Polaron 籌集 800 萬美元資金，打造材料科學的智能層

Polaron 已籌集到 800 萬美元的新資金，以重新定義先進材料的理解、設計和製造。這家位於倫敦的初創公司正在打造它所描述的 材料科學的智能層 —— 一種旨在解決長期工業挑戰的技術：了解材料的製造方式如何決定其最終性能。

籌資輪由 Racine² 領投，Racine²是一個由塞雷娜和Makesense支持的影響力基金，同時還有 Speedinvest、Futurepresent 和一組來自工業人工智能生態系統的天使投資者參與。Polaron 計劃使用這筆資金來擴大其工程團隊，加速其生成設計工具的部署，並支持客戶在汽車、能源和其他重工業領域的需求。

將材料數據轉化為理解

過去一個多世紀以來，製造業一直關注於自動化流程 —— 大規模地滾動、鑄造、涂層和成形材料。但是，了解材料本身仍然主要是手動進行。工程師們經常依靠斷開的工具、自定義腳本和主觀解釋顯微鏡圖像，以推斷處理選擇如何影響強度、耐久性或效率。

這個問題的核心是材料科學的一個基本原理：加工決定結構，結構決定性能。材料內部的微觀結構 —— 如晶粒、孔隙、相和缺陷 —— 決定了它在現實世界中的行為。這些結構不是理論上的 —— 它們可以在顯微鏡下觀察到 —— 但是從中提取一致的、可行的見解歷來都是緩慢而耗時的。

Polaron 的平台旨在通過教導機器在大規模上閱讀和解釋微觀結構來改變這種情況。

從表徵到見解

Polaron 將人工智能模型訓練在大量的實際顯微鏡圖像和測量的材料屬性上。這使得其系統可以自動表徵材料，識別出曾經需要數千小時的專家手動分析的特徵。曾經需要幾周的任務現在可以在幾分鐘內完成，給工程師們提供了快速的反饋，告訴他們材料如何響應不同的加工條件。

更重要的是，系統提供了解釋，而不僅僅是預測。通過將微觀結構特徵與性能結果聯繫起來，工程師們可以了解 為什麼 一種材料以某種方式行為，而不是僅僅依靠經驗測試。該平台還可以從二維圖像重構三維結構，並快速檢測傳統方法容易忽略的複雜或微妙的特徵。

這種從描述性分析到因果理解的轉變是 Polaron 相信解鎖材料創新下一階段的關鍵。

可製造材料的生成設計

除了分析之外，Polaron 還在推動生成設計。使用學習到的加工、結構和性能之間的關係，其平台可以探索巨大的設計空間，並提出最佳的材料配置以及生產它們所需的加工條件。

工程師們可以使用系統來識別出在工業規模上可製造的、性能良好的設計 —— 即那些滿足性能目標的設計，而不是在實驗室中盲目地嘗試。這種方法有助於橋接材料創新中的一個常見差距，即在受控研究環境中有效的想法在面對現實世界生產約束時失敗。

該平台旨在適用於各種材料，包括金屬、陶瓷、聚合物和復合材料，使其適用於許多工業領域。

高影響力行業的早期成果

Polaron 的技術已經被全球製造業領導者所使用，包括負責全球電動汽車生產的大部分電動汽車製造商。在一個電池開發項目中，該平台支持設計了新的電極材料，實現了能量密度提高了 10% 以上。

在電池等領域，增量式的改進可以直接轉化為更長的行駛距離、更好的性能或更低的成本。這種改進可以產生巨大的影響。這些早期的部署表明，Polaron 的工具不僅在學術上有趣，而且在商業上也具有相關性。

學術研究的根源

該公司是在 帝國理工學院 七年的人工智能和材料科學交叉研究基礎上成立的。Polaron 由 CEO Isaac Squires、CTO Steve Kench 和首席科學家 Sam Cooper 共同創立，他們旨在將尖端研究轉化為實踐工程師可以使用的工具。

這種學術基礎仍然是公司方法的核心，但重點是工業應用 —— 將材料創新從緩慢的試錯循環中解放出來，將其轉移到數據驅動的設計工作流程中。

對材料工程和製造的影響

直接將機器學習應用於材料微觀結構的技術指向了物理產品開發方式的更廣泛轉變。如果加工 —— 結構 —— 性能關係可以被可靠地建模，材料工程可能會開始類似於其他數據驅動的學科，在工廠生產之前先在數字上進行迭代。

在實踐中，這可能會縮短電池、結構部件和先進復合材料的開發時間，同時減少對昂貴的物理試錯的依賴。它還可能實現更一致的製造結果，因為加工決策將受到統計洞察而不是單純的積累直覺的影響。

隨著時間的推移，這種方法可能會影響材料團隊的組織方式、製造知識的保留方式以及新材料從研究環境轉移到生產的速度。隨著數據集的增長和模型的改進，將微觀結構與宏觀性能聯繫起來的能力可能會成為各個行業的基本能力，這些行業依賴於先進材料。