Mesterséges intelligenciával támogatott anyagkutatás: a termikus elemzés szerepe az autonóm kutatásban

Hogyan gyorsítja a termikus jellemzés az akkumulátorok, polimerek, fémek és energetikai anyagok mesterséges intelligenciával támogatott fejlesztését?

A mesterséges intelligencia gyökeresen megváltoztatja az új anyagok felfedezésének, optimalizálásának és kereskedelmi forgalomba hozatalának módját. Ugyanakkor még a legfejlettebb gépi tanulási modellek is egy alapvető követelménytől függenek: a kiváló minőségű kísérleti adatoktól.

Ez a webinárium azt vizsgálja, hogy a DSC, TGA, STA, DMA és LFA hőelemzési technikák hogyan szolgáltatják azokat a kritikus anyagjellemző-adatokat, amelyek az AI-vezérelt kutatást és az anyaginformatikát hajtják. Ismerje meg, hogyan használják egyre gyakrabban az olyan hőfizikai tulajdonságokat, mint az üvegesedési hőmérséklet, a Kristályosság / kristályossági fokA kristályosság a szilárd anyag szerkezeti rendezettségének mértékére utal. Egy kristályban az atomok vagy molekulák elrendeződése következetes és ismétlődő. Számos anyag, például üvegkerámia és egyes polimerek úgy állíthatók elő, hogy kristályos és amorf területek keveréke keletkezik. kristályosság, a HőstabilitásEgy anyag hőstabil, ha a hőmérséklet hatására nem bomlik el. Egy anyag hőstabilitásának meghatározására a TGA (termogravimetriás analizátor) egyik módja. hőstabilitás, a bomlási viselkedés, a mechanikai tulajdonságok és a Hővezető képességA hővezető képesség (λ, mértékegysége W/(m-K)) az energia - hő formájában történő - szállítását írja le egy tömegtestben a hőmérséklet-gradiens hatására (lásd az 1. ábrát). A termodinamika második törvénye szerint a hő mindig az alacsonyabb hőmérséklet irányába áramlik.hővezető képesség az akkumulátorok, polimerek, fémek és energetikai anyagok prediktív modelljeinek betanításához.

Az előadás emellett bemutatja Proteus^® Now Quantify, bemutatva, hogy a termikus jellemzési adatok automatizált elemzése és rendszerezése hogyan alakíthatja át a „ large ” jellegű kísérleti adathalmazokat AI-kompatibilis információkká. Az adatkinyerés felgyorsításával, az értelmezés szabványosításával és a több ezer kísérletre kiterjedő trendelemzés lehetővé tételével a kutatók hatékonyabban juthatnak el a mérésből a következtetésekig.

Valós példák mutatják be, hogyan támogatja a hőelemzés az autonóm kísérletezést, az akkumulátor-biztonsági kutatást, a polimerfejlesztést és a következő generációs digitális K+F munkafolyamatokat.

A résztvevők a következőket fogják megtudni:

• Hogyan támogatja a termikus elemzés a mesterséges intelligencián alapuló anyagkutatásokat.
• Mely hőtulajdonságok nyújtanak értéket a gépi tanulási modellek számára.
• Példák az AI alkalmazásaira az akkumulátorok, polimerek, fémek és energetikai anyagok területén.
• Hogyan segít a „ Proteus^® ” Quantify szolgáltatás strukturált, mesterséges intelligenciára kész adatkészletek létrehozásában.
• Hogyan illeszkedik a termikus jellemzés az autonóm és önvezető laboratóriumi környezetekbe.
  

Jelentkezzen be erre a webináriumra, ha az anyagkutatás vagy a kutatás-fejlesztés területén dolgozik, és szeretné megismerni, hogyan gyorsíthatja fel a termikus elemzés, a strukturált adatok és a mesterséges intelligencia az anyagfejlesztést.

Előadó:
Peter Ralbovsky
Északkeleti értékesítési vezető az NETZSCH Instruments North America, LLC-nél
NETZSCH Elemzés és tesztelés