Polymere und organische Materialien

Beschreibung
Sagen Sie die Leistung von Polymeren und organischen Materialien anhand der Zusammensetzung vorher. MatterSeek prüft Formulierungen nach Eigenschaften, bevor Sie eine Charge mischen.

Polymere und organische Materialien – Materialsystem / Vorhersagbare Leistung / Validierungspfad
KI für Polymere und organische Materialien – Sagen Sie die Leistung voraus, bevor Sie eine Charge mischen
Es prognostiziert Materialeigenschaften anhand der chemischen Zusammensetzung, sodass Formulierungen für Polymere, Klebstoffe, Beschichtungen, Dichtstoffe, Harze und organische elektronische Materialien bewertet werden können, bevor ein Compoundierungs- oder Beschichtungsversuch geplant wird.
Mechanische Festigkeit konkurriert mit thermischer Beständigkeit, Verarbeitbarkeit konkurriert mit Witterungsbeständigkeit und die Kosten bestimmen alles. Da diese Kompromisse gemeinsam bewertet werden müssen, erfolgt die Entwicklung normalerweise durch die Iteration einer kleinen Anzahl von Kandidatenformulierungen durch Mischen, Probenvorbereitung sowie mechanische und thermische Tests – eine Schleife, die gründlich, aber eng ist.
Sie beschreiben einen Basiszusammensetzungssatz und das benötigte Eigenschaftsfenster, und MatterSeek gibt in der Rangfolge eingestufte Kandidaten mit vorhergesagten Eigenschaften und Unsicherheit zurück. Die Plattform unterstützt ein bis vier Basiselemente mit einer Dotierungsgenauigkeit von 0,02, was der Granularität entspricht, mit der Additiv- und Comonomerstudien tatsächlich spezifiziert werden. Eine Vorhersagerunde ist für zwei Basiselemente in etwa einer Minute, für drei in zwei Minuten und für vier in sieben Minuten abgeschlossen. Die Ausgabe erfolgt in Form von Radardiagrammen mit mehreren Eigenschaften für den direkten Vergleich von Formulierungen, 2D- und 3D-Heatmaps zur Untersuchung, wie sich Eigenschaften über einen Zusammensetzungsbereich hinweg verändern, und exportierbaren Tabellen.
Die Vorhersage-Engine deckt thermische, thermodynamische, mechanische, optische und strukturelle Eigenschaftsfamilien ab, einschließlich des Schmelzpunkts – der Größe, die das Verarbeitungsfenster eines Polymers am direktesten abgrenzt.
Die in die engere Wahl gezogenen Formulierungen gelangen in das 1.200 m² große automatisierte Labor von MatterSeek, wo die Probenvorbereitung für die FTIR- und NMR-Analyse automatisiert erfolgt und die thermische Analyse mit gleichzeitiger thermischer Analyseinstrumentierung durchgeführt wird. Elektrospinnen und Dünnschichtverfahren werden ebenfalls automatisiert und unterstützen so die Herstellung faseriger und dünner organischer Schichten. Die Vorhersagegenauigkeit beträgt 95,7 % im Vergleich zur physikalischen Messung. Zu den angesprochenen Materialfamilien gehören Hochleistungspolymere, Kleb- und Dichtstoffe, Beschichtungen, thermoplastische Elastomere, flammhemmende Systeme, biologisch abbaubare Polymere und organische Elektronikmaterialien.
FAQ
F: Kann MatterSeek Polymereigenschaften vorhersagen, ohne Proben zu synthetisieren?
A: Ja. Eigenschaften werden anhand der Zusammensetzung vorhergesagt, wobei pro Wert ein Unsicherheitsbereich angegeben wird, sodass Kandidaten vor der Herstellung eines Materials eingestuft werden können.
F: Welche Charakterisierung steht zur Validierung einer Formulierung zur Verfügung?
A: Automatisierte Probenvorbereitung für die FTIR- und NMR-Analyse sowie gleichzeitige thermische Analyse – alles im autonomen Labor.
F: Kann die Plattform Formulierungsziele mit mehreren Zielen verarbeiten?
A: Ja. Es können mehrere Eigenschaftsbeschränkungen gleichzeitig definiert werden, und die Ergebnisse werden als Radardiagramme und Heatmaps zurückgegeben, sodass Kompromisse in einer Ansicht sichtbar sind.
Yuyao (Beijing) Technology Co., Ltd. ist ein professionelles Unternehmen, das sich auf die Schnittstelle zwischen KI und fortschrittlichen Materialien aus Polymeren und organischen Materialien spezialisiert hat. Das Unternehmen hat MatterSeek unabhängig entwickelt – ein grundlegendes großes Modell, das auf den Materialsektor zugeschnitten ist – und Pionierarbeit für den HNN-Algorithmus (Hierarchical Neural Network) geleistet und gleichzeitig eine proprietäre, kontrollierbare Datenbank für Materialexperimente aufgebaut.

