Polaron sikrer 8 millioner dollar for å bygge en intelligenslag for materialvitenskap

Polaron har sikret 8 millioner dollar i ny finansiering mens de arbeider med å redefine hvordan avanserte materialer forstås, designes og produseres. London-baserte startup bygger hva de beskriver som en intelligenslag for materialvitenskap – teknologi rettet mot å løse en langvarig industriell utfordring: å forstå hvordan materialet er laget bestemmer hvordan det ultimate oppfører seg.

Finansieringsrunden ble ledet av Racine², en impact-fokusert fond støttet av Serena og Makesense, med deltakelse fra Speedinvest, Futurepresent og en gruppe engel-investorer fra det industrielle AI-økosystemet. Polaron planlegger å bruke kapitalen til å utvide sitt ingeniørteam, akselerere utrulling av sine generative design-verktøy og støtte voksende etterspørsel fra kunder over hele verden i bil-, energi- og andre tungindustrier.

Omforming av materialdata til forståelse

I over ett århundre har produksjon fokusert på å automatisere prosesser – rulling, støping, belegging og formning av materialer i stor skala. Men å forstå materialet selv har for det meste vært manuelt. Ingeniører avhenger ofte av separate verktøy, tilpassede skript og subjektiv tolkning av mikroskopi-bilder for å slutte hvordan prosessvalg påvirker styrke, holdbarhet eller effektivitet.

I sentrum av dette problemet ligger en grunnleggende prinsipp i materialvitenskap: prosess bestemmer struktur, og struktur bestemmer ytelse. Den mikroskopiske arrangementen av korn, porer, faser og feil inni et materiale bestemmer hvordan det oppfører seg i den virkelige verden. Disse strukturer er ikke teoretiske – de er synlige under mikroskop – men å trekke ut konsistente, handlebare innsikt fra dem har historisk sett vært langsomt og arbeidskrevende.

Polarons plattform er designet for å endre dette ved å lære maskiner å lese og tolke mikrostruktur i stor skala.

Fra karakterisering til innsikt

Polaron trener AI-modeller på store volumer av virkelige mikroskopi-bilder parret med målte material-egenskaper. Dette tillater systemet å automatisk karakterisere materialer, identifisere trekk som tidligere krevde tusenvis av timer med manuell ekspert-analyse. Oppgaver som tidligere tok uker kan nå fullføres på minutter, og gi ingeniører rask tilbakemelding på hvordan materialer reagerer på ulike prosess-forhold.

Enda viktigere er at systemet gir forklaringer, ikke bare prediksjoner. Ved å koble mikrostrukturelle trekk til ytelses-resultater, kan ingeniører forstå hvorfor et materiale oppfører seg på en bestemt måte, i stedet for å bare stole på empirisk testing. Plattformen kan også rekonstruere tredimensjonale strukturer fra todimensjonale bilder og raskt oppdage komplekse eller subtile trekk som er lett å overse med tradisjonelle metoder.

Denne overgangen fra beskrivende analyse til årsaksforståelse er det Polaron mener låser opp den neste fasen av material-innovasjon.

Generativ design for produserbare materialer

Utenfor analyse, presses Polaron inn i generativ design. Ved å bruke lært relasjoner mellom prosess, struktur og ytelse, kan plattformen utforske enorme design-rom og foreslå optimale material-konfigurasjoner sammen med prosess-forholdene som kreves for å produsere dem.

I stedet for å eksperimentere blindt i laboratoriet, kan ingeniører bruke systemet til å identifisere lovende design på forhånd – de som møter ytelses-mål samtidig som de forblir produserbare i industriell skala. Denne tilnærmingen hjelper med å lukke en vanlig gap i material-innovasjon, hvor ideer som fungerer i kontrollerte forsknings-miljøer feiler når de utsettes for virkelige produksjons-begrensninger.

Plattformen er designet for å fungere over en bred rekke materialer, inkludert metaller, keramiske materialer, polymerer og kompositt-materialer, og gjør det anvendelig i mange industrielle sektorer.

Tidlige resultater i høy-impakt-industrier

Polarons teknologi brukes allerede av ingeniører i globale produksjonsledere, inkludert elektriske kjøretøy-produsenter som står for en betydelig andel av verdensomspennende EV-produksjon. I ett batteri-utviklingsprosjekt støttet plattformen designet av nye elektrode-materialer som leverte energi-tetthets-forbedringer på over 10 prosent.

I felt som batterier, hvor inkrementelle gevinster oversettes direkte til lengre rekkevidde, bedre ytelse eller lavere kostnader, kan slike forbedringer ha en overdimensjonal effekt. Disse tidlige utrullinger antyder at Polaron-verktøyene ikke bare er akademisk interessante, men også kommersielt relevante.

Røtter i akademisk forskning

Selskapet ble spunnet ut fra Imperial College London etter syv år med forskning på交点et mellom kunstig intelligens og materialvitenskap. Polaron ble co-grunnlagt av CEO Isaac Squires, CTO Steve Kench og Chief Scientist Sam Cooper, som satte ut å oversette banebrytende forskning til verktøy som kunne brukes av praktiserende ingeniører.

Den akademiske grunnlaget forblir sentral i selskapets tilnærming, men fokuset er fast på industriell anvendelse – å flytte material-innovasjon ut av langsomme, prøve-og-feil-sykluser og inn i data-drevne design-arbeidsflyter.

Konsekvenser for material-teknikk og produksjon

Teknologier som anvender maskinlæring direkte på material-mikrostruktur peker mot en bredere overgang i hvordan fysiske produkter utvikles. Hvis prosess-struktur-ytelse-relasjoner kan modelleres pålitelig, kan material-teknikk begynne å ligne andre data-drevne disipliner, hvor iterasjon skjer digitalt før det skjer på fabrikkgulvet.

I praksis kan dette forkorte utviklingstidslinjer for batterier, struktur-komponenter og avanserte kompositt-materialer, samtidig som avhengigheten av dyre fysiske prøve-og-feil-redskaper reduseres. Det kan også muligjøre mer konsistente produksjons-resultater, ettersom prosess-beslutninger blir informert av statistisk innsikt i stedet for bare akkumulert intuition alene.

Over tid kan denne type tilnærming påvirke hvordan material-lag er organisert, hvordan produksjons-kunnskap behandles, og hvor raskt nye materialer flyttes fra forsknings-miljøer inn i produksjon. Ettersom datasett vokser og modeller forbedres, kan evnen til å koble mikroskopisk struktur til makroskopisk ytelse bli en grunnleggende kapasitet over industrier som avhenger av avanserte materialer.