Odkrywanie materiałów oparte na sztucznej inteligencji: rola analizy termicznej w badaniach autonomicznych

W jaki sposób charakterystyka termiczna przyspiesza oparty na sztucznej inteligencji proces opracowywania akumulatorów, polimerów, metali i materiałów energetycznych

Sztuczna inteligencja zmienia sposób, w jaki odkrywa się, optymalizuje i wprowadza na rynek nowe materiały. Jednak nawet najbardziej zaawansowane modele uczenia maszynowego opierają się na jednym podstawowym warunku: wysokiej jakości danych eksperymentalnych.

Podczas tego webinarium omówimy, w jaki sposób techniki analizy termicznej, w tym DSC, TGA, STA, DMA i LFA, dostarczają kluczowych danych dotyczących właściwości materiałów, które stanowią podstawę badań opartych na sztucznej inteligencji oraz informatyki materiałowej. Dowiedz się, w jaki sposób właściwości termiczne, takie jak temperatura zeszklenia, krystaliczność, Stabilność termicznaMateriał jest stabilny termicznie, jeśli nie ulega rozkładowi pod wpływem temperatury. Jednym ze sposobów określenia stabilności termicznej substancji jest użycie analizatora termograwimetrycznego (TGA). stabilność termiczna, zachowanie podczas rozkładu, właściwości mechaniczne i Przewodność cieplnaPrzewodność cieplna (λ z jednostką W/(m-K)) opisuje transport energii - w postaci ciepła - przez ciało o masie w wyniku gradientu temperatury (patrz rys. 1). Zgodnie z drugą zasadą termodynamiki, ciepło zawsze przepływa w kierunku niższej temperatury.przewodność cieplna, są coraz częściej wykorzystywane do szkolenia modeli predykcyjnych dotyczących akumulatorów, polimerów, metali i materiałów energetycznych.

W prezentacji zostanie również przedstawione oprogramowanie „Proteus^® Quantify”, które pokazuje, w jaki sposób zautomatyzowana analiza i organizacja danych z charakterystyki termicznej może przekształcić „ large ” zbiory danych eksperymentalnych w informacje gotowe do wykorzystania przez sztuczną inteligencję. Dzięki przyspieszeniu ekstrakcji danych, standaryzacji interpretacji oraz umożliwieniu analizy trendów w tysiącach eksperymentów naukowcy mogą skuteczniej przechodzić od pomiarów do wniosków.

Praktyczne przykłady pokażą, w jaki sposób analiza termiczna wspiera autonomiczne eksperymenty, badania nad bezpieczeństwem akumulatorów, rozwój polimerów oraz cyfrowe procesy badawczo-rozwojowe nowej generacji.

Uczestnicy dowiedzą się:

• W jaki sposób analiza termiczna wspiera odkrywanie materiałów oparte na sztucznej inteligencji.
• Które właściwości termiczne mają wartość dla modeli uczenia maszynowego.
• Przykłady zastosowań sztucznej inteligencji w akumulatorach, polimerach, metalach i materiałach energetycznych.
• W jaki sposób narzędzie „ Proteus^®: Quantify” pomaga generować uporządkowane zbiory danych gotowe do wykorzystania w sztucznej inteligencji.
• Jak charakterystyka termiczna wpisuje się w autonomiczne i samokierujące się środowiska laboratoryjne.
  

Zarejestruj się na to webinarium, jeśli zajmujesz się badaniami materiałowymi lub pracujesz w dziale badań i rozwoju (R&D) i chcesz dowiedzieć się, w jaki sposób analiza termiczna, uporządkowane dane i sztuczna inteligencja mogą przyspieszyć rozwój materiałów.

Prelegent:
Peter Ralbovsky
Kierownik ds. sprzedaży na region północno-wschodni w NETZSCH Instruments North America, LLC
NETZSCH Analiza i testowanie