Maschinelles Lernen optimiert CO2-Elektrolyse für nachhaltige Treibstoffe

MÜNCHEN (IT BOLTWISE) – Die Nutzung von Kohlendioxid als wertvoller Rohstoff zur Herstellung synthetischer Treibstoffe ist ein vielversprechender Ansatz im Kampf gegen den Klimawandel. Eine junge Forscherin der Empa, Carlota Bozal-Ginesta, hat sich dieser Herausforderung angenommen und setzt auf maschinelles Lernen, um die Effizienz der CO2-Elektrolyse zu steigern.

Die Umwandlung von überschüssigem Kohlendioxid in nützliche Produkte ist ein zentrales Ziel der modernen Forschung, insbesondere im Hinblick auf die Bekämpfung des Klimawandels. Carlota Bozal-Ginesta, eine engagierte Forscherin der Empa, hat sich dieser Aufgabe verschrieben. Ihr Projekt zielt darauf ab, mithilfe von maschinellem Lernen und Hochdurchsatz-Experimenten die Effizienz der CO2-Elektrolyse zu verbessern. Diese Methode könnte eine Schlüsselrolle bei der Herstellung synthetischer Treibstoffe spielen, die aus Kohlendioxid, Wasser und erneuerbarer Energie gewonnen werden.

Derzeitige Katalysatoren für die CO2-Elektrolyse sind zwar effektiv, jedoch fehlt es ihnen an Spezifität. Das Ergebnis ist ein Gemisch aus zahlreichen Verbindungen, die nur mit erheblichem Aufwand getrennt werden können. Die Entwicklung von Technologien, die gezielt bestimmte Produkte erzeugen, ist daher von großer Bedeutung. Bozal-Ginesta verfolgt einen innovativen Ansatz, indem sie die Struktur von Elektroden untersucht und deren Einfluss auf die Produktzusammensetzung analysiert.

Gasdiffusionselektroden, die häufig in der CO2-Elektrolyse eingesetzt werden, bestehen aus porösen Strukturen, die mit Katalysatormaterialien wie Kupfer oder Silber beschichtet sind. Die genaue Anordnung und Dichte der Poren können das Ergebnis der Katalyse beeinflussen, doch die genauen Mechanismen sind noch nicht vollständig verstanden. Bozal-Ginesta nutzt maschinelles Lernen, um diese Zusammenhänge besser zu erfassen und neue, vielversprechende Elektrodenstrukturen zu entwickeln.

In ihrem Forschungsprojekt kombiniert sie maschinelles Lernen mit einer Hochdurchsatzanlage, die es ermöglicht, mehrere Katalysatorvarianten gleichzeitig zu charakterisieren. Die gewonnenen Daten werden mit Mikroskopie- und Spektroskopieverfahren ergänzt, um ein umfassendes Bild der elektrochemischen Prozesse zu erhalten. Ziel ist es, die Korrelation zwischen der Elektrodenstruktur und ihrer Leistung zu verstehen und daraus neue, optimierte Strukturen abzuleiten.

Bozal-Ginesta legt besonderen Wert auf einen durchdachten Einsatz von maschinellem Lernen. Sie betont, dass es nicht ausreicht, große Datenmengen unreflektiert zu verarbeiten. Vielmehr müssen Wissenschaftlerinnen und Wissenschaftler Hypothesen aufstellen und gezielt Informationen auswählen, die für die Modellierung und Vorhersage der Leistung entscheidend sind. Maschinelles Lernen ist ein mächtiges Werkzeug zur Überprüfung dieser Hypothesen, doch die Entscheidung, welche Informationen wirklich relevant sind, liegt letztlich bei den Forschenden.

Die Arbeit von Bozal-Ginesta könnte nicht nur die Effizienz der CO2-Elektrolyse verbessern, sondern auch neue Wege für die Nutzung von Kohlendioxid als Rohstoff eröffnen. Dies wäre ein bedeutender Schritt in Richtung einer nachhaltigeren Energiezukunft, in der überschüssiges Kohlendioxid nicht mehr als Abfallprodukt, sondern als wertvolle Ressource betrachtet wird.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!