AI 기반 신소재 발굴: 자율 연구에서 열 분석의 역할

열적 특성 분석이 배터리, 고분자, 금속 및 에너지 소재의 AI 기반 개발을 어떻게 가속화하는가

인공지능은 신소재의 발견, 최적화, 상용화 방식을 혁신하고 있습니다. 하지만 아무리 첨단 기계 학습 모델이라 해도 한 가지 근본적인 전제 조건, 즉 고품질의 실험 데이터에 의존할 수밖에 없습니다.

이 웨비나에서는 DSC, TGA, STA, DMA, LFA를 포함한 열 분석 기법들이 AI 기반 연구와 소재 정보학을 뒷받침하는 핵심적인 소재 특성 데이터를 어떻게 제공하는지 살펴봅니다. 유리 전이 온도, 결정도, 열적 안정성, 분해 거동, 기계적 특성, 열전도도 등의 열적 특성이 배터리, 고분자, 금속 및 에너지 소재를 위한 예측 모델을 훈련하는 데 어떻게 점점 더 많이 활용되고 있는지 알아보십시오.

또한 본 발표에서는 Proteus^® Now Quantify, 열 특성 분석 데이터의 자동화된 분석 및 정리가 어떻게 실험 데이터 세트( large )를 AI 활용이 가능한 정보로 전환할 수 있는지 시연합니다. 데이터 추출을 가속화하고, 해석을 표준화하며, 수천 건의 실험에 걸친 추세 분석을 가능하게 함으로써 연구자들은 측정에서 통찰로 더 효율적으로 나아갈 수 있습니다.

실제 사례를 통해 열 분석이 자율 실험, 배터리 안전 연구, 고분자 개발 및 차세대 디지털 R&D 워크플로우를 어떻게 지원하는지 보여줄 것입니다.

참가자들은 다음 내용을 배우게 됩니다:

• 열 분석이 AI 기반 신소재 발견을 어떻게 지원하는지.
• 어떤 열적 특성이 머신러닝 모델에 가치를 제공하는지.
• 배터리, 고분자, 금속 및 에너지 소재 분야의 AI 적용 사례.
• Proteus^® Quantify가 구조화되고 AI 활용이 가능한 데이터셋 생성을 어떻게 지원하는지.
• 열 특성 분석이 자율 및 자동화된 실험실 환경에 어떻게 적용되는지.
  

재료 연구 또는 R&D 분야에서 일하며, 열 분석, 구조화된 데이터, AI가 재료 개발을 어떻게 가속화할 수 있는지 알아보고 싶다면 이 웨비나에 등록하십시오.

연사:
Peter Ralbovsky
NETZSCH Instruments North America, LLC의 북동부 영업 관리자
NETZSCH 분석 및 테스트