Penemuan Bahan Berbasis Kecerdasan Buatan: Peran Analisis Termal dalam Penelitian Otonom

Bagaimana Karakterisasi Termal Mempercepat Pengembangan Baterai, Polimer, Logam, dan Bahan Energi yang Dipandu oleh Kecerdasan Buatan

Kecerdasan buatan sedang mengubah cara penemuan, pengoptimalan, dan komersialisasi bahan-bahan baru. Namun, bahkan model pembelajaran mesin yang paling canggih sekalipun bergantung pada satu persyaratan mendasar: data eksperimental berkualitas tinggi.

Webinar ini membahas bagaimana teknik analisis termal, termasuk DSC, TGA, STA, DMA, dan LFA, menyediakan data sifat bahan yang sangat penting yang mendukung penelitian berbasis AI dan informatika bahan. Pelajari bagaimana sifat termal seperti suhu transisi kaca, Kristalinitas / Derajat KristalinitasKristalinitas mengacu ke tingkat keteraturan struktural suatu benda padat. Dalam kristal, susunan atom atau molekulnya konsisten dan berulang-ulang. Banyak bahan seperti keramik kaca dan beberapa polimer dapat dipersiapkan sedemikian rupa untuk menghasilkan campuran daerah kristal dan amorf. kristalinitas, Stabilitas TermalSuatu bahan dikatakan stabil secara termal jika tidak terurai di bawah pengaruh suhu. Salah satu cara untuk menentukan stabilitas termal suatu zat adalah dengan menggunakan TGA (penganalisis termogravimetri). stabilitas termal, perilaku dekomposisi, sifat mekanik, dan Konduktivitas TermalKonduktivitas termal (λ dengan satuan W/(m-K)) menggambarkan pengangkutan energi - dalam bentuk panas - melalui benda bermassa sebagai hasil dari gradien suhu (lihat gbr. 1). Menurut hukum termodinamika kedua, panas selalu mengalir ke arah suhu yang lebih rendah.konduktivitas termal semakin banyak digunakan untuk melatih model prediktif bagi baterai, polimer, logam, dan bahan energi.

Presentasi ini juga akan memperkenalkan Proteus^® Quantify, yang menunjukkan bagaimana analisis dan pengorganisasian otomatis data karakterisasi termal dapat mengubah kumpulan data eksperimen yang " large " menjadi informasi yang siap diproses oleh AI. Dengan mempercepat ekstraksi data, menstandarkan interpretasi, dan memfasilitasi analisis tren di seluruh ribuan eksperimen, para peneliti dapat beralih dengan lebih efisien dari pengukuran ke wawasan.

Contoh-contoh nyata akan menunjukkan bagaimana analisis termal mendukung eksperimen otonom, penelitian keamanan baterai, pengembangan polimer, dan alur kerja R&D digital generasi berikutnya.

Peserta akan mempelajari:

• Bagaimana analisis termal mendukung penemuan bahan yang didorong oleh AI.
• Sifat termal mana yang memberikan nilai bagi model pembelajaran mesin.
• Contoh penerapan AI pada baterai, polimer, logam, dan bahan energi.
• Bagaimana " Proteus^® Quantify" membantu menghasilkan dataset terstruktur yang siap untuk AI.
• Bagaimana karakterisasi termal terintegrasi dalam lingkungan laboratorium otonom dan mandiri.
  

Daftarkan diri Anda untuk webinar ini jika Anda bekerja di bidang penelitian bahan atau R&D dan ingin menjelajahi bagaimana analisis termal, data terstruktur, dan AI dapat mempercepat pengembangan bahan.

Pembicara:
Peter Ralbovsky
Manajer Penjualan Wilayah Timur Laut di NETZSCH Instruments North America, LLC
NETZSCH Analisis & Pengujian