폴라론, 재료 과학을 위한 지능형 레이어 구축을 위해 800만 달러 투자 유치

폴라론은 고급 재료를 이해, 설계, 제조하는 방식을 재정의하기 위해 $800만 달러의 신규 투자를 유치했습니다. 런던에 본사를 둔 이 스타트업은 재료 과학을 위한 지능형 레이어를 구축하고 있습니다. 이 기술은 오랜 산업적 도전을 해결하기 위한 것입니다. 즉, 재료가 만들어지는 방식이 그 재료의 최종 성능에 미치는 영향을 이해하는 것입니다.

투자 라운드는 라신²가 주도했으며, 세리나와 메이크센스가 후원했습니다. 스피드인베스트, 퓨처프레젠트, 그리고 산업용 AI 생태계에서 온 천사 투자자 그룹이 참여했습니다. 폴라론은 이 자금을 사용하여 엔지니어링 팀을 확대하고, 생성적 설계 도구의 배포를 가속화하며, 자동차, 에너지, 및 기타 중공업 분야의 고객들이 증가하는 수요를 지원할 계획입니다.

재료 데이터를 이해로 전환

100년 이상 동안 제조業은 프로세스를 자동화하는 데 중점을 두어 왔습니다. 즉, 재료를 대규모로 롤링, 캐스팅, 코팅, 및 성형합니다. 그러나 재료 자체를 이해하는 것은 대부분 수동으로 진행되어 왔습니다. 엔지니어들은 종종 분리된 도구, 사용자 정의 스크립트, 및 현미경 이미지의 주관적인 해석에 의존하여 처리 선택이 강도, 내구성, 또는 효율성에 미치는 영향을 추론합니다.

이 문제의 중심에는 재료 과학의 기본 원칙이 있습니다. 즉, 처리는 구조를 결정하며, 구조는 성능을 결정합니다. 재료 내부의 입자, 기공, 상, 및 결함의 미시적 배열은 재료가 실제 세계에서 어떻게 행동하는지 결정합니다. 이러한 구조는 이론적인 것이 아닙니다. 즉, 현미경으로 볼 수 있습니다. 그러나 이러한 구조에서 일관적이고 행동할 수 있는 통찰력을 추출하는 것은 역사적으로 느리고 노동 집약적이었습니다.

폴라론의 플랫폼은 이 문제를 해결하기 위해 설계되었습니다. 즉, 기계가 미시 구조를 읽고 해석하는 것을 가르치는 것입니다.

특성 분석에서 통찰로

폴라론은 실제 현미경 이미지와 측정된 재료 특성의 대용량 데이터에 대한 AI 모델을 훈련시킵니다. 이를 통해 시스템이 자동으로 재료를 특성화할 수 있으며, 이는 수천 시간의 전문가 수동 분석이 필요한 특징을 식별할 수 있습니다. 이전에 수주가 걸리던 작업은 이제 몇 분 내에 완료할 수 있습니다. 엔지니어들은 재료가 다른 처리 조건에 어떻게 반응하는지에 대한 빠른 피드백을 받을 수 있습니다.

더 중요한 것은, 시스템이 예측뿐만 아니라 설명을 제공한다는 것입니다. 미시적 특징과 성능 결과를 연결함으로써, 엔지니어들은 재료가 왜 특정 방식으로 행동하는지 이해할 수 있습니다. 즉, 경험적 테스트에만 의존하지 않습니다. 플랫폼은 또한 2차원 이미지를 사용하여 3차원 구조를 재구성하고, 전통적인 방법으로 쉽게 놓칠 수 있는 복잡하거나 미묘한 특징을 빠르게 감지할 수 있습니다.

이러한 설명적 분석에서 인과적 이해로의 전환은 폴라론이 재료 혁신의 다음 단계를 열어줄 것이라고 믿습니다.

제조 가능한 재료를 위한 생성적 설계

분석을 넘어서, 폴라론은 생성적 설계로 나아가고 있습니다. 처리, 구조, 및 성능 간의 학습된 관계를 사용하여, 플랫폼은 광범위한 설계 공간을 탐색하고, 처리 조건이 필요한 재료 구성과 함께 최적의 재료 구성들을 제안할 수 있습니다.

實驗실에서 무작위로 실험하는 대신, 엔지니어들은 시스템을 사용하여 산업 규모에서 제조할 수 있는 재료를 미리 식별할 수 있습니다. 즉, 성능 목표를 충족하는 동시에 산업 규모에서 제조할 수 있는 재료입니다. 이러한 접근 방식은 재료 혁신에서 공통적인 간격을 메우는 데 도움이 됩니다. 즉, 연구 환경에서 작동하는 아이디어가 실제 생산 제약 조건에 노출될 때 실패하는 경우입니다.

플랫폼은 금속, 세라믹, 폴리머, 및 복합 재료를 포함하여 다양한 재료에서 작동하도록 설계되었습니다. 이는 많은 산업 분야에서 적용할 수 있습니다.

고영향 산업에서의 초기 결과

폴라론의 기술은 이미 전 세계적인 제조业 리더들의 엔지니어들에 의해 사용되고 있습니다. 즉, 전기 자동차 생산의 상당한 부분을 차지하는 전기 자동차 제조업체들입니다. 한 배터리 개발 프로젝트에서, 플랫폼은 10% 이상의 에너지 밀도를 제공하는 새로운 양극 재료의 설계를 지원했습니다.

배터리와 같은 분야에서, 점진적인 개선이 직접적으로 더 긴 범위, 더 좋은 성능, 또는 더 낮은 비용으로 번역될 수 있는 경우, 이러한 개선은 비대칭적인 영향을 미칠 수 있습니다. 이러한 초기 배포는 폴라론의 도구가 학술적으로 интерес 있을 뿐만 아니라 상업적으로 관련성이 있음을 시사합니다.

학술 연구의 뿌리

이 회사는 7년간 인공 지능과 재료 과학의 교차점에서 연구를 진행한 후 임페리얼 칼리지 런던에서 분리되었습니다. 폴라론은 CEO 아이작 스콰이어스, CTO 스티브 켄치, 및 최고 과학자 샘 쿠퍼에 의해 공동 설립되었습니다. 그들은 최첨단 연구를 실제 엔지니어가 사용할 수 있는 도구로 번역하기 위해 노력했습니다.

이러한 학술적 기초는 회사의 접근 방식의 핵심입니다. 그러나焦點은 산업적 응용에 있습니다. 즉, 재료 혁신을 느린 시도-오류 주기에서 데이터 주도 설계 워크플로로 이동시키는 것입니다.

재료 공학 및 제조业에 대한 영향

재료 미시 구조에 기계 학습을 직접 적용하는 기술은 물리적 제품 개발 방식의 더广泛한 전환을 나타냅니다. 프로세스-구조-성능 관계가 신뢰할 수 있게 모델링될 수 있다면, 재료 공학은 다른 데이터 주도 분야와 유사해질 수 있습니다. 즉, 반복이 공장 바닥보다 디지털로 먼저 발생합니다.

실제로, 이는 배터리, 구조 부품, 및 고급 복합재의 개발 타임라인을 단축시키고, 물리적 시도-오류에 대한 의존도를 줄일 수 있습니다. 또한, 통계적 통찰력으로 프로세스 결정이 이루어지므로, 더 일관된 제조 결과를 가능하게 할 수 있습니다.

시간이 지남에 따라, 이러한 접근 방식은 재료 팀이 조직되는 방식, 제조 지식이 유지되는 방식, 및 새로운 재료가 연구 환경에서 생산으로 이동하는 속도에 영향을 미칠 수 있습니다. 데이터셋이 성장하고 모델이 개선됨에 따라, 미시적 구조와 거시적 성능을 연결하는 능력은 고급 재료에 의존하는 산업에서 기초적인 능력으로 될 수 있습니다.