Polaron atrage 8 milioane de dolari pentru a construi un strat de inteligență pentru știința materialelor

Polaron a obținut $8 milioane în finanțare nouă în timp ce lucrează la redefinirea modului în care materialele avansate sunt înțelese, proiectate și fabricate. Startup-ul cu sediul în Londra construiește ceea ce descrie ca un strat de inteligență pentru știința materialelor – tehnologie destinată să rezolve o veche provocare industrială: înțelegerea modului în care materialele sunt fabricate determină modul în care acestea funcționează în final.

Runda de finanțare a fost condusă de Racine², un fond cu impact, sprijinit de Serena și Makesense, cu participarea Speedinvest, Futurepresent și a unui grup de investitori îngeri din ecosistemul industrial de inteligență artificială. Polaron intenționează să utilizeze capitalul pentru a-și extinde echipa de ingineri, pentru a accelera implementarea instrumentelor de proiectare generativă și pentru a sprijini cererea în creștere din partea clienților din sectoarele auto, energetic și alte industrii grele.

Transformarea datelor despre materiale în înțelegere

Pentru mai mult de un secol, producția a fost axată pe automatizarea proceselor – rulare, turnare, acoperire și modelare a materialelor la scară largă. Dar înțelegerea materialelor însele a rămas în mare măsură manuală. Inginerii se bazează adesea pe instrumente desconectate, scripturi personalizate și interpretarea subiectivă a imaginilor de microscopie pentru a deduce cum alegerea procesului afectează rezistența, durabilitatea sau eficiența.

În centrul acestei probleme se află un principiu fundamental al științei materialelor: procesarea determină structura, iar structura determină performanța. Aranjamentul microscopic al granulelor, porilor, fazelor și defectelor din interiorul unui material guvernează modul în care acesta se comportă în lumea reală. Aceste structuri nu sunt teoretice – ele sunt vizibile sub microscop – dar extragerea unei înțelegeri consistente și utile din ele a fost istoric lentă și laborioasă.

Platforma Polaron este proiectată pentru a schimba acest lucru, învățând mașinile să citească și să interpreteze microstructura la scară largă.

De la caracterizare la înțelegere

Polaron antrenează modele de inteligență artificială pe volume mari de imagini de microscopie reale, asociate cu proprietăți de material măsurate. Acest lucru permite sistemului să caracterizeze automat materialele, identificând caracteristici care anterior necesitau mii de ore de analiză manuală de expert. Sarcinile care anterior durați săptămâni pot fi acum finalizate în minute, oferind inginerilor feedback rapid despre modul în care materialele răspund la diferite condiții de procesare.

Mai important, sistemul oferă explicații, nu doar predicții. Prin legarea caracteristicilor microstructurale de rezultatele de performanță, inginerii pot înțelege de ce un material se comportă într-un anumit mod, în loc să se bazeze doar pe testarea empirică. Platforma poate reconstrui structuri tridimensionale din imagini bidimensionale și detecta rapid caracteristici complexe sau subtile care sunt ușor de pierdut cu metodele tradiționale.

Acest transfer de la analiză descriptivă la înțelegere cauzală este ceea ce Polaron consideră că deblochează următoarea fază a inovației în materiale.

Proiectare generativă pentru materiale manufacturabile

Dincolo de analiză, Polaron se îndreaptă spre proiectare generativă. Utilizând relațiile învățate între proces, structură și performanță, platforma poate explora spații de proiectare vaste și sugera configurații de materiale optime, împreună cu condițiile de procesare necesare pentru a le produce.

În loc să experimenteze orb în laborator, inginerii pot utiliza sistemul pentru a identifica proiecte promițătoare din start – cele care îndeplinesc țintele de performanță, rămânând manufacturabile la scară industrială. Acest abordaj ajută la podirea unei lacune comune în inovația materialelor, unde ideile care funcționează în medii de cercetare controlate eşuează atunci când sunt expuse la constrângerile de producție din lumea reală.

Platforma este proiectată pentru a funcționa pe o gamă largă de materiale, inclusiv metale, ceramice, polimeri și compozite, făcând-o aplicabilă multor sectoare industriale.

Rezultate timpurii în industrii cu impact ridicat

Tehnologia Polaron este deja utilizată de ingineri de la lideri globali în producție, inclusiv producători de vehicule electrice responsabili pentru o parte semnificativă din producția globală de vehicule electrice. Într-un proiect de dezvoltare a bateriilor, platforma a sprijinit proiectarea unor noi materiale de electrod care au oferit îmbunătățiri ale densității energetice de peste 10 procente.

În domenii precum bateriile, unde câștigurile incrementale se traduc direct într-o rază de acțiune mai lungă, o performanță mai bună sau costuri mai scăzute, astfel de îmbunătățiri pot avea un impact disproporționat. Aceste implementări timpurii sugerează că instrumentele Polaron nu sunt doar interesante din punct de vedere academic, ci și relevant din punct de vedere comercial.

Rădăcini în cercetarea academică

Compania a fost creată din Imperial College London după șapte ani de cercetare la intersecția inteligenței artificiale și științei materialelor. Polaron a fost cofondat de CEO Isaac Squires, CTO Steve Kench și Șeful științific Sam Cooper, care au încercat să traducă cercetarea de ultimă oră în instrumente care pot fi utilizate de ingineri practicieni.

Această fundație academică rămâne centrală în abordarea companiei, dar accentul este ferm pe aplicația industrială – mutarea inovației în materiale din ciclurile lente și bazate pe încercări și erori în fluxuri de lucru de proiectare bazate pe date.

Implicații pentru ingineria materialelor și producție

Tehnologiile care aplică învățarea automată direct asupra microstructurii materialelor indică spre o schimbare mai largă în modul în care produsele fizice sunt dezvoltate. Dacă relațiile proces-structură-performanță pot fi modelate în mod fiabil, ingineria materialelor poate începe să semene cu alte discipline bazate pe date, unde iterarea are loc digital înainte de a avea loc pe linia de producție.

În practică, acest lucru ar putea scurta timpul de dezvoltare pentru baterii, componente structurale și materiale avansate, reducând în același timp dependența de testarea fizică costisitoare și bazată pe încercări și erori. De asemenea, ar putea permite rezultate de producție mai consistente, deoarece deciziile de proces devin informate de insightul statistic, și nu doar de intuiția acumulată.

În timp, acest tip de abordare ar putea influența modul în care echipele de materiale sunt organizate, modul în care cunoștințele de producție sunt păstrate și modul în care noile materiale trec de la medii de cercetare în producție. Pe măsură ce seturile de date cresc și modelele se îmbunătățesc, capacitatea de a conecta structura microscopică la performanța macroscopică poate deveni o capacitate fundamentală în industrii care depind de materiale avansate.