Polaron збирає $8 мільйонів для створення інтелектуального шару для матеріалознавства

Polaron зібрав $8 мільйонів нових коштів для пере визначення того, як розуміються, проектуються та виготовляються передові матеріали. Лондонський стартап будує те, що він описує як інтелектуальний шар для матеріалознавства – технологію, спрямовану на вирішення давньої промислової проблеми: розуміння того, як спосіб виготовлення матеріалів визначає їхню кінцеву продуктивність.

Круг фінансування був очолений Racine², фондом, орієнтованим на вплив, який підтримується Сереною та Makesense, з участю Speedinvest, Futurepresent та групи бізнес-ангелів з екосистеми промислового штучного інтелекту. Polaron планує використовувати капітал для розширення своєї інженерної команди, прискорення розгортання своїх інструментів генеративного проектування та підтримки зростаючого попиту клієнтів з автомобільної, енергетичної та інших важких галузей.

Перетворення даних про матеріали у розуміння

Більше століття виробництва було орієнтоване на автоматизацію процесів – прокат, лиття, нанесення покриття та формування матеріалів у великих масштабах. Але розуміння самих матеріалів залишилося в основному ручним. Інженери часто покладаються на роз’єднані інструменти, спеціальні скрипти та суб’єктивну інтерпретацію мікроскопічних зображень, щоб зробити висновок про те, як вибір обробки впливає на міцність, тривалість або ефективність.

У центрі цієї проблеми лежить фундаментальний принцип матеріалознавства: обробка визначає структуру, а структура визначає продуктивність. Мікроскопічна структура зерен, пор, фаз та дефектів всередині матеріалу визначає його поведінку у реальному світі. Ці структури не є теоретичними – вони видимі під мікроскопом – але витягування з них послідовних, дієвých висновків історично було повільним та трудомістким.

Платформа Polaron спроектована для зміни цього шляхом навчання машин читати та інтерпретувати мікроструктуру у великих масштабах.

Від характеристик до розуміння

Polaron тренує моделі штучного інтелекту на великих об’ємах реальних мікроскопічних зображень, поєднаних із виміряними властивостями матеріалів. Це дозволяє системі автоматично характеризувати матеріали, ідентифікуючи особливості, які раніше вимагали тисяч годин експертного ручного аналізу. Завдання, які раніше займали тижні, тепер можуть бути виконані за хвилини, надавши інженерам швидку зворотню зв’язок про те, як матеріали реагують на різні умови обробки.

Що ще важливіше, система надає пояснення, а не просто прогнози. Зв’язуючи мікроструктурні особливості з результатами продуктивності, інженери можуть зрозуміти чому матеріал поводиться певним чином, а не покладатися лише на емпіричні випробування. Платформа також може реконструювати тривимірні структури з двовимірних зображень та швидко виявляти складні або тонкі особливості, які легко пропустити традиційними методами.

Цей перехід від описового аналізу до каузального розуміння – це те, що Polaron вважає ключем до наступної фази інновацій у сфері матеріалів.

Генеративний дизайн для виготовлення матеріалів

Поза аналізом Polaron просунувся у сфері генеративного проектування. Використовуючи вивчені зв’язки між процесом, структурою та продуктивністю, його платформа може досліджувати великі простори проектування та пропонувати оптимальні конфігурації матеріалів разом із умовами обробки, необхідними для їх виробництва.

Натомість ніж експериментувати сліпо у лабораторії, інженери можуть використовувати систему для визначення перспективних проектів заздалегідь – тих, які відповідають цілям продуктивності, залишаючись виготовлюваними у промислових масштабах. Цій підхід допомагає звузити загальну прогалину в інноваціях у сфері матеріалів, де ідеї, які працюють у контрольованих дослідницьких середовищах, не працюють, коли їх піддають реальним виробничим обмеженням.

Платформа спроектована для роботи з широким спектром матеріалів, включаючи метали, кераміку, полімери та композити, що робить її придатною для багатьох промислових секторів.

Перші результати у високоефективних галузях

Технологія Polaron вже використовується інженерами у світових лідерах виробництва, включаючи виробників електромобілів, які відповідають за значну частку світового виробництва електромобілів. У одному проєкті з розробки батарей платформа підтримала проектування нових матеріалів електродів, які забезпечили покращення густини енергії на понад 10 відсотків.

У галузях, таких як батареї, де інкрементні здобутки прямо перекладаються на довшу тривалість, кращу продуктивність або нижчі витрати, такі покращення можуть мати великий вплив. Ці перші розгортання свідчать про те, що інструменти Polaron не тільки академічно цікаві, але й комерційно актуальні.

Коріння в академічних дослідженнях

Компанія була створена в Imperial College London після семи років досліджень на перетині штучного інтелекту та матеріалознавства. Polaron був заснований генеральним директором Айзеком Сквайрсом, технічним директором Стівом Кенчем та головним вченим Семом Купером, які поставили за мету перекласти передові дослідження у інструменти, які могли б бути використані практикуючими інженерами.

Те академічне підґрунтя залишається центральним у підході компанії, але фокус перебуває твердо на промисловому застосуванні – виведення інновацій у сфері матеріалів із повільних, методичних циклів у дані-орієнтовані робочі процеси проектування.

Вплив на матеріалознавство та виробництво

Технології, які застосовують машинне навчання безпосередньо до мікроструктури матеріалів, вказують на більш широкий перехід у тому, як розробляються фізичні продукти. Якщо зв’язки між процесом, структурою та продуктивністю можуть бути змодельовані надійно, матеріалознавство може почати нагадувати інші дані-орієнтовані дисципліни, де ітерація відбувається цифрово до того, як відбувається на заводському поверсі.

У практиці це може скоротити терміни розробки батарей, конструктивних компонентів та передових композитів, а також зменшити залежність від дорогих фізичних випробувань та помилок. Це також може забезпечити більш послідовні результати виробництва, оскільки рішення про процес стають інформованими статистичним висновком, а не лише накопиченим інтуїтивним знанням.

З часом такий підхід може вплинути на те, як організовані команди з матеріалів, як зберігається виробниче знання, і як швидко нові матеріали переходять з дослідницьких середовищ у виробництво. По мірі зростання наборів даних та покращення моделей можливість зв’язати мікроскопічну структуру з макроскопічною продуктивністю може стати фундаментальною здатністю у галузях, які залежать від передових матеріалів.