Universität Bayreuth, Pressemitteilung Nr. 032/2024, 18.03.2024

Bayreuther Forscher entwickelt mit Hilfe von Künstlicher Intelligenz eine neue Methode zur Verbesserung von Elektrokatalysatoren

Prof. Dr. Johannes Margraf hat mit einem Team von Wissenschaftler*innen eine vielversprechende Methode entwickelt, um die Effizienz von Elektrokatalysatoren zu verbessern. Unter Verwendung von Simulationen und künstlicher Intelligenz haben die Forschenden ein Computerprogramm entwickelt, das gleichzeitig mehrere Eigenschaften des Katalysators optimieren kann. Die Ergebnisse wurden nun in der Fachzeitschrift Journal of the American Chemical Society veröffentlicht.

What for? 

Brennstoffzellen stellen eine von verschiedenen wichtigen Schlüsseltechnologien in der Energiewende dar. Allerdings ist hier die Abhängigkeit von seltenen Metallen wie Platin als Katalysatoren ein großes Hindernis für deren weitere Verbreitung. Die Forschung des Bayreuther Wissenschaftlers Prof. Dr. Johannes Margraf begegnet dieser Herausforderung, in dem von vornherein Materialkosten in die Optimierung einbezogen werden können. Diese Innovation könnte dazu beitragen, kostengünstige Alternativen zu Platin als Katalysatormaterial in Brennstoffzellen zu entwickeln.

Hochentropie-Legierungen (HEAs) sind eine vielversprechende Art von Materialien für die Elektrokatalyse. Elektrokatalyse ist ein Prozess, bei dem bestimmte Materialien dabei helfen, chemische Reaktionen zu beschleunigen, die in Batterien oder Brennstoffzellen ablaufen. Im Gegensatz zu herkömmlichen Metallkatalysatoren bestehen diese Materialien aus einer Mischung vieler Elemente. Deshalb sind sie sehr komplex aufgebaut und könnten daher bessere katalytische Eigenschaften in Elektrolyseuren und Brennstoffzellen haben. Es ist jedoch schwierig für Forscherinnen und Forscher, die beste Mischung von Elementen für eine bestimmte Anwendung zu finden. 

„Bisherige Arbeiten haben sich hauptsächlich darauf konzentriert, die katalytische Aktivität zu verbessern“, sagt Prof. Dr. Johannes Margraf, Lehrstuhl für Physikalische Chemie V: Theorie und Maschinelles Lernen an der Universität Bayreuth. „Wir haben jedoch einen Algorithmus entwickelt, der durch Simulationen und künstliche Intelligenz gleichzeitig mehrere Eigenschaften des Katalysators verbessern kann, wie zum Beispiel Aktivität, Kosten und Stabilität.“ Dadurch konnten die Forschenden aus Bayreuth und vom Fritz-Haber-Institut in Berlin viele neue HEAs vorhersagen, die verschiedene Kompromisse zwischen diesen Eigenschaften bieten.

„Wir haben den Algorithmus speziell für die Sauerstoffreduktion in Brennstoffzellen getestet, wo normalerweise teures Platin als Katalysator verwendet wird. Dabei haben wir Katalysatoren gefunden, die genauso aktiv sind wie Platin, aber viel weniger kosten - nur 10 Prozent im Vergleich zu Platin“, erläutert Margraf. „Zudem konnten wir Katalysatoren bestimmen, die zweieinhalbmal so aktiv sind wie Platin, aber ähnliche Kosten aufrufen.“

Die bisher theoretischen Vorhersagen des Bayreuther Forschers müssen nun noch durch praktische Experimente bestätigt werden.

Veröffentlichung:

Wenbin Xu, Elias Diesen, Tianwei He, Karsten Reuter, and Johannes T. Margraf, Discovering High Entropy Alloy Electrocatalysts in Vast Composition Spaces with Multiobjective Optimization,  Journal of the American Chemical Society, DOI: doi.org/10.1021/jacs.3c14486    

Johannes Margraf

Prof. Dr. Johannes MargrafLehrstuhl für Künstliche Intelligenz in der physiko-chemischen Materialanalytik

Jennifer Opel

Jennifer Opel (im Mutterschutz / Elternzeit)Stellv. Pressesprecherin

Telefon: +49 (0)921 / 55-5357
E-Mail: jennifer.opel@uni-bayreuth.de