Descubrimiento de materiales impulsado por la IA: el papel del análisis térmico en la investigación autónoma

Cómo la caracterización térmica acelera el desarrollo, guiado por la inteligencia artificial, de baterías, polímeros, metales y materiales energéticos

La inteligencia artificial está transformando la forma en que se descubren, optimizan y comercializan los nuevos materiales. Sin embargo, incluso los modelos de aprendizaje automático más avanzados dependen de un requisito fundamental: datos experimentales de alta calidad.

Este seminario web analiza cómo las técnicas de análisis térmico, entre las que se incluyen DSC, TGA, STA, DMA y LFA, proporcionan los datos críticos sobre las propiedades de los materiales que impulsan la investigación basada en la IA y la informática de materiales. Descubre cómo las propiedades térmicas, como la temperatura de transición vítrea, la Cristalinidad / Grado de cristalinidadLa cristalinidad se refiere al grado de orden estructural de un sólido. En un cristal, la disposición de los átomos o moléculas es coherente y repetitiva. Muchos materiales, como la vitrocerámica y algunos polímeros, pueden prepararse de forma que produzcan una mezcla de regiones cristalinas y amorfas.cristalinidad, la Estabilidad térmicaUn material es térmicamente estable si no se descompone bajo la influencia de la temperatura. Una forma de determinar la estabilidad térmica de una sustancia es utilizar un TGA (analizador termogravimétrico). estabilidad térmica, el comportamiento de Reacción de descomposiciónUna reacción de descomposición es una reacción inducida térmicamente de un compuesto químico que forma productos sólidos y/o gaseosos. descomposición, las propiedades mecánicas y la Conductividad térmicaLa conductividad térmica (λ con la unidad W/(m-K)) describe el transporte de energía -en forma de calor- a través de un cuerpo de masa como resultado de un gradiente de temperatura (véase la fig. 1). Según la segunda ley de la termodinámica, el calor siempre fluye en la dirección de la temperatura más baja.conductividad térmica, se utilizan cada vez más para entrenar modelos predictivos para baterías, polímeros, metales y materiales energéticos.

La presentación también incluirá una introducción aProteus Quantify, en la que se demostrará cómo el análisis y la organización automatizados de los datos de caracterización térmica pueden transformar conjuntos de datos experimentales « large » en información lista para la IA. Al acelerar la extracción de datos, estandarizar la interpretación y permitir el análisis de tendencias en miles de experimentos, los investigadores pueden pasar de la medición a la obtención de conocimientos de forma más eficiente.

Los ejemplos prácticos mostrarán cómo el análisis térmico respalda la experimentación autónoma, la investigación sobre la seguridad de las baterías, el desarrollo de polímeros y los flujos de trabajo de I+D digitales de próxima generación.

Los participantes aprenderán:

• Cómo el análisis térmico respalda el descubrimiento de materiales impulsado por la IA.
• Qué propiedades térmicas aportan valor a los modelos de aprendizaje automático.
• Ejemplos de aplicaciones de la IA en baterías, polímeros, metales y materiales energéticos.
• Cómo ayuda « Proteus^® » Quantify a generar conjuntos de datos estructurados y preparados para la IA.
• Cómo encaja la caracterización térmica en entornos de laboratorio autónomos y autogestionados.
  

Inscríbete en este seminario web si trabajas en investigación de materiales o en I+D y quieres descubrir cómo el análisis térmico, los datos estructurados y la IA pueden acelerar el desarrollo de materiales.

Ponente:
Peter Ralbovsky
Director de ventas para el noreste de NETZSCH Instruments North America, LLC
NETZSCH Análisis y ensayos