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 발굴, 최적화, 상용화 방식을 혁신하고 있습니다. 하지만 아무리 진보된 기계 학습 모델이라 할지라도 ‘고품질의 실험 데이터’라는 한 가지 근본적인 요건에 의존하고 있습니다.

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

또한 이번 발표에서는 ‘Proteus^® Quantify’를 소개하며, 열 특성 분석 데이터의 자동화된 분석 및 정리가 어떻게 ‘ large ’ 실험 데이터 세트를 AI 활용이 가능한 정보로 전환할 수 있는지 시연할 예정입니다. 데이터 추출을 가속화하고, 해석을 표준화하며, 수천 건의 실험에 걸친 추세 분석을 가능하게 함으로써 연구자들은 측정 단계에서 통찰 도출 단계로 더욱 효율적으로 나아갈 수 있습니다.

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

참가자들은 다음 내용을 배우게 됩니다:

• 열 분석이 AI 기반 소재 발굴을 어떻게 지원하는지.
• 머신러닝 모델에 가치를 제공하는 열적 특성은 무엇인지.
• 배터리, 고분자, 금속 및 에너지 소재 분야의 AI 적용 사례.
• Proteus^® Quantify가 구조화되고 AI 활용이 가능한 데이터셋 생성을 어떻게 지원하는지.
• 열 특성 분석이 자율적이고 자동화된 실험실 환경에 어떻게 적용되는지.
  

재료 연구 또는 R&D 분야에서 일하고 계시며, 열 분석, 구조화된 데이터, AI가 재료 개발을 어떻게 가속화할 수 있는지 알아보고 싶으시다면 이 웨비나에 등록해 주십시오.

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