Objevování materiálů s využitím umělé inteligence: Úloha termické analýzy v autonomním výzkumu

Jak termální charakterizace urychluje vývoj baterií, polymerů, kovů a energetických materiálů řízený umělou inteligencí

Umělá inteligence mění způsob, jakým se objevují, optimalizují a uvádějí na trh nové materiály. Avšak i ty nejmodernější modely strojového učení se opírají o jeden zásadní předpoklad: vysoce kvalitní experimentální data.

Tento webinář se zabývá tím, jak techniky termické analýzy, včetně DSC, TGA, STA, DMA a LFA, poskytují klíčová data o vlastnostech materiálů, která pohánějí výzkum založený na umělé inteligenci a materiálovou informatiku. Zjistěte, jak se tepelné vlastnosti, jako je teplota skelného přechodu, Krystalinita / stupeň krystalinityKrystalinita označuje stupeň strukturního uspořádání pevné látky. V krystalu je uspořádání atomů nebo molekul konzistentní a opakující se. Mnoho materiálů, jako je sklokeramika a některé polymery, lze připravit tak, aby vznikla směs krystalických a amorfních oblastí. krystalinita, Tepelná stabilitaMateriál je tepelně stabilní, pokud se vlivem teploty nerozkládá. Jedním ze způsobů, jak určit tepelnou stabilitu látky, je použití termogravimetrického analyzátoru (TGA). tepelná stabilita, chování při rozkladu, mechanické vlastnosti a Tepelná vodivostTepelná vodivost (λ s jednotkou W/(m-K)) popisuje přenos energie - ve formě tepla - hmotným tělesem v důsledku teplotního gradientu (viz obr. 1). Podle druhého termodynamického zákona teplo vždy proudí ve směru nižší teploty.tepelná vodivost, stále častěji využívají k trénování prediktivních modelů pro baterie, polymery, kovy a energetické materiály.

Prezentace také představí nástroj „Proteus^®: Quantify“, který demonstruje, jak automatizovaná analýza a organizace dat z tepelné charakterizace dokáže přeměnit experimentální datové soubory typu „ large “ na informace připravené pro využití umělé inteligence. Díky zrychlení extrakce dat, standardizaci interpretace a umožnění analýzy trendů napříč tisíci experimentů mohou výzkumníci efektivněji přecházet od měření k získání poznatků.

Příklady z praxe ukážou, jak tepelná analýza podporuje autonomní experimentování, výzkum bezpečnosti baterií, vývoj polymerů a digitální pracovní postupy v oblasti výzkumu a vývoje nové generace.

Účastníci se dozvědí:

• Jak tepelná analýza podporuje objevování materiálů pomocí umělé inteligence.
• Které tepelné vlastnosti jsou přínosné pro modely strojového učení.
• Příklady aplikací umělé inteligence v oblasti baterií, polymerů, kovů a energetických materiálů.
• Jak nástroj „ Proteus^®: Quantify“ pomáhá generovat strukturované datové sady připravené pro umělou inteligenci.
• Jak se termická charakterizace zapadá do autonomních a samoregulačních laboratorních prostředí.
  

Zaregistrujte se na tento webinář, pokud pracujete ve výzkumu materiálů nebo v oblasti výzkumu a vývoje a chcete zjistit, jak mohou termální analýza, strukturovaná data a umělá inteligence urychlit vývoj materiálů.

Přednášející:
Peter Ralbovsky
, manažer prodeje pro severovýchodní region ve společnosti NETZSCH Instruments North America, LLC
NETZSCH Analyzing & Testing