polaron addestra modelli di intelligenza artificiale su grandi volumi di immagini al microscopio reali associate a proprietà materiali misurate. Ciò consente al suo sistema di caratterizzare automaticamente i materiali, identificando caratteristiche che in precedenza richiedevano migliaia di ore di analisi manuale da parte di esperti. I compiti che in precedenza richiedevano settimane possono ora essere completati in pochi minuti, fornendo agli ingegneri un feedback rapido su come i materiali rispondono a diverse condizioni di lavorazione.

Ancor più importante, il sistema fornisce spiegazioni, non solo previsioni. Collegando le caratteristiche microstrutturali ai risultati delle prestazioni, gli ingegneri possono capire perché un materiale si comporta in un certo modo, piuttosto che affidarsi solo ai test empirici. La piattaforma può anche ricostruire strutture tridimensionali da immagini bidimensionali e rilevare rapidamente caratteristiche complesse o sottili che sono facili da perdere con i metodi tradizionali.

Questo passaggio dall’analisi descrittiva alla comprensione causale è ciò che Polaron ritiene sblocchi la prossima fase dell’innovazione dei materiali.

Progettazione generativa per materiali prodotti

Oltre all’analisi, Polaron sta spingendo nella progettazione generativa. Utilizzando le relazioni apprese tra processo, struttura e prestazioni, la sua piattaforma può esplorare vasti spazi di progettazione e suggerire configurazioni di materiali ottimali insieme alle condizioni di lavorazione necessarie per produrle.

Invece di sperimentare alla cieca in laboratorio, gli ingegneri possono utilizzare il sistema per identificare progetti promettenti fin dall’inizio – quelli che soddisfano gli obiettivi di prestazione rimanendo prodotti su scala industriale. Questo approccio aiuta a colmare un gap comune nell’innovazione dei materiali, dove le idee che funzionano in ambienti di ricerca controllati falliscono quando esposte a vincoli di produzione reali.

La piattaforma è progettata per funzionare su una vasta gamma di materiali, tra cui metalli, ceramici, polimeri e compositi, rendendola applicabile a molti settori industriali.

Risultati iniziali in settori ad alto impatto

La tecnologia di Polaron è già utilizzata da ingegneri in leader mondiali della produzione, tra cui produttori di veicoli elettrici responsabili di una quota significativa della produzione di veicoli elettrici a livello mondiale. In un progetto di sviluppo di batterie, la piattaforma ha supportato la progettazione di nuovi materiali per elettrodi che hanno fornito miglioramenti della densità di energia del 10% o più.

In campi come le batterie, dove i guadagni incrementali si traducono direttamente in una maggiore autonomia, migliori prestazioni o minori costi, tali miglioramenti possono avere un impatto sproporzionato. Questi primi dispiegamenti suggeriscono che gli strumenti di Polaron non sono solo interessanti dal punto di vista accademico, ma anche rilevanti a livello commerciale.

Radici nella ricerca accademica

La società è stata creata a partire dalla Imperial College London dopo sette anni di ricerca all’intersezione dell’intelligenza artificiale e della scienza dei materiali. Polaron è stata cofondata dal CEO Isaac Squires, dal CTO Steve Kench e dal Chief Scientist Sam Cooper, che hanno cercato di tradurre la ricerca di punta in strumenti che potessero essere utilizzati da ingegneri pratici.

Quella base accademica rimane centrale nell’approccio della società, ma l’attenzione è saldamente focalizzata sull’applicazione industriale – spostando l’innovazione dei materiali da cicli lenti e basati sulla prova e sull’errore a flussi di lavoro di progettazione guidati dai dati.

Implicazioni per l’ingegneria dei materiali e la produzione

Le tecnologie che applicano l’apprendimento automatico direttamente alla microstruttura dei materiali puntano verso un più ampio cambiamento nel modo in cui vengono sviluppati i prodotti fisici. Se le relazioni tra processo, struttura e prestazioni possono essere modellate in modo affidabile, l’ingegneria dei materiali potrebbe iniziare ad assomigliare ad altre discipline basate sui dati, dove l’iterazione avviene digitalmente prima che avvenga sul pavimento di produzione.

Nella pratica, ciò potrebbe abbreviare i tempi di sviluppo per le batterie, i componenti strutturali e i materiali compositi avanzati, riducendo al contempo la dipendenza dai costosi test fisici basati sulla prova e sull’errore. Potrebbe anche consentire risultati di produzione più coerenti, poiché le decisioni relative al processo diventano informate dall’intuizione statistica e non solo dall’intuizione accumulata.

Nel tempo, questo tipo di approccio potrebbe influenzare il modo in cui vengono organizzati i team dei materiali, il modo in cui la conoscenza della produzione viene mantenuta e il modo in cui i nuovi materiali si spostano dagli ambienti di ricerca alla produzione. Man mano che i set di dati crescono e i modelli migliorano, la capacità di collegare la struttura microscopica alle prestazioni macroscopiche potrebbe diventare una capacità fondamentale in tutti i settori che dipendono da materiali avanzati.