Polaron Haalt $8 Miljoen Op Om Een Intelligentie-Laag Voor Materiaalwetenschap Te Bouwen

Polaron heeft $8 miljoen aan nieuw kapitaal veiliggesteld terwijl het werkt aan het herdefiniëren van hoe geavanceerde materialen worden begrepen, ontworpen en gefabriceerd. Het in Londen gevestigde startup bouwt wat het beschrijft als een intelligentie-laag voor materiaalwetenschap – technologie gericht op het oplossen van een langdurige industriële uitdaging: het begrijpen van hoe de manier waarop materialen worden gemaakt, bepaalt hoe ze uiteindelijk presteren.

De financieringsronde werd geleid door Racine², een impact-georiënteerd fonds gesteund door Serena en Makesense, met deelname van Speedinvest, Futurepresent, en een groep van angel-investeerders afkomstig uit het industriële AI-ecosysteem. Polaron plant om het kapitaal te gebruiken om zijn engineersteam uit te breiden, de implementatie van zijn generatieve ontwerptools te versnellen en de groeiende vraag van klanten in de automotive-, energie- en andere zware industrieën te ondersteunen.

Materialengegevens Omzetten In Inzicht

Gedurende meer dan een eeuw heeft de productie zich gericht op het automatiseren van processen – het rollen, gieten, coaten en vormen van materialen op grote schaal. Maar het begrijpen van de materialen zelf is grotendeels handmatig gebleven. Ingenieurs vertrouwen vaak op losse tools, aangepaste scripts en subjectieve interpretatie van microscopische beelden om te achterhalen hoe verwerkingskeuzes de sterkte, duurzaamheid of efficiëntie beïnvloeden.

In het centrum van dit probleem staat een fundamenteel principe van materiaalwetenschap: verwerking bepaalt structuur, en structuur bepaalt prestaties. De microscopische rangschikking van korrels, poriën, fasen en defecten in een materiaal bepaalt hoe het zich in de echte wereld gedraagt. Deze structuren zijn niet theoretisch – ze zijn zichtbaar onder de microscoop – maar het extraheren van consistente, actiegerichte inzichten uit hen is historisch gezien langzaam en arbeidsintensief geweest.

Polaron’s platform is ontworpen om dit te veranderen door machines te leren microstructuur op grote schaal te lezen en te interpreteren.

Van Karakterisering Tot Inzicht

Polaron traint AI-modellen op grote volumes van echte microscopische beelden in combinatie met gemeten materiaaleigenschappen. Dit stelt zijn systeem in staat om materialen automatisch te karakteriseren, kenmerken te identificeren die eerder duizenden uren van expert-manuele analyse vereisten. Taken die eerder weken duurden, kunnen nu in enkele minuten worden voltooid, waardoor ingenieurs snel feedback krijgen over hoe materialen reageren op verschillende verwerkingscondities.

Nog belangrijker, het systeem biedt verklaringen, niet alleen voorspellingen. Door microstructurele kenmerken te koppelen aan prestatie-resultaten, kunnen ingenieurs begrijpen waarom een materiaal zich op een bepaalde manier gedraagt, in plaats van te vertrouwen op empirische tests. Het platform kan ook driedimensionale structuren reconstrueren uit tweedimensionale beelden en snel complexe of subtiele kenmerken detecteren die gemakkelijk over het hoofd kunnen worden gezien met traditionele methoden.

Deze verschuiving van beschrijvende analyse naar causaal inzicht is wat Polaron gelooft dat de volgende fase van materiaalinnovatie ontgrendelt.

Generatief Ontwerp Voor Fabriceerbare Materialen

Verder dan analyse, duwt Polaron generatief ontwerp. Met behulp van geleerde relaties tussen proces, structuur en prestaties, kan zijn platform uitgebreide ontwerpruimtes verkennen en optimale materiaalconfiguraties suggereren, evenals de verwerkingscondities die nodig zijn om deze te produceren.

In plaats van blind te experimenteren in het lab, kunnen ingenieurs het systeem gebruiken om veelbelovende ontwerpen van tevoren te identificeren – die voldoen aan prestatiedoelstellingen en toch fabriceerbaar zijn op industriële schaal. Deze benadering helpt een veelvoorkomende kloof in materiaalinnovatie te overbruggen, waar ideeën die werken in gecontroleerde onderzoeksomgevingen falen wanneer ze worden blootgesteld aan productiebeperkingen in de echte wereld.

Het platform is ontworpen om te werken met een breed scala aan materialen, waaronder metalen, keramiek, polymeren en composieten, waardoor het toepasbaar is in veel industriële sectoren.

Vroege Resultaten In Hoge-Impact Industrieën

Polaron’s technologie wordt al gebruikt door ingenieurs bij wereldwijde productiebedrijven, waaronder fabrikanten van elektrische voertuigen die verantwoordelijk zijn voor een aanzienlijk deel van de wereldwijde productie van elektrische voertuigen. In een batterijontwikkelingsproject ondersteunde het platform het ontwerp van nieuwe elektrode-materialen die een verbetering van de energiedichtheid van meer dan 10 procent opleverden.

In gebieden zoals batterijen, waar incrementele verbeteringen rechtstreeks vertaald worden in langere actieradius, betere prestaties of lagere kosten, kunnen dergelijke verbeteringen een grote impact hebben. Deze vroege inzetten suggereren dat Polaron’s tools niet alleen academisch interessant zijn, maar ook commercieel relevant.

Wortels In Academisch Onderzoek

Het bedrijf is afgesplitst van Imperial College London na zeven jaar onderzoek op het snijvlak van kunstmatige intelligentie en materiaalwetenschap. Polaron werd opgericht door CEO Isaac Squires, CTO Steve Kench en Chief Scientist Sam Cooper, die zich ten doel stelden om baanbrekend onderzoek te vertalen in tools die kunnen worden gebruikt door praktiserende ingenieurs.

Die academische basis blijft centraal in de aanpak van het bedrijf, maar de focus ligt ferm op industriële toepassing – materiaalinnovatie uit langzame, trial-and-error-cycli en in gegevensgedreven ontwerpprocessen.

Implicaties Voor Materiaaltechniek En Productie

Technologieën die machine learning rechtstreeks op materiaalmicrostructuur toepassen, wijzen op een bredere verschuiving in de manier waarop fysieke producten worden ontwikkeld. Als proces-structuur-prestatie-relaties betrouwbaar kunnen worden gemodelleerd, kan materiaaltechniek beginnen te lijken op andere gegevensgedreven disciplines, waar iteratie digitaal plaatsvindt voordat het op de fabrieksvloer gebeurt.

In de praktijk kan dit de ontwikkelingstijdlijnen voor batterijen, constructiecomponenten en geavanceerde composieten verkorten, terwijl het de afhankelijkheid van dure fysieke trial-and-error vermindert. Het kan ook meer consistente productieresultaten mogelijk maken, aangezien productiebeslissingen worden geïnformeerd door statistisch inzicht in plaats van alleen door geaccumuleerde intuïtie.

Na verloop van tijd kan deze benadering de manier beïnvloeden waarop materiaalteams worden georganiseerd, hoe productiekennis wordt behouden, en hoe snel nieuwe materialen uit onderzoeksomgevingen in productie worden genomen. Naarmate datasets groeien en modellen verbeteren, kan de mogelijkheid om microscopische structuur te koppelen aan macroscopische prestaties een fundamentele capaciteit worden in industrieën die afhankelijk zijn van geavanceerde materialen.