Polaron Samlar In 8 Miljoner Dollar För Att Bygga En Intelligensskikt För Materialvetenskap

Polaron har säkrat 8 miljoner dollar i ny finansiering medan de arbetar för att omdefiniera hur avancerade material förstås, designas och tillverkas. Det London-baserade startup-företaget bygger vad de beskriver som ett intelligensskikt för materialvetenskap – teknologi som syftar till att lösa en långvarig industriell utmaning: att förstå hur materialets tillverkningsprocess bestämmer dess slutliga prestanda.

Finansieringsrundan leddes av Racine², en fond med fokus på påverkan som stöds av Serena och Makesense, med deltagande från Speedinvest, Futurepresent och en grupp av ängelinvesterare från det industriella AI-ekosystemet. Polaron planerar att använda kapitalet för att expandera sin ingenjörsteam, påskynda distributionen av sina generativa designverktyg och stödja den växande efterfrågan från kunder inom bil-, energi- och andra tunga industrier.

Att Omvandla Materialdata Till Förståelse

Under mer än ett sekel har tillverkning fokuserat på att automatisera processer – rullning, gjutning, beläggning och formning av material i stor skala. Men att förstå materialet i sig har förblivit i stor utsträckning manuellt. Ingenjörer förlitar sig ofta på frånkopplade verktyg, anpassade skript och subjektiv tolkning av mikroskopibilder för att sluta sig till hur bearbetningsval påverkar styrka, hållbarhet eller effektivitet.

I centrum för detta problem ligger en grundläggande princip inom materialvetenskap: tillverkningsprocessen bestämmer struktur, och struktur bestämmer prestanda. Den mikroskopiska anordningen av korn, porer, faser och defekter inuti ett material bestämmer hur det beter sig i den verkliga världen. Dessa strukturer är inte teoretiska – de kan ses under mikroskop – men att extrahera konsekvent, handlingsbart insikt från dem har historiskt sett varit långsamt och arbetskrävande.

Polarons plattform är utformad för att ändra på detta genom att lära maskiner att läsa och tolka mikrostruktur i stor skala.

Från Karakterisering Till Insikt

Polaron tränar AI-modeller på stora volymer av riktiga mikroskopibilder parade med uppmätta materialegenskaper. Detta möjliggör för systemet att automatiskt karakterisera material, identifiera funktioner som tidigare krävde tusentals timmars expertmanuell analys. Uppgifter som tidigare tog veckor kan nu slutföras på några minuter, vilket ger ingenjörer snabb återkoppling på hur material svarar på olika tillverkningsförhållanden.

Mer viktigt är att systemet tillhandahåller förklaringar, inte bara förutsägelser. Genom att koppla mikrostrukturella funktioner till prestandaresultat kan ingenjörer förstå varför ett material beter sig på ett visst sätt, snarare än att enbart förlita sig på empirisk testning. Plattformen kan också rekonstruera tredimensionella strukturer från tvådimensionella bilder och snabbt upptäcka komplexa eller subtila funktioner som lätt kan missas med traditionella metoder.

Denna övergång från deskriptiv analys till orsaksförståelse är vad Polaron tror låser upp nästa fas av materialinnovation.

Generativ Design För Tillverkningsbara Material

Utöver analys är Polaron på väg in i generativ design. Med hjälp av inlärda relationer mellan process, struktur och prestanda kan plattformen utforska stora designutrymmen och föreslå optimala materialkonfigurationer tillsammans med de tillverkningsförhållanden som krävs för att producera dem.

I stället för att experimentera blindt i labbet kan ingenjörer använda systemet för att identifiera lovande designlösningar i förväg – lösningar som uppfyller prestandamål samtidigt som de förblir tillverkningsbara i industriell skala. Detta tillvägagångssätt hjälper till att överbrygga en vanlig klyfta i materialinnovation, där idéer som fungerar i kontrollerade forskningsmiljöer misslyckas när de utsätts för verkliga produktionsbegränsningar.

Plattformen är utformad för att fungera över en bred spektrum av material, inklusive metaller, keramer, polymerer och kompositer, vilket gör den tillämplig för många industriella sektorer.

Tidiga Resultat I Högimpaktindustrier

Polarons teknologi används redan av ingenjörer på globala tillverkningsledare, inklusive tillverkare av elbilar som står för en betydande andel av världens elbilsproduktion. I ett batteriutvecklingsprojekt stödde plattformen designen av nya elektrodmaterial som gav energitäthetsförbättringar på över 10 procent.

I områden som batterier, där marginella vinster översätts direkt till längre räckvidd, bättre prestanda eller lägre kostnader, kan sådana förbättringar ha en överproportionerlig inverkan. Dessa tidiga distributioner tyder på att Polarons verktyg inte bara är akademiskt intressanta, utan också kommersiellt relevanta.

Akademisk Forskning

Företaget spinndes ut från Imperial College London efter sju års forskning vid skärningspunkten mellan artificiell intelligens och materialvetenskap. Polaron grundades av VD Isaac Squires, CTO Steve Kench och chefsforskare Sam Cooper, som satte sig för att översätta banbrytande forskning till verktyg som kunde användas av praktiserande ingenjörer.

Denna akademiska grund förblir central för företagets tillvägagångssätt, men fokus ligger fast på industriell tillämpning – att flytta materialinnovation ut ur långsamma, trial-and-error-cykler och in i datastyrda designflöden.

Implikationer För Materialteknik Och Tillverkning

Teknologier som tillämpar maskinlärande direkt på materialmikrostruktur pekar mot en bredare förändring i hur fysiska produkter utvecklas. Om process-struktur-prestanda-relationer kan modelleras tillförlitligt, kan materialteknik börja likna andra datastyrda discipliner, där iteration sker digitalt innan den sker på fabriksgolvet.

I praktiken kan detta förkorta utvecklingstider för batterier, strukturkomponenter och avancerade kompositer, samtidigt som det minskar beroendet av dyra fysiska trial-and-error. Det kan också möjliggöra mer konsekventa tillverkningsresultat, eftersom processbeslut blir informerade av statistisk insikt snarare än ackumulerad intuition ensam.

Över tiden kan detta tillvägagångssätt påverka hur materialteam är organiserade, hur tillverkningskunskap behålls, och hur snabbt nya material flyttar från forskningsmiljöer till produktion. När datamängder växer och modeller förbättras, kan förmågan att koppla mikroskopisk struktur till makroskopisk prestanda bli en grundläggande förmåga över hela industrier som är beroende av avancerade material.