Forscher der Universität Toronto nutzen künstliche Intelligenz, um wissenschaftliche Durchbrüche bei der Suche nach nachhaltiger Energie zu beschleunigen. Sie haben die Canadian Light Source (CLS) an der Universität von Saskatchewan (USask) genutzt, um zu bestätigen, dass ein von KI generiertes „Rezept“ für einen neuen Katalysator eine effizientere Methode zur Herstellung von Wasserstoffbrennstoff bietet.
Um grünen Wasserstoff zu erzeugen, leitet man Strom, der aus erneuerbaren Ressourcen gewonnen wurde, zwischen zwei Metallstücken in Wasser. Dabei werden Sauerstoff- und Wasserstoffgase freigesetzt. Das Problem bei diesem Prozess ist, dass er derzeit viel Strom benötigt und die verwendeten Metalle selten und teuer sind.
Forscher suchen nach der richtigen Legierung oder Metallkombination, die als Katalysator wirken könnte, um diese Reaktion effizienter und kostengünstiger zu machen. Traditionell würde diese Suche im Labor Versuch und Irrtum beinhalten, aber wenn man versucht, die sprichwörtliche Nadel im Heuhaufen zu finden, ist dieser Ansatz zu zeitaufwändig.
„Wir sprechen von Hunderten Millionen oder Milliarden von Legierungskandidaten, und eine davon könnte die richtige Antwort sein“, sagt Jehad Abed. Er war Teil eines Teams, das ein Computerprogramm entwickelte, um diese Suche deutlich zu beschleunigen.
Die Ergebnisse sind veröffentlicht im Zeitschrift der American Chemical Society. Zum Zeitpunkt dieses Projekts war Abed Doktorand unter der Aufsicht von Edward Sargent an der Universität Toronto und arbeitete mit Wissenschaftlern der Carnegie Mellon University zusammen.
Bildnachweis: Canadian Light Source
Das vom Team entwickelte KI-Programm untersuchte über 36.000 verschiedene Metalloxidkombinationen und führte virtuelle Simulationen durch, um zu ermitteln, welche Kombination der Inhaltsstoffe am besten funktionieren könnte. Anschließend testete Abed den besten Kandidaten des Programms im Labor, um zu sehen, ob seine Vorhersagen zutrafen.
Das Team nutzte die ultrahellen Röntgenstrahlen des CLS, um die Leistung des Katalysators während einer Reaktion zu analysieren. „Wir mussten dieses sehr helle Licht der Canadian Light Source nutzen, um es auf unser Material zu richten und zu sehen, wie sich die Atomanordnungen ändern und auf die Menge an Elektrizität reagieren, die wir einspeisen“, sagte Abed. Die Forscher nutzten auch die Advanced Photon Source am Argonne National Laboratory in Chicago.
Die Legierung, eine Kombination der Metalle Ruthenium, Chrom und Titan in bestimmten Anteilen, war laut Abed der klare Gewinner.
„Die vom Computer empfohlene Legierung war in puncto Stabilität und Haltbarkeit 20-mal besser als unser Referenzmetall“, sagte er. „Sie hielt lange und funktionierte effizient.“
Während das von Jehad und seinen Kollegen entwickelte KI-Programm sehr vielversprechend ist, muss das Material selbst noch zahlreiche Tests durchlaufen, um sicherzustellen, dass es unter „realen“ Bedingungen Bestand hat.
„Der Computer hatte recht, dass diese Legierung effektiver und stabiler ist. Das war ein Durchbruch, denn es zeigt, dass diese Methode zur Entwicklung besserer Katalysatoren funktioniert“, sagte Abed. „Was ein Mensch jahrelang testen würde, kann der Computer in wenigen Tagen simulieren.“
Die Forscher sind zuversichtlich, dass KI uns schneller dabei helfen wird, die Antworten zu finden, die wir brauchen, um grüne Energie flächendeckend nutzbar zu machen.
Weitere Informationen:
Jehad Abed et al, Pourbaix Machine Learning Framework identifiziert saure Wasseroxidationskatalysatoren, die eine unterdrückte Rutheniumauflösung aufweisen, Zeitschrift der American Chemical Society (2024). DOI: 10.1021/jacs.4c01353