Fonlama

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

Antoine Tardif
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarPolaron'un yapay zeka platformu, malzeme işleme ile performans sonuçları arasında…
Daha fazla göster
  • Polaron'un yapay zeka platformu, malzeme işleme ile performans sonuçları arasında bağlantı kurmak için mikro yapı analizini otomatikleştirir.
  • Şirketin üretilebilir malzeme konfigürasyonlarını önermek için kullanılan üretken tasarım araçları, öğrenilmiş süreç-yapı ilişkilerinden faydalanır.
  • Polaron, mühendislik ekibini genişletmek ve araçlarını ağır sanayilerde kullanıma sunmak için 8 milyon dolar yatırım aldı.

Polaron, gelişmiş malzemelerin anlaşılması, tasarlanması ve üretilmesi şeklini yeniden tanımlamak için çalışırken, yeni bir finansman turunda $8 milyon dolarlık yatırım elde etti. Londra merkezli startup, malzeme bilimi için bir zeka katmanı oluşturuyor – endüstriyel bir zorluğu çözmeyi hedefleyen teknoloji: malzemelerin nasıl üretildiğiyle nasıl performans gösterdiği arasındaki ilişkiyi anlamak.

Finansman turu, Racine² tarafından liderlik edildi, Serena ve Makesense tarafından desteklenen bir etki odaklı fon, Speedinvest, Futurepresent ve endüstriyel AI ekosisteminden gelen melek yatırımcıların katılımıyla gerçekleşti. Polaron, sermayeyi mühendislik ekibini genişletmek, generatif tasarım araçlarının dağıtımını hızlandırmak ve otomotiv, enerji ve diğer ağır sanayi gibi sektörlerdeki müşterilerden gelen artan talebi desteklemek için kullanmayı planlıyor.

Malzeme Verilerini Anlayışa Dönüştürme

Bir asırdan uzun süredir imalat, malzemeleri büyük ölçekte haddeleme, dökme, kaplama ve şekillendirme süreçlerini otomatikleştirmeye odaklanmıştır. Ancak malzemelerin kendilerini anlamak büyük ölçüde elle yürütülen bir iş olarak kalmıştır. Mühendisler, işleme tercihlerinin dayanım, dayanıklılık veya verimliliği nasıl etkilediğini çıkarsamak için çoğu zaman birbiriyle bağlantısız araçlara, özel betiklere ve mikroskop görüntülerinin öznel yorumuna dayanır.

Bu sorunun merkezinde, malzeme biliminin temel bir ilkesi yatıyor: işleme, yapıyı belirler ve yapı, performansı belirler. Bir malzemenin içindeki tanelerin, gözeneklerin, fazların ve kusurların mikroskobik düzeni, gerçek dünyada nasıl davrandığını belirler. Bu yapılar teorik değil, mikroskop altında görülebilir, ancak onlardan tutarlı ve eyleme geçirilebilir bilgi çıkarmak tarihi olarak yavaş ve emek yoğun olmuştur.

Polaron’un platformu, bu durumu değiştirmek için tasarlandı, makinelerin mikroyapıyı büyük ölçekte okumayı ve yorumlamayı öğretiyor.

Karakterizasyondan İçgörüye

Polaron, büyük hacimli gerçek mikroskobik görüntülerle ölçülen malzeme özelliklerini birleştirerek AI modellerini eğitir. Bu, sistemin otomatik olarak malzemeleri karakterize etmesini, binlerce saatlik uzman manuel analizi gerektiren özellikleri tanımlamasını sağlar. Haftalar alan görevler artık dakikalar içinde tamamlanabilir, mühendislere farklı işleme koşullarına nasıl tepki verdiklerine ilişkin hızlı geri bildirim sağlar.

Daha da önemlisi, sistem açıklamalar sağlar, yalnızca öngörüler değil. Mikro yapının performans sonuçlarına bağlanarak, mühendisler bir malzemenin neden belirli bir şekilde davrandığını anlayabilir, yalnızca deneysel testlere güvenmek yerine. Platform, ayrıca geleneksel yöntemlerle kolayca kaçırılan karmaşık veya ince özellikleri hızlı bir şekilde tespit edebilecek şekilde, iki boyutlu görüntülerden üç boyutlu yapıları yeniden oluşturabilir.

Bu, Polaron’un malzeme inovasyonunun bir sonraki aşamasının önünü açacağına inandığı, betimsel analizden nedensel anlayışa doğru bir değişimdir.

Üretilebilir Malzemeler için Generatif Tasarım

Analiz ötesinde, Polaron generatif tasarıma doğru ilerlemektedir. Öğrenilen işleme, yapı ve performans arasındaki ilişkileri kullanarak, platformu geniş tasarım alanlarını keşfetmeye ve en uygun malzeme yapılandırmalarını ve bunları üretmek için gerekli işleme koşullarını önermeye olanak tanır.

Bu, mühendislerin laboratuvarda kör olarak deneysel çalışmak yerine, sistem kullanarak, performans hedeflerini karşılayan ve endüstriyel ölçekte üretilebilir kalan tasarımları önceden belirlemelerine olanak tanır. Bu yaklaşım, fikirlerin kontrollü araştırma ortamlarında işe yaradığı ancak gerçek üretim kısıtlamalarıyla karşılaştığında başarısız olduğu malzemeler yeniliklerinde ortak bir boşluğu köprüler.

Platform, metaller, seramikler, polimerler ve kompozit malzemeler dahil olmak üzere geniş bir malzeme yelpazesinde çalışmak üzere tasarlanmıştır, bu da birçok endüstriyel sektöre uygulanabilirliğini sağlar.

Yüksek Etki Endüstrilerinde Erken Sonuçlar

Polaron’un teknolojisi, dünya çapındaki EV üretiminin önemli bir payını üreten elektrikli araç üreticileri de dahil olmak üzere, global imalat liderlerinin mühendisleri tarafından zaten kullanılıyor. Bir pil geliştirme projesinde, platform, enerji yoğunluğunda %10’dan fazla iyileşme sağlayan yeni elektrod malzemelerinin tasarımını destekledi.

Piller gibi alanlarda, küçük kazanımlar doğrudan daha uzun menzil, daha iyi performans veya daha düşük maliyetlere çevirilebileceği için, bu tür iyileştirmeler orantısız bir etkiye sahip olabilir. Bu erken dağıtımlar, Polaron’un araçlarının yalnızca akademik olarak ilginç değil, aynı zamanda ticari olarak ilgili olduğunu gösteriyor.

Akademik Araştırmaların Kökenleri

Şirket, yedi yıllık yapay zeka ve malzeme bilimi araştırmalarının ardından Imperial College London’dan ayrılarak kuruldu. Polaron, CEO Isaac Squires, CTO Steve Kench ve Baş Bilim Adamı Sam Cooper tarafından kuruldu ve akademik araştırma sonuçlarını uygulamaya koyarak mühendislerin kullanabileceği araçlar oluşturmayı hedefledi.

Bu akademik temel, şirketin yaklaşımının merkezinde kalıyor, ancak odak noktası şimdi endüstriyel uygulamaya kaymış durumda – malzemelerin yeniliklerini yavaş, deneme-yanılma döngülerinden veri temelli tasarım iş akışlarına taşımak.

Malzeme Mühendisliği ve İmalatına Etkileri

Malzeme mikro yapısına doğrudan makine öğrenimi uygulayan teknolojiler, fiziksel ürünlerin geliştirilme şeklinin daha geniş bir değişimine işaret ediyor. İşleme-yapı-performans ilişkileri güvenilir bir şekilde modellenirse, malzeme mühendisliği, diğer veri temelli disiplinlere benzemeye başlayabilir, burada yinelemeler üretim sahasından önce dijital ortamda gerçekleşir.

Pratikte, bu, piller, yapısal bileşenler ve gelişmiş kompozitlerin geliştirme sürelerini kısaltabilir, aynı zamanda maliyetli fiziksel deneme yanılmaya olan bağımlılığı azaltabilir. Ayrıca, üretim sonuçlarının daha tutarlı olmasını sağlayabilir, çünkü işleme kararları yalnızca biriken sezgi yerine istatistiksel içgörüyle bilgilendirilir.

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

Antoine, Unite.AI'nin vizyoner lideri ve kurucu ortağıdır. Yapay zekâ ve robotiğin geleceğini şekillendirmeye ve ilerletmeye yönelik sarsılmaz bir tutku taşır. Birden fazla şirket kurmuş bir girişimci olarak yapay zekânın toplumu elektrik kadar köklü biçimde dönüştüreceğine inanır ve çığır açan teknolojiler ile yapay genel zekânın (AGI) potansiyelinden sık sık heyecanla söz eder.

Bir fütürist olarak bu yeniliklerin dünyamızı nasıl şekillendireceğini araştırmaya kendini adamıştır. Ayrıca geleceği yeniden tanımlayan ve tüm sektörleri dönüştüren ileri teknolojilere yatırım yapmaya odaklanan Securities.io platformunun kurucusudur.