Polaron 8 Milyon Dolarlık Yatırım ile Malzeme Bilimi için Zeka Katmanı Oluşturuyor

Polaron gelişmiş malzemelerin anlaşılma, tasarım ve imalat şeklini yeniden tanımlama amacıyla 8 milyon dolarlık yeni yatırım elde etti. Londra merkezli bu startup, malzeme bilimi için zeka katmanı olarak adlandırdığı bir teknoloji geliştiriyor. Bu teknoloji, malzemelerin nasıl üretildiğiyle nasıl performans gösterdiği arasındaki uzun süredir devam eden endüstriyel sorunu çözmeyi hedefliyor.

Yatırım turu, Racine² tarafından liderlik edildi. Racine², Serena ve Makesense tarafından desteklenen bir etki odaklı fon. Speedinvest, Futurepresent ve endüstriyel AI ekosisteminin önemli isimlerinden oluşan melek yatırımcılar da yatırıma katıldı. Polaron, sermayeyi mühendislik ekibini genişletmek, generatif tasarım araçlarının dağıtımını hızlandırmak ve otomotiv, enerji gibi ağır sanayi dahil olmak üzere müşterilerden gelen artan talebi desteklemek için kullanmayı planlıyor.

Malzeme Verilerini Anlaşılabilir Hale Getirme

Yüz yıldan fazla bir süredir, imalat süreçlerin otomasyonuna odaklandı – malzemeleri ölçeklenebilir şekilde yuvarlama, dökme, kaplama ve şekillendirme. Ancak malzemeleri kendilerini anlamak büyük ölçüde manuel olarak kaldı. Mühendisler, genellikle malzemelerin işlenme tercihlerinin gücü, dayanıklılık veya verimliliği nasıl etkilediğini çıkarsamak için bağlantısız araçlar, özel betikler ve mikroskobik görüntülerin öznel yorumuna güveniyorlar.

Bu sorunun merkezinde, malzeme biliminin temel bir ilkesi yatıyor: işleme, yapıyı belirler ve yapı, performansı belirler. Bir malzemenin içinde bulunan tane, gözenek, faz ve hataların mikroskobik düzeni, gerçek dünyada nasıl davrandığını yönetir. Bu yapılar teorik değil – mikroskopta görülebilirler – ancak onlardan tutarlı, eyleme geçirilebilir içgörü çıkarmak tarihi olarak yavaş ve emek yoğun olmuştur.

Polaron’un platformu, bu durumu değiştirmek için tasarlandı ve makinelerin mikro yapıyı büyük ölçekte okumayı ve yorumlamayı öğretmeyi hedefliyor.

Karakterizasyondan İçgörüye

Polaron, büyük hacimli gerçek mikroskobik görüntülerle ölçülen malzeme özelliklerini birleştirerek AI modellerini eğitiyor. Bu, sistemlerin otomatik olarak malzemeleri karakterize etmesine, binlerce saatlik uzman manuel analizle previously gereken özellikleri tanımlamasına olanak tanır. Haftalar alan görevler artık dakikalar içinde tamamlanabilir, mühendislere farklı işleme koşullarına nasıl cevap verdiklerine hızlı geri bildirim sağlar.

Daha da önemlisi, sistem açıklamalar sağlar, yalnızca öngörüler değil. Mikro yapısal özelliklerin performans sonuçlarına bağlanmasıyla, mühendisler bir malzemenin neden belirli bir şekilde davrandığını anlayabilirler, yalnızca ampirik testlere güvenmek yerine. Platform, ayrıca iki boyutlu görüntülerden üç boyutlu yapıları yeniden oluşturabilir ve geleneksel yöntemlerle kolayca kaçırılan karmaşık veya ince özellikleri hızla tespit edebilir.

Polaron, bu açıklamalı analizden nedensel anlayışa geçişin, malzeme inovasyonunun bir sonraki aşamasını kilitleyeceğine inanıyor.

Üretilebilir Malzemeler için Generatif Tasarım

Analiz ötesinde, Polaron generatif tasarıma doğru ilerliyor. Öğrenilen işleme, yapı ve performans arasındaki ilişkileri kullanarak platform, geniş tasarım alanlarını keşfedebilir ve üretilebilirlik koşullarıyla birlikte optimal malzeme konfigürasyonlarını önerebilir.

Mühendisler, laboratuvarda körlemesine deneysel çalışmak yerine, sistem kullanarak performans hedeflerine ulaşan ve endüstriyel ölçekte üretilebilir kalan tasarımları önceden belirleyebilir. Bu yaklaşım, malzeme inovasyonunda ortak bir boşluğu köprüler – kontrol edilen araştırma ortamlarında çalışan fikirlerin, gerçek üretim kısıtlamalarına maruz kaldıklarında başarısız olmasına yardımcı olur.

Platform, metaller, seramikler, polimerler ve kompozitler dahil olmak üzere geniş bir malzeme yelpazesi üzerinde çalışmak üzere tasarlandı, bu da birçok endüstriyel sektöre uygulanabilirliğini sağlıyor.

Yüksek Etki Endüstrilerindeki Erken Sonuçlar

Polaron’un teknolojisi, dünya çapındaki EV üretiminde önemli bir paya sahip olan elektrikli araç üreticileri de dahil olmak üzere küresel imalat liderleri tarafından zaten kullanılıyor. Bir pil geliştirme projesinde, platform yeni elektrod malzemelerinin tasarlanmasını destekledi ve enerji yoğunluğunda %10’dan fazla iyileşme sağladı.

Piller gibi alanlarda, küçük kazançlar doğrudan daha uzun menzil, daha iyi performans veya daha düşük maliyetlere dönüşebilir, bu da büyük bir etkiye sahip olabilir. Bu erken dağıtımlar, Polaron’un araçlarının yalnızca akademik olarak ilginç olmadığını, sondern ticari olarak da ilgili olduğunu gösteriyor.

Akademik Araştırmalardan Kaynaklanan Kökenler

Şirket, yapay zeka ve malzeme bilimi arasındaki kesişimde yedi yıllık bir araştırma sonrasında Imperial College London dan spun out edildi. Polaron, CEO Isaac Squires, CTO Steve Kench ve Baş Bilim Adamı Sam Cooper tarafından kuruldu. Bunlar, akademik araştırma sonuçlarını pratik mühendislik için kullanılabilir araçlara çevirmeyi hedeflediler.

Bu akademik temel, şirketin yaklaşımının merkezi olarak kalıyor, ancak odak noktası kesin olarak endüstriyel uygulamaya kaydırıldı – malzeme inovasyonunu yavaş, deneme-yanılma döngülerinden veri temelli tasarım iş akışlarına taşıyor.

Malzeme Mühendisliği ve İmalat için İmpilikasyonlar

Malzeme mikro yapısına doğrudan makine öğrenimi uygulayan teknolojiler, fiziksel ürünlerin geliştirilme şeklindeki daha geniş bir değişimi işaret ediyor. İşleme-yapı-performans ilişkileri güvenilir bir şekilde modelleme altına alınırsa, malzeme mühendisliği diğer veri temelli disiplinlere benzemeye başlayabilir, burada iterasyon fabrika zemininde gerçekleşmeden önce dijital olarak gerçekleşir.

Pratikte, bu, piller, yapısal bileşenler ve gelişmiş kompozitler için geliştirme zamanlarını kısaltabilir, aynı zamanda pahalı fiziksel deneme-yanılma bağımlılığını azaltabilir. Ayrıca, süreç kararlarının yalnızca biriken sezgi yerine istatistiksel içgörülerle bilgilendirilmesi sayesinde daha tutarlı üretim sonuçlarına da yol açabilir.

Zamanla, bu tür bir yaklaşım, malzeme ekiplerinin nasıl organize edildiğini, üretim bilgisinin nasıl korunduğunu ve yeni malzemelerin araştırma ortamlarından üretime nasıl taşındığını etkileyebilir. Veri setleri büyüdükçe ve modeller geliştikçe, mikroskobik yapıyı makroskobik performansa bağlama yeteneği, gelişmiş malzemelere bağımlı endüstriler boyunca temel bir yetenek haline gelebilir.