AI-driven materialupptäckt: Termisk analysens roll i autonom forskning

Hur termisk karakterisering påskyndar den AI-styrda utvecklingen av batterier, polymerer, metaller och energimaterial

Artificiell intelligens förändrar hur nya material upptäcks, optimeras och kommersialiseras. Men även de mest avancerade modellerna för maskininlärning är beroende av en grundläggande förutsättning: experimentella data av hög kvalitet.

I detta webbinarium undersöks hur termiska analysmetoder, såsom DSC, TGA, STA, DMA och LFA, tillhandahåller de avgörande data om materialegenskaper som ligger till grund för AI-driven forskning och materialinformatik. Lär dig hur termiska egenskaper såsom glasövergångstemperatur, Kristallinitet / Grad av kristallinitetMed kristallinitet avses graden av strukturell ordning i ett fast ämne. I en kristall är arrangemanget av atomer eller molekyler konsekvent och repetitivt. Många material, t.ex. glaskeramik och vissa polymerer, kan framställas på ett sådant sätt att en blandning av kristallina och amorfa områden uppstår.kristallinitet, Termisk stabilitetEtt material är termiskt stabilt om det inte sönderdelas under påverkan av temperatur. Ett sätt att bestämma den termiska stabiliteten hos ett ämne är att använda en TGA (termogravimetrisk analysator). termisk stabilitet, nedbrytningsbeteende, mekaniska egenskaper och Termisk konduktivitetVärmekonduktivitet (λ med enheten W/(m-K)) beskriver transporten av energi - i form av värme - genom en masskropp som ett resultat av en temperaturgradient (se fig. 1). Enligt termodynamikens andra huvudsats strömmar värme alltid i riktning mot den lägre temperaturen.värmeledningsförmåga i allt högre grad används för att träna prediktiva modeller för batterier, polymerer, metaller och energimaterial.

Presentationen kommer även att introducer Proteus^® Quantify och visa hur automatiserad analys och organisering av data från termisk karakterisering kan omvandla experimentella datamängder från ” large ” till AI-klar information. Genom att påskynda dataextrahering, standardisera tolkningen och möjliggöra trendanalys över tusentals experiment kan forskare på ett mer effektivt sätt gå från mätning till insikt.

Exempel från verkligheten kommer att visa hur termisk analys stöder autonom experimentering, forskning om batterisäkerhet, polymerutveckling och nästa generations digitala FoU-arbetsflöden.

Deltagarna kommer att lära sig:

• Hur termisk analys stödjer AI-driven materialupptäckt.
• Vilka termiska egenskaper som ger mervärde för maskininlärningsmodeller.
• Exempel på AI-tillämpningar inom batterier, polymerer, metaller och energimaterial.
• Hur Proteus^® Quantify hjälper till att generera strukturerade, AI-klara datamängder.
• Hur termisk karakterisering passar in i autonoma och självstyrande laboratoriemiljöer.
  

Anmäl dig till detta webbinarium om du arbetar med materialforskning eller FoU och vill utforska hur termisk analys, strukturerade data och AI kan påskynda materialutvecklingen.

Talare:
Peter Ralbovsky
Försäljningschef för nordöstra USA på NETZSCH Instruments North America, LLC
NETZSCH Analys och testning