Methode des maschinellen Lernens beschleunigt die Entdeckung von Materialien für grüne Energie

Forscher geben "Versuch und Irrtum" auf und wenden sich dem maschinellen Lernen zu

23.01.2024

Symbolbild

Computer-generated image

Forscher der Kyushu-Universität haben in Zusammenarbeit mit der Universität Osaka und dem Fine Ceramics Center ein Verfahren entwickelt, das maschinelles Lernen einsetzt, um die Entdeckung von Materialien für grüne Energietechnologien zu beschleunigen. Mithilfe des neuen Ansatzes identifizierten und synthetisierten die Forscher erfolgreich zwei neue Materialkandidaten für den Einsatz in Festoxid-Brennstoffzellen - Geräte, die mit Brennstoffen wie Wasserstoff Energie erzeugen können, ohne dabei Kohlendioxid zu emittieren. Ihre Ergebnisse, die in der Zeitschrift Advanced Energy Materials veröffentlicht wurden, könnten auch dazu dienen, die Suche nach anderen innovativen Materialien außerhalb des Energiesektors zu beschleunigen.

Als Reaktion auf die Erwärmung des Klimas haben Forscher neue Wege zur Energieerzeugung ohne fossile Brennstoffe entwickelt. "Ein Weg zur Kohlenstoffneutralität führt über die Schaffung einer Wasserstoffgesellschaft. Wir müssen jedoch nicht nur die Herstellung, die Lagerung und den Transport von Wasserstoff optimieren, sondern auch den Wirkungsgrad von Wasserstoff-Brennstoffzellen erhöhen", erklärt Professor Yoshihiro Yamazaki vom Department of Materials Science and Technology der Kyushu University, Platform of Inter-/Transdisciplinary Energy Research (Q-PIT).

Um elektrischen Strom zu erzeugen, müssen Festoxid-Brennstoffzellen in der Lage sein, Wasserstoffionen (oder Protonen) effizient durch ein festes Material, den so genannten Elektrolyten, zu leiten. Derzeit konzentriert sich die Forschung zu neuen Elektrolytmaterialien auf Oxide mit einer sehr spezifischen Kristallanordnung von Atomen, die als Perowskit-Struktur bezeichnet wird.

Forscher ebnen den Weg für organische, im Dunkeln leuchtende Materialien

Optimierung des Emissionsmechanismus und der verwendeten Moleküle konnte die Leistung von organischen Materialien um das Zehnfache verbessern

News lesen

"Das erste protonenleitende Oxid, das entdeckt wurde, hatte eine Perowskit-Struktur, und es wird ständig über neue, leistungsstarke Perowskite berichtet", sagt Professor Yamazaki. "Aber wir wollen die Entdeckung von Festelektrolyten auf Nicht-Perowskit-Oxide ausdehnen, die ebenfalls die Fähigkeit haben, Protonen sehr effizient zu leiten.

Die Entdeckung protonenleitender Materialien mit alternativen Kristallstrukturen durch herkömmliche "Versuch-und-Irrtum"-Methoden hat jedoch zahlreiche Einschränkungen. Damit ein Elektrolyt die Fähigkeit erhält, Protonen zu leiten, müssen dem Basismaterial geringe Spuren einer anderen Substanz, eines so genannten Dotierstoffs, hinzugefügt werden. Bei den vielen vielversprechenden Kandidaten für Basis und Dotierstoff - jeder mit unterschiedlichen atomaren und elektronischen Eigenschaften - ist es jedoch schwierig und zeitaufwändig, die optimale Kombination zu finden, die die Protonenleitfähigkeit verbessert.

Stattdessen berechneten die Forscher die Eigenschaften der verschiedenen Oxide und Dotierstoffe. Anschließend nutzten sie maschinelles Lernen, um die Daten zu analysieren, die Faktoren zu ermitteln, die sich auf die Protonenleitfähigkeit eines Materials auswirken, und mögliche Kombinationen vorherzusagen.

Anhand dieser Faktoren synthetisierten die Forscher dann zwei vielversprechende Materialien mit jeweils einzigartigen Kristallstrukturen und untersuchten, wie gut sie Protonen leiten. Bemerkenswerterweise zeigten beide Materialien in nur einem einzigen Experiment Protonenleitfähigkeit.

Eines der Materialien, so die Forscher, ist der erste bekannte Protonenleiter mit einer Sillenit-Kristallstruktur. Das andere Material, das eine Eulytitstruktur aufweist, verfügt über einen Hochgeschwindigkeits-Protonenleitpfad, der sich von den Leitpfaden in Perowskiten unterscheidet. Derzeit ist die Leistung dieser Oxide als Elektrolyte gering, aber das Forscherteam ist der Ansicht, dass ihre Leitfähigkeit bei weiterer Erforschung verbessert werden kann.

"Unser Rahmenwerk hat das Potenzial, den Suchraum für protonenleitende Oxide erheblich zu erweitern und damit die Fortschritte bei Festoxid-Brennstoffzellen deutlich zu beschleunigen. Es ist ein vielversprechender Schritt vorwärts auf dem Weg zu einer Wasserstoffgesellschaft", schließt Professor Yamazaki. "Mit geringfügigen Modifikationen könnte dieser Rahmen auch an andere Bereiche der Materialwissenschaft angepasst werden und möglicherweise die Entwicklung vieler innovativer Materialien beschleunigen."

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Susumu Fujii, Yuta Shimizu, Junji Hyodo, Akihide Kuwabara, Yoshihiro Yamazaki; "Discovery of Unconventional Proton‐Conducting Inorganic Solids via Defect‐Chemistry‐Trained, Interpretable Machine Learning"; Advanced Energy Materials, Volume 13, 2023-9-11

https://www.chemie.de/news/1182531/methode-des-maschinellen-lernens-beschleunigt-die-entdeckung-von-materialien-fuer-gruene-energie.html