AI-guided high-throughput discovery of iridium- and ruthenium-free palladium-oxide catalysts for durable acidic oxygen evolution

Die Herstellung von Wasserstoffbrennstoff aus Wasser erfordert das Spalten des Wassermoleküls in seine Bestandteile, ein Prozess, der eine enorme Menge an Energie erfordert, um die Reaktion voranzutreiben. Die eine Hälfte dieser Reaktion, bei der Sauerstoff freigesetzt wird, ist notorisch schwer zu beschleunigen, insbesondere wenn der Prozess in einer starken Säure stattfindet. Jahrzehntelang waren die einzigen Materialien, die robust genug waren, um diese harte, saure Umgebung zu überstehen, ohne auseinanderzufallen oder ihre Leistungsfähigkeit zu verlieren, Iridium- und Rutheniumoxide. Diese Metalle sind unglaublich selten, und ihre Lieferketten sind fragil, auf wenige Orte konzentriert und anfällig für Störungen. Wenn die Welt hofft, Wasserstoffenergiesysteme in massivem Maßstab aufzubauen, schafft die Abhängigkeit von solch knappen Materialien einen Engpass, der die gesamte Industrie aufhalten könnte. Wissenschaftler suchen schon lange nach einem Ersatz, der sowohl reichlich vorhanden als auch langlebig ist, aber es hat sich als eine schwer fassbare Herausforderung erwiesen, ein Material zu finden, das den sauren Bedingungen standhält und gleichzeitig effizient bleibt.

Ein Team von Forschern bei Lila Sciences hat nun eine neue Art von automatisierter Entdeckungsplattform genutzt, um eine vielversprechende Lösung zu finden, indem es eine Familie von Katalysatoren auf Palladiumbasis identifizierte, die als lebensfähige Alternative dienen könnten. Anstatt sich auf die menschliche Intuition zu verlassen, um zu erraten, welche chemischen Kombinationen funktionieren könnten, entwickelten sie ein geschlossenes Kreislaufsystem, in dem künstliche Intelligenz die Experimente leitet. Diese Plattform kombiniert hochgeschwindigkeits-robotergestützte Synthese mit Modellen des maschinellen Lernens, die aus jedem Ergebnis lernen. Das System erstellt Tausende von winzigen Proben verschiedener Metalloxide, testet sie darauf, wie gut sie Sauerstoff produzieren und wie lange sie in Säure halten, und nutzt diese Daten dann, um zu entscheiden, welche neuen Proben als Nächstes hergestellt werden sollen. Der Prozess ist weitgehend automatisiert, wobei Roboter die Synthese und das Testen übernehmen, während die KI die Ergebnisse analysiert und die nächste Runde an Kandidaten vorschlägt, wodurch ein schneller Entdeckungzyklus entsteht, der weitaus schneller voranschreitet als traditionelle Methoden.

Im Laufe ihrer Kampagne bewertete das System fast dreitausend verschiedene Katalysatorzusammensetzungen und untersuchte eine riesige Landschaft von Materialien, die aus sechsundzwanzig verschiedenen Elementen bestehen. Das Ziel war es, ein Gleichgewicht zwischen zwei konkurrierenden Anforderungen zu finden: hoher Aktivität, was bedeutet, dass der Katalysator mit minimalem Energieverlust arbeitet, und hoher Stabilität, was bedeutet, dass er sich nicht auflöst oder mit der Zeit degradiert. Die meisten der getesteten Materialien scheiterten an einem der beiden Punkte – entweder funktionierten sie gut, zerfielen aber schnell, oder sie hielten lange durch, benötigten aber zu viel Energie für den Betrieb. Die KI navigierte jedoch erfolgreich durch diesen schwierigen Kompromiss und identifizierte zwei spezifische Mischungen, die herausragten. Diese Katalysatoren bestehen primlich aus Palladium, einem Metall, das weitaus häufiger vorkommt als Iridium, sind jedoch mit winzigen Mengen anderer Elemente versetzt, um sie zu stabilisieren. Einer der führenden Kandidaten, eine Mischung aus Palladium mit Indium und Mangan, erwies sich als außergewöhnlich langlebig.

Als die Forscher die besten Kandidaten Langzeittests in einer starken Säurelösung unterzogen, waren die Ergebnisse beeindruckend. Ein Standard-Palladiumoxid-Katalysator begann nach etwa zweihundert Betriebsstunden zu degradieren, während ein Ruthenium-Benchmark, der aktuelle Industriestandard, nach 615 Stunden einen rapiden Anstieg der Überpotenzial zeigt, was mit der Delamination des Films einherging. Der neue Palladium-basierte Katalysator, gemischt mit Nickel und Tantal, hielt fast doppelt so lange durch wie die Standard-Palladium-Version und arbeitete etwa vierhundertsiebzig Stunden, bevor er einen signifikanten Rückgang zeigte. Der Champion der Gruppe, die Indium-Mangan-Palladium-Mischung, behielt ihre Leistung über tausend Stunden bei, ohne zu versagen. Während dieses ausgedehnten Zeitraums hielt sie die zur Sauerstoffproduktion erforderliche Energie niedrig und blieb deutlich unter der Schwelle, bei der das Material normalerweise beginnen würde, abzubauen. Diese Ausdauer war nicht nur eine Frage der Robustheit des Materials; die Forscher fanden heraus, dass der Katalysator während des Betriebs seine Form physisch veränderte. Unter dem Mikroskop entwickelte die Oberfläche des erfolgreichen Katalysators eine einzigartige, nadelartige Nanostruktur, die sich während der Arbeit natürlich bildete. Diese Struktur schien das darunterliegende Metall vor Korrosion zu schützen und gleichzeitig die Oberfläche für die chemische Reaktion aktiv zu halten.

Die Entdeckung stellt bisherige Annahmen auf diesem Gebiet infrage. Lange Zeit glaubten Wissenschaftler, dass reines Palladiumoxid kein guter Kandidat für diese spezifische Aufgabe sei, da es als zu inaktiv oder instabil in Säure galt. Die gängige Lehrmeinung legte nahe, dass Forscher woanders suchen sollten, vielleicht nach völlig anderen Metallen. Das KI-System jedoch verließ sich nicht auf diese alten Regeln. Indem es die Daten ohne menschliche Voreingenommenheit untersuchte, fand es heraus, dass das Hinzufügen kleiner Mengen spezifischer Elemente zu Palladium ein Maß an Stabilität und Aktivität freisetzen konnte, das niemand vorhergesagt hatte. Das System bewies zudem, dass ein flexibler, adaptiver Ansatz zur Entdeckung einem starren, vorab geplanten Verfahren überlegen ist. Als die Forscher ihre KI-gestützte Strategie mit festen Algorithmen und sogar mit Large Language Models verglichen, die auf bestehendem wissenschaftlichem Wissen basierten, fand das adaptive System die besten Lösungen schneller und entdeckte die neue Palladium-Familie in weniger Versuchen. Die festen Algorithmen neigten dazu, sich beim Erkunden der gleichen bekannten Bereiche festzufahren, während die Sprachmodelle, denen die Fähigkeit fehlte, in Echtzeit aus den spezifischen experimentellen Daten zu lernen, die vielversprechenden neuen Materialien nicht identifizieren konnten.

Diese Arbeit beansprucht nicht, das Problem der Wasserstoffproduktion vollständig gelöst zu haben, aber sie stellt einen bedeutenden Schritt nach vorn dar. Palladium ist immer noch ein Edelmetall, aber es ist wesentlich verfügbarer als Iridium, mit einer Lieferkette, die diversifizierter und weniger anfällig für plötzliche Engpässe ist. Die Fähigkeit, Palladium-basierte Katalysatoren zu verwenden, könnte den Druck auf die globalen Ressourcen lindern, während die Suche nach noch reichlicheren, unedlen Metallalternativen andauert. Die Forscher betonen, dass der wahre Durchbruch nicht nur in den spezifischen Materialien liegt, die sie gefunden haben, sondern in der Methode, mit der sie gefunden wurden. Durch die Integration von künstlicher Intelligenz mit Hochdurchsatz-Experimentierung schufen sie ein System, das in der Lage ist, nicht offensichtliche Lösungen zu entdecken, die menschliche Experten möglicherweise übersehen würden. Die Plattform hat erfolgreich demonstriert, dass Maschinen lernen können, die komplexen Kompromisse der Materialwissenschaft zu navigieren und langlebige, effiziente Katalysatoren zu identifizieren, die den harten Bedingungen der Zukunft der sauberen Energie standhalten können. Die nadelartigen Strukturen, die sich auf der Oberfläche der besten Katalysatoren bildeten, deuten darauf hin, dass der Weg zu besseren Materialien darin bestehen kann, für die Veränderung während des Gebrauchs zu entwerfen, anstatt nur für das Aussehen, wenn sie neu sind. Während das Team nach vorne blickt, plant es, denselben automatisierten Ansatz zu nutzen, um noch breitere Materialbereiche zu erforschen, mit dem Ziel, Lösungen zu finden, die nicht nur effektiv, sondern auch nachhaltig und skalierbar für die globale Energiewende sind.