Polaron привлекает $8 миллионов для создания интеллектуального слоя для материаловедения

Polaron привлекла $8 миллионов в новом финансировании, работая над переопределением того, как понимают, проектируют и производят передовые материалы. Лондонский стартап строит то, что он описывает как интеллектуальный слой для материаловедения — технологию, направленную на решение давней промышленной проблемы: понимание того, как способ изготовления материалов определяет их конечные характеристики.

Финансирование было возглавлено Racine², фондом, ориентированным на воздействие, поддержанным Сереной и Makesense, с участием Speedinvest, Futurepresent и группы бизнес-ангелов из экосистемы промышленного ИИ. Polaron планирует использовать капитал для расширения своей инженерной команды, ускорения развертывания своих инструментов генеративного проектирования и поддержки растущего спроса со стороны клиентов из автомобильной, энергетической и других тяжелых промышленностей.

Преобразование данных о материалах в понимание

Более века производство фокусировалось на автоматизации процессов — прокатке, литье, покрытии и формировании материалов в больших масштабах. Но понимание самих материалов осталось в основном ручным. Инженеры часто полагаются на несвязанные инструменты, пользовательские скрипты и субъективную интерпретацию микроскопических изображений, чтобы сделать вывод о том, как выбор обработки влияет на прочность, долговечность или эффективность.

В центре этой проблемы лежит основополагающий принцип материаловедения: обработка определяет структуру, а структура определяет характеристики. Микроскопическое расположение зерен, пор, фаз и дефектов внутри материала управляет его поведением в реальном мире. Эти структуры не являются теоретическими — они видны под микроскопом — но извлечение последовательного, действенного вывода из них исторически было медленным и трудоемким.

Платформа Polaron предназначена для изменения этого, обучая машины читать и интерпретировать микроструктуру в больших масштабах.

От характеристик к выводу

Polaron обучает модели ИИ на больших объемах реальных микроскопических изображений, сопоставленных с измеренными свойствами материалов. Это позволяет ее системе автоматически характеризовать материалы, выявляя особенности, которые ранее требовали тысяч часов экспертного ручного анализа. Задачи, которые ранее занимали недели, теперь могут быть выполнены за несколько минут, давая инженерам быструю обратную связь о том, как материалы реагируют на разные условия обработки.

Более того, система предоставляет объяснения, а не только прогнозы. Связывая микроструктурные особенности с результатами характеристик, инженеры могут понять почему материал ведет себя так, как он ведет, а не полагаться только на эмпирическое тестирование. Платформа также может реконструировать трехмерные структуры из двумерных изображений и быстро обнаруживать сложные или тонкие особенности, которые легко пропустить с помощью традиционных методов.

Этот переход от описательного анализа к причинно-следственному пониманию — это то, что Polaron считает ключом к следующей фазе инноваций в материаловедении.

Генеративное проектирование для производимых материалов

За пределами анализа Polaron продвигается в генеративном проектировании. Используя изученные отношения между обработкой, структурой и характеристиками, ее платформа может исследовать обширные пространства проектирования и предлагать оптимальные конфигурации материалов, а также условия обработки, необходимые для их производства.

Вместо того, чтобы экспериментировать слепо в лаборатории, инженеры могут использовать систему для выявления перспективных проектов заранее — тех, которые соответствуют целевым характеристикам, оставаясь при этом производимыми в промышленных масштабах. Этот подход помогает мостить распространенный разрыв в инновациях в материаловедении, где идеи, которые работают в контролируемых исследовательских средах, терпят неудачу, когда сталкиваются с реальными производственными ограничениями.

Платформа предназначена для работы с широким спектром материалов, включая металлы, керамику, полимеры и композиты, что делает ее применимой к многим промышленным секторам.

Ранние результаты в высокоэффективных отраслях

Технология Polaron уже используется инженерами ведущих мировых производителей, включая производителей электромобилей, ответственных за значительную долю мирового производства электромобилей. В одном проекте разработки батарей платформа поддержала проектирование новых электродных материалов, которые обеспечили улучшение плотности энергии более чем на 10 процентов.

В областях, таких как батареи, где небольшие улучшения напрямую переводятся в более длинный диапазон, лучшую производительность или более низкие затраты, такие улучшения могут иметь значительное влияние. Эти ранние развертывания предполагают, что инструменты Polaron не только интересны с академической точки зрения, но и коммерчески актуальны.

Корни в академических исследованиях

Компания была выведена из Имперского колледжа Лондона после семи лет исследований на пересечении искусственного интеллекта и материаловедения. Polaron была основана генеральным директором Айзеком Скуайрсом, техническим директором Стивом Кенчем и главным ученым Сэмом Купером, которые поставили цель перевести передовые исследования в инструменты, которые могут быть использованы практикующими инженерами.

Эта академическая основа остается центральной для подхода компании, но фокус четко лежит на промышленном применении — выводе инноваций в материаловедении из медленных, основанных на пробах и ошибках циклов в данные, управляемые проектированием рабочие процессы.

Влияние на материаловедение и производство

Технологии, которые применяют машинное обучение напрямую к микроструктуре материалов, указывают на более широкий сдвиг в том, как разрабатываются физические продукты. Если отношения между обработкой, структурой и характеристиками могут быть смоделированы надежно, материаловедение может начать напоминать другие данные, управляемые дисциплины, где итерация происходит цифровым образом, прежде чем происходит на заводском полу.

На практике это может сократить сроки разработки батарей, конструктивных компонентов и передовых композитов, а также уменьшить зависимость от дорогостоящих физических проб и ошибок. Это также может обеспечить более последовательные результаты производства, поскольку решения по обработке становятся информированными статистическим выводом, а не только накопленной интуицией.

Со временем этот тип подхода может повлиять на то, как организуются команды материалов, как сохраняется производственная информация, и как быстро новые материалы переходят из исследовательских сред в производство. По мере роста наборов данных и улучшения моделей способность связать микроскопическую структуру с макроскопическими характеристиками может стать фундаментальной возможностью во всех отраслях, которые полагаются на передовые материалы.