Ανακάλυψη υλικών με τη βοήθεια της τεχνητής νοημοσύνης: Ο ρόλος της θερμικής ανάλυσης στην αυτόνομη έρευνα

Πώς ο θερμικός χαρακτηρισμός επιταχύνει την ανάπτυξη μπαταριών, πολυμερών, μετάλλων και ενεργειακών υλικών με τη βοήθεια της τεχνητής νοημοσύνης

Η τεχνητή νοημοσύνη μεταμορφώνει τον τρόπο με τον οποίο ανακαλύπτονται, βελτιστοποιούνται και εμπορευματοποιούνται τα νέα υλικά. Ωστόσο, ακόμη και τα πιο προηγμένα μοντέλα μηχανικής μάθησης βασίζονται σε μία θεμελιώδη προϋπόθεση: πειραματικά δεδομένα υψηλής ποιότητας.

Αυτό το διαδικτυακό σεμινάριο διερευνά τον τρόπο με τον οποίο οι τεχνικές θερμικής ανάλυσης, όπως οι DSC, TGA, STA, DMA και LFA, παρέχουν τα κρίσιμα δεδομένα για τις ιδιότητες των υλικών που τροφοδοτούν την έρευνα με βάση την τεχνητή νοημοσύνη και την πληροφορική των υλικών. Μάθετε πώς οι θερμικές ιδιότητες, όπως η θερμοκρασία υαλώδους μετάβασης, η κρυσταλλικότητα, η θερμική σταθερότητα, η συμπεριφορά αποσύνθεσης, οι μηχανικές ιδιότητες και η θερμική αγωγιμότητα, χρησιμοποιούνται όλο και περισσότερο για την εκπαίδευση προγνωστικών μοντέλων για μπαταρίες, πολυμερή, μέταλλα και ενεργειακά υλικά.

Η παρουσίαση θα παρουσιάσει επίσης τοProteus^® Quantify, καταδεικνύοντας πώς η αυτοματοποιημένη ανάλυση και οργάνωση των δεδομένων θερμικού χαρακτηρισμού μπορούν να μετατρέψουν τα πειραματικά σύνολα δεδομένων large σε πληροφορίες έτοιμες για χρήση από την τεχνητή νοημοσύνη. Με την επιτάχυνση της εξαγωγής δεδομένων, την τυποποίηση της ερμηνείας και τη δυνατότητα ανάλυσης τάσεων σε χιλιάδες πειράματα, οι ερευνητές μπορούν να προχωρήσουν πιο αποτελεσματικά από τη μέτρηση στην απόκτηση γνώσεων.

Παραδείγματα από την πραγματική ζωή θα δείξουν πώς η θερμική ανάλυση υποστηρίζει την αυτόνομη πειραματική έρευνα, την έρευνα για την ασφάλεια των μπαταριών, την ανάπτυξη πολυμερών και τις ροές εργασίας ψηφιακής έρευνας και ανάπτυξης επόμενης γενιάς.

Οι συμμετέχοντες θα μάθουν:

• Πώς η θερμική ανάλυση υποστηρίζει την ανακάλυψη υλικών με τη βοήθεια της τεχνητής νοημοσύνης.
• Ποιες θερμικές ιδιότητες προσφέρουν αξία στα μοντέλα μηχανικής μάθησης.
• Παραδείγματα εφαρμογών τεχνητής νοημοσύνης σε μπαταρίες, πολυμερή, μέταλλα και ενεργειακά υλικά.
• Πώς το « Proteus^®: Quantify» συμβάλλει στη δημιουργία δομημένων συνόλων δεδομένων έτοιμων για τεχνητή νοημοσύνη.
• Πώς ο θερμικός χαρακτηρισμός εντάσσεται σε αυτόνομα και αυτοκατευθυνόμενα εργαστηριακά περιβάλλοντα.
  

Εγγραφείτε σε αυτό το διαδικτυακό σεμινάριο αν εργάζεστε στον τομέα της έρευνας υλικών ή της Ε&Α και θέλετε να εξερευνήσετε πώς η θερμική ανάλυση, τα δομημένα δεδομένα και η τεχνητή νοημοσύνη μπορούν να επιταχύνουν την ανάπτυξη υλικών.

Ομιλητής:
Peter Ralbovsky
Διευθυντής Πωλήσεων Βορειοανατολικής Αμερικής στην NETZSCH Instruments North America, LLC
NETZSCH Ανάλυση & Δοκιμές