Polaron Raises $8 Million để Xây dựng Lớp Thông minh cho Khoa học Vật liệu

Polaron đã bảo đảm $8 triệu đô la trong vòng tài trợ mới khi công ty này làm việc để định nghĩa lại cách hiểu, thiết kế và sản xuất vật liệu tiên tiến. Startup có trụ sở tại London này đang xây dựng cái mà họ mô tả là lớp thông minh cho khoa học vật liệu – công nghệ nhằm giải quyết một thách thức công nghiệp lâu dài: hiểu cách vật liệu được sản xuất quyết định cách chúng hoạt động cuối cùng.

Vòng tài trợ này được dẫn đầu bởi Racine², một quỹ tập trung vào tác động được hỗ trợ bởi Serena và Makesense, với sự tham gia của Speedinvest, Futurepresent và một nhóm các nhà đầu tư thiên thần từ hệ sinh thái trí tuệ nhân tạo công nghiệp. Polaron dự định sử dụng vốn để mở rộng đội ngũ kỹ sư, tăng tốc triển khai các công cụ thiết kế tạo sinh và hỗ trợ nhu cầu ngày càng tăng từ khách hàng trên các ngành công nghiệp nặng như ô tô, năng lượng.

Chuyển đổi Dữ liệu Vật liệu thành Hiểu biết

Trong hơn một thế kỷ, sản xuất đã tập trung vào việc tự động hóa các quy trình – cán, đúc, tráng và tạo hình vật liệu với quy mô lớn. Tuy nhiên, việc hiểu vật liệu bản thân vẫn còn chủ yếu là thủ công. Các kỹ sư thường dựa vào các công cụ rời rạc, tập lệnh tùy chỉnh và giải thích chủ quan của hình ảnh kính hiển vi để suy luận về cách lựa chọn quá trình ảnh hưởng đến độ bền, độ bền hoặc hiệu suất.

Ở trung tâm của vấn đề này là một nguyên tắc cơ bản của khoa học vật liệu: quá trình quyết định cấu trúc, và cấu trúc quyết định hiệu suất. Sự sắp xếp vi mô của các hạt, lỗ rỗng, pha và khuyết tật bên trong vật liệu quyết định cách nó hoạt động trong thế giới thực. Những cấu trúc này không phải là lý thuyết – chúng có thể nhìn thấy dưới kính hiển vi – nhưng việc trích xuất thông tin nhất quán và có thể hành động từ chúng đã từng là một quá trình chậm và tốn nhiều lao động.

Nền tảng của Polaron được thiết kế để thay đổi điều này bằng cách dạy máy móc đọc và giải thích vi cấu trúc với quy mô lớn.

Từ Đặc tính đến Hiểu biết

Polaron đào tạo các mô hình trí tuệ nhân tạo trên các tập dữ liệu lớn hình ảnh kính hiển vi thực tế kết hợp với các thuộc tính vật liệu được đo. Điều này cho phép hệ thống của công ty tự động đặc tính vật liệu, xác định các tính năng mà trước đây cần hàng nghìn giờ phân tích thủ công của chuyên gia. Các nhiệm vụ trước đây mất hàng tuần có thể được hoàn thành trong vài phút, cung cấp cho các kỹ sư phản hồi nhanh chóng về cách vật liệu phản ứng với các điều kiện xử lý khác nhau.

Quan trọng hơn, hệ thống cung cấp giải thích, không chỉ dự đoán. Bằng cách liên kết các tính năng vi cấu trúc với kết quả hiệu suất, các kỹ sư có thể hiểu tại sao một vật liệu hoạt động theo cách nó làm, thay vì chỉ dựa vào thử nghiệm kinh nghiệm. Nền tảng cũng có thể tái tạo cấu trúc ba chiều từ hình ảnh hai chiều và nhanh chóng phát hiện các tính năng phức tạp hoặc tinh vi mà dễ bị bỏ qua bằng phương pháp truyền thống.

Sự chuyển đổi này từ phân tích mô tả sang hiểu biết nguyên nhân là điều mà Polaron tin rằng sẽ mở khóa giai đoạn tiếp theo của đổi mới vật liệu.

Thiết kế Tạo sinh cho Vật liệu Có thể Sản xuất

Ngoài phân tích, Polaron đang đẩy mạnh vào thiết kế tạo sinh. Sử dụng các mối quan hệ đã học được giữa quá trình, cấu trúc và hiệu suất, nền tảng của công ty có thể khám phá không gian thiết kế rộng lớn và đề xuất các cấu hình vật liệu tối ưu cùng với các điều kiện xử lý cần thiết để sản xuất chúng.

Thay vì thử nghiệm mù quáng trong phòng thí nghiệm, các kỹ sư có thể sử dụng hệ thống để xác định các thiết kế hứa hẹn ngay từ đầu – những thiết kế đáp ứng các mục tiêu hiệu suất trong khi vẫn có thể sản xuất với quy mô công nghiệp. Cách tiếp cận này giúp bắc cầu một khoảng cách phổ biến trong đổi mới vật liệu, nơi các ý tưởng hoạt động trong môi trường nghiên cứu được kiểm soát nhưng thất bại khi đối mặt với các hạn chế sản xuất thực tế.

Nền tảng được thiết kế để hoạt động trên nhiều loại vật liệu, bao gồm kim loại, gốm, polymer và vật liệu composite, khiến nó có thể áp dụng cho nhiều lĩnh vực công nghiệp.

Kết quả Sớm trong các Ngành Công nghiệp Tác động Cao

Công nghệ của Polaron đã được các kỹ sư tại các nhà lãnh đạo sản xuất toàn cầu sử dụng, bao gồm cả các nhà sản xuất xe điện chịu trách nhiệm cho một tỷ lệ đáng kể sản xuất xe điện toàn cầu. Trong một dự án phát triển pin, nền tảng đã hỗ trợ thiết kế vật liệu điện cực mới mang lại cải thiện mật độ năng lượng hơn 10%.

Trong lĩnh vực pin, nơi những cải thiện nhỏ có thể chuyển thành phạm vi dài hơn, hiệu suất tốt hơn hoặc chi phí thấp hơn, những cải thiện như vậy có thể có tác động đáng kể. Những triển khai sớm này cho thấy rằng các công cụ của Polaron không chỉ thú vị về mặt học thuật mà còn có liên quan về mặt thương mại.

Nguyên tắc Nghiên cứu Học thuật

Công ty này được tách ra từ Đại học Imperial London sau bảy năm nghiên cứu tại giao điểm của trí tuệ nhân tạo và khoa học vật liệu. Polaron được đồng sáng lập bởi CEO Isaac Squires, CTO Steve Kench và Nhà khoa học trưởng Sam Cooper, những người đã đặt ra mục tiêu dịch nghiên cứu tiên tiến thành các công cụ có thể được sử dụng bởi các kỹ sư thực hành.

Những nền tảng học thuật này vẫn là trung tâm của phương pháp tiếp cận của công ty, nhưng trọng tâm hiện đang tập trung vào ứng dụng công nghiệp – di chuyển đổi mới vật liệu ra khỏi các chu kỳ thử nghiệm và sai sót chậm chạp và vào các quy trình thiết kế dựa trên dữ liệu.

Ảnh hưởng đến Kỹ thuật Vật liệu và Sản xuất

Các công nghệ áp dụng học máy trực tiếp vào vi cấu trúc vật liệu chỉ ra một sự thay đổi rộng lớn hơn trong cách phát triển sản phẩm vật lý. Nếu mối quan hệ giữa quá trình, cấu trúc và hiệu suất có thể được mô hình hóa một cách đáng tin cậy, kỹ thuật vật liệu có thể bắt đầu giống với các lĩnh vực dựa trên dữ liệu khác, nơi lặp lại xảy ra trên máy tính trước khi xảy ra trên sàn nhà máy.

Trong thực tế, điều này có thể rút ngắn thời gian phát triển pin, các thành phần cấu trúc, và vật liệu composite tiên tiến, đồng thời giảm sự phụ thuộc vào thử nghiệm vật lý tốn kém. Nó cũng có thể cho phép sản xuất có kết quả nhất quán hơn, vì quyết định quá trình trở nên thông tin dựa trên thông tin thống kê thay vì chỉ dựa vào trực giác tích lũy.

Theo thời gian, cách tiếp cận này có thể ảnh hưởng đến cách các đội vật liệu được tổ chức, cách kiến thức sản xuất được giữ lại, và cách nhanh chóng vật liệu mới di chuyển từ môi trường nghiên cứu vào sản xuất. Khi các tập dữ liệu tăng trưởng và các mô hình được cải thiện, khả năng kết nối cấu trúc vi mô với hiệu suất vĩ mô có thể trở thành một khả năng cơ bản trên các ngành công nghiệp phụ thuộc vào vật liệu tiên tiến.