AIを活用した材料探索：自律的研究における熱分析の役割

熱特性評価が、AIを活用した電池、高分子、金属、およびエネルギー材料の開発をいかに加速させるか

人工知能は、新素材の発見、最適化、そして商品化のあり方を変革しつつあります。しかし、最も先進的な機械学習モデルでさえ、高品質な実験データという1つの基本的な要件に依存しています。

本ウェビナーでは、DSC、TGA、STA、DMA、LFAなどの熱分析技術が、AIを活用した研究やマテリアルインフォマティクスを支える重要な材料物性データをどのように提供するかについて解説します。 ガラス転移温度、結晶化度、熱安定性、分解挙動、機械的特性、熱伝導率といった熱的特性が、電池、ポリマー、金属、エネルギー材料向けの予測モデルを学習させるために、いかにしてますます活用されているかを学びます。

また、本プレゼンテーションでは「Proteus^® Quantify」を紹介し、熱特性データの自動解析と整理によって、large の実験データセットをAI活用可能な情報へと変換する方法を実演します。データ抽出の高速化、解釈の標準化、そして数千件に及ぶ実験にわたる傾向分析を可能にすることで、研究者は測定から知見の獲得へと、より効率的に進むことができます。

実際の事例を通じて、熱分析が自律的な実験、電池の安全性研究、ポリマー開発、そして次世代のデジタル研究開発ワークフローをどのように支援するかを紹介します。

参加者は以下について学びます：

• 熱分析がAI主導の材料発見をどのように支援するか。
• 機械学習モデルにとって価値のある熱特性とは何か。
• 電池、ポリマー、金属、エネルギー材料におけるAI活用事例。
• Proteus^® Quantifyが、構造化されたAI対応データセットの生成にどのように役立つか。
• 熱特性評価が、自律型および自動運転型の実験室環境にどのように組み込まれるか。
  

材料研究や研究開発に携わっており、熱分析、構造化データ、AIが材料開発をいかに加速させるかを知りたい方は、ぜひこのウェビナーにご登録ください。

講演者：
ピーター・ラルボフスキー
NETZSCH Instruments North America, LLC 北東部セールスマネージャー
NETZSCH Analyzing & Testing