AIWizard™: moderne Materialkunde dank künstlicher Intelligenz
Warum ist die thermische Analyse wichtig?
Man sollte immer den Beipackzettel lesen, bevor man ein neues Medikament aufbewahrt. Denn die Wirkung Beschaffenheit medizinischer Flüssigkeiten, Pulver und Tabletten kann sich ab einer bestimmten Temperatur verändern. Arzneimittelchemikerinnen und -chemiker können mithilfe der Differenzialkalorimetrie feststellen, wie sich die Temperatur auf die pharmazeutischen Wirkstoffe in Medikamenten auswirkt.
Die Dynamische Differenzkalorimetrie (DDK) ist ein Instrument zur thermischen Analyse, mit dem gemessen werden kann, wie sich die physikalischen Eigenschaften von Materialien mit der Temperatur und der Zeit verändern. Damit lässt sich der Punkt, an dem sich der Aggregatzustand eines Materials ändert (Phasenübergang) – das Material also beispielsweise schmilzt oder kristallisiert –, genau bestimmen. Mit diesen Informationen können die herstellenden Unternehmen sicherstellen, dass die Inhaltsstoffe ihrer verpackten Produkte stabil bleiben und so die Sicherheit der Verbraucherinnen und Verbraucher gewährleisten.
Die Pharmaindustrie ist nur ein Bereich, in welchem die DDK genutzt wird. In vielen Sektoren und Industrien wird sie für Forschung und Entwicklung, Fehleranalyse und Qualitätskontrolle eingesetzt. Jetzt modernisieren METTLER TOLEDO, CSEM und die ZHAW den Bereich der Materialwissenschaft, indem sie Deep Learning und fortschrittliche Statistik einsetzen, um Forschenden zu helfen, schneller Schlussfolgerungen aus den Ergebnissen einer DDK-Analyse zu ziehen.
Was ist AIWizard™?
AIWizard™ wurde von CSEM für METTLER TOLEDO entwickelt und ist eine Deep-Learning-Lösung, welche in die STARe-Software für thermische Analysen integriert ist. Diese Lösung kennzeichnet in den Resultaten einer DDK-Analyse automatisch all jene Punkte, an denen thermische Übergänge auftreten. Besonders nützlich ist dies beim Testen neuer Produkte, die aus mehreren Materialien bestehen, deren Komponenten möglicherweise unbekannt sind.
AIWizard™ ist einzigartig, da es auf einem Ansatz basiert, den CSEM als «chemisch fundiertes Deep Learning» bezeichnet.
Deep Learning – Fähigkeit zur Transformation
Die erfolgreiche Implementierung der datengetriebenen Lösung von CSEM in Kombination mit der chemisch fundierten neuronalen Netzwerkarchitektur ist erst der Anfang. Die Deep-Learning-Architektur kann in zahlreichen Wirtschaftsbereichen Türen öffnen – von der vorausschauenden Wartung und Qualitätskontrolle bis hin zu digitalen Zwillingen, Prozessoptimierung und mehr.