Polaron pozyskał 8 milionów dolarów na budowę warstwy inteligentnej dla nauki o materiałach

Polaron zabezpieczył 8 milionów dolarów nowego finansowania w ramach prac nad zmianą sposobu, w jaki rozumiane, projektowane i wytwarzane są zaawansowane materiały. Londyński startup buduje to, co określa jako warstwę inteligentną dla nauki o materiałach – technologię mającą na celu rozwiązanie długotrwałego przemysłowego wyzwania: zrozumienia, w jaki sposób sposób wytwarzania materiałów determinuje ich ostateczne właściwości.

Funding round był prowadzony przez Racine², fundusz impact-focused wspierany przez Serena i Makesense, z udziałem Speedinvest, Futurepresent oraz grupy aniołów biznesu pochodzących z ekosystemu przemysłowego AI. Polaron planuje wykorzystać kapitał do rozszerzenia swojego zespołu inżynierskiego, przyspieszenia wdrożenia swoich narzędzi projektowych generatywnych oraz wsparcia rosnącego popytu ze strony klientów z sektorów motoryzacyjnego, energetycznego i innych ciężkich przemysłów.

Przekształcanie danych materiałowych w zrozumienie

Przez ponad wiek produkcja skupiała się na automatyzowaniu procesów – walcowaniu, odlewaniu, nakładaniu powłok i kształtowaniu materiałów na dużą skalę. Ale zrozumienie samych materiałów pozostało w dużej mierze ręczne. Inżynierowie często polegają na niepołączonych narzędziach, niestandardowych skryptach i subiektywnej interpretacji obrazów mikroskopowych, aby wywnioskować, jak wybór procesów wpływa na wytrzymałość, trwałość lub wydajność.

W centrum tego problemu leży podstawowa zasada nauki o materiałach: proces determinuje strukturę, a struktura determinuje właściwości. Mikroskopowa aranżacja ziaren, porów, faz i defektów wewnątrz materiału określa, jak zachowuje się on w świecie rzeczywistym. Te struktury nie są teoretyczne – są widoczne pod mikroskopem – ale wydobycie spójnych, użytecznych informacji z nich historycznie było powolne i wymagało dużo pracy.

Platforma Polaron została zaprojektowana, aby to zmienić, ucząc maszyny czytać i interpretować mikrostrukturę na dużą skalę.

Od charakterystyki do zrozumienia

Polaron trenuje modele AI na dużych ilościach rzeczywistych obrazów mikroskopowych połączonych z zmierzoną właściwością materiału. To pozwala jego systemowi automatycznie charakteryzować materiały, identyfikując cechy, które wcześniej wymagały tysięcy godzin ekspertowej analizy ręcznej. Zadania, które wcześniej zajmowały tygodnie, mogą teraz być wykonane w kilka minut, dając inżynierom szybką informację zwrotną na temat tego, jak materiały reagują na różne warunki procesowe.

Co więcej, system dostarcza wyjaśnienia, a nie tylko przewidywania. Łącząc mikrostrukturalne cechy z wynikami właściwości, inżynierowie mogą zrozumieć dlaczego materiał zachowuje się w określony sposób, zamiast polegać wyłącznie na testach empirycznych. Platforma może również odtworzyć trójwymiarowe struktury z dwuwymiarowych obrazów i szybko wykryć złożone lub subtelne cechy, które są łatwe do pominięcia przy tradycyjnych metodach.

Ten przełom od analizy opisowej do zrozumienia przyczynowego jest tym, co Polaron uważa za odblokowanie następnej fazy innowacji materiałowych.

Projektowanie generatywne dla produkowalnych materiałów

Poza analizą Polaron jest w trakcie przechodzenia do projektowania generatywnego. Wykorzystując nauczone relacje między procesem, strukturą a właściwościami, jego platforma może badać ogromne przestrzenie projektowe i sugerować optymalne konfiguracje materiałowe wraz z wymaganymi warunkami procesowymi do ich produkcji.

Zamiast eksperymentować ślepo w laboratorium, inżynierowie mogą użyć systemu do identyfikacji obiecujących projektów na początku – tych, które spełniają cele właściwości, pozostając jednocześnie produkowalnymi na przemysłowej skali. Ten podejście pomaga zabić wspólną lukę w innowacjach materiałowych, gdzie pomysły, które działają w kontrolowanych środowiskach badawczych, nie powiodły się, gdy zostały wystawione na rzeczywiste ograniczenia produkcji.

Platforma została zaprojektowana, aby działać w szerokim zakresie materiałów, w tym metali, ceramiki, polimerów i kompozytów, co sprawia, że jest ona stosowalna w wielu sektorach przemysłowych.

Wczesne wyniki w branżach o wysokim wpływie

Technologia Polaron jest już wykorzystywana przez inżynierów w globalnych liderach produkcji, w tym producentów samochodów elektrycznych odpowiedzialnych za znaczną część światowej produkcji EV. W jednym projekcie rozwoju baterii platforma wspierała projektowanie nowych materiałów elektrod, które dostarczyły poprawę gęstości energii o ponad 10 procent.

W dziedzinach takich jak baterie, gdzie przyrosty przekładają się bezpośrednio na dłuższy zasięg, lepszą wydajność lub niższe koszty, takie ulepszenia mogą mieć nieproporcjonalny wpływ. Te wczesne wdrożenia sugerują, że narzędzia Polaron nie są tylko akademicko interesujące, ale również komercyjnie istotne.

Korzenie w badaniach akademickich

Firma została wyodrębniona z Imperial College London po siedmiu latach badań na styku sztucznej inteligencji i nauki o materiałach. Polaron został założony przez CEO Isaaca Squiresa, CTO Steve’a Kencha i Chief Scientist Sama Coopera, którzy postanowili przetłumaczyć najnowsze badania na narzędzia, które mogą być używane przez praktykujących inżynierów.

Ten akademicki fundament pozostaje centralny dla podejścia firmy, ale focus jest wyraźnie ukierunkowany na zastosowanie przemysłowe – przenoszenie innowacji materiałowych z powolnych, próbnych cykli w cykle projektowania opartego na danych.

Wpływ na inżynierię materiałową i produkcję

Technologie, które stosują uczenie maszynowe bezpośrednio do mikrostruktury materiału, wskazują na szerszy trend w rozwoju produktów fizycznych. Jeśli relacje proces-struktura-właściwość mogą być modelowane w sposób niezawodny, inżynieria materiałowa może zacząć przypominać inne dyscypliny oparte na danych, w których iteracja występuje cyfrowo przed wystąpieniem na podłodze fabryki.

W praktyce może to skrócić czas rozwoju baterii, elementów strukturalnych i zaawansowanych kompozytów, a także zmniejszyć uzależnienie od drogich fizycznych testów próbnych. Może również umożliwić bardziej spójne wyniki produkcji, ponieważ decyzje procesowe stają się poinformowane przez wgląd statystyczny, a nie tylko przez nagromadzoną intuicję.

Wraz z upływem czasu podejście tego typu może wpłynąć na to, jak zespoły materiałowe są zorganizowane, jak wiedza produkcyjna jest zachowywana, oraz jak szybko nowe materiały przechodzą z środowisk badawczych do produkcji. Gdy zbiory danych rosną, a modele się poprawiają, możliwość połączenia mikroskopowej struktury z makroskopową wydajnością może stać się podstawową zdolnością we wszystkich branżach, które zależą od zaawansowanych materiałów.