Polaron 籌集 800 萬美元打造材料科學的智慧層

Polaron 籌集了 $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。這家倫敦的初創公司正在打造所謂的 材料科學的智慧層，即針對解決長期的工業挑戰的技術：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 是一家由 Serena 和 Makesense 支持的影響力基金，還有 Speedinvest、Futurepresent 和一群來自工業 AI 生態系統的天使投資者的參與。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，並支持來自汽車、能源和其他重工業領域的客戶日益增長的需求。

將材料數據轉化為理解

超過一個世紀以來，製造業一直專注於自動化流程——大規模地滾動、鑄造、鍍層和成型材料。但是，了解材料本身仍然主要是手動進行。工程師經常依賴斷開的工具、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。

這個問題的核心是一個材料科學的基本原理：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、相和缺陷的排列，決定了材料在實際世界中的行為。這些結構不是理論上的——它們可以在顯微鏡下觀察到——但從中提取一致的、可行的見解歷來一直很慢、很耗勞動力。

Polaron 的平台旨在改變這種狀況，通過教導機器學習大規模地閱讀和解釋微觀結構。

從表徵到見解

Polaron 對大量的實際顯微鏡圖像和測量的材料屬性進行 AI 模型的訓練。這使得系統可以自動對材料進行表徵，識別出曾經需要數千小時的專家手動分析的特徵。曾經需要數周才能完成的任務現在可以在幾分鐘內完成，給工程師提供了快速的反饋，告訴他們材料如何對不同的加工條件做出反應。

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，工程師可以了解 為什麼 一種材料會以某種方式行為，而不是僅僅依賴經驗測試。平台還可以從二維圖像重建三維結構，並快速檢測到傳統方法下容易忽略的複雜或微妙特徵。

這種從描述性分析到因果理解的轉變是 Polaron 相信解鎖材料創新的下一個階段。

可製造材料的生成設計

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

工程師不再需要在實驗室中盲目地進行實驗，他們可以使用系統來識別出有前途的設計——那些既能滿足性能目標又能在工業規模上生產的設計。這種方法有助於填補材料創新中的一個常見差距，即在控制的研究環境中有效的想法在面對現實生產約束時失敗。

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採用，包括負責全球電動汽車生產中大量份額的電動汽車製造商。在一個電池開發項目中，平台支持設計了新的電極材料，實現了能量密度提高超過 10%。

在電池等領域，微小的增益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

公司源自 倫敦帝國學院，在人工智慧和材料科學的交叉點上進行了七年的研究。Polaron 由 CEO Isaac Squires、CTO Steve Kench 和首席科學家 Sam Cooper 共同創立，他們旨在將最先進的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，轉向數據驅動的設計工作流程。

對材料工程和製造的影響

將機器學習直接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、結構和性能之間的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、結構部件和先進複合材料的開發時間線，同時減少對昂貴的物理試錯的依賴。它還可能使製造結果更加一致，因為加工決策變得由統計洞察而非單純的積累直覺所驅動。

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到生產的轉化速度。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依賴先進材料的行業中的一項基本能力。