Maschinelles Lernen optimiert CO2-Elektrolyse

MÜNCHEN (IT BOLTWISE) – Die Nutzung von Kohlendioxid als 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 Kohlendioxid in nützliche Produkte ist ein bedeutender Schritt zur Reduzierung der Treibhausgasemissionen. Carlota Bozal-Ginesta von der Empa verfolgt das Ziel, die Effizienz der CO2-Elektrolyse durch den Einsatz von maschinellem Lernen zu verbessern. Sie hat ein zweijähriges Empa Young Scientist Fellowship erhalten, um ihre Forschung voranzutreiben.

Überschüssiges Kohlendioxid in der Atmosphäre ist der Haupttreiber des Klimawandels, kann jedoch auch als wertvoller Rohstoff genutzt werden. Durch die Abscheidung von CO2 aus der Luft oder direkt an der Quelle können synthetische Treibstoffe und Chemikalien produziert werden. Hierfür sind lediglich Wasser, erneuerbare Energie und ein Elektrolysegerät mit einem geeigneten Katalysator erforderlich.

Die Herausforderung besteht darin, Katalysatoren zu entwickeln, die spezifisch genug sind, um gezielt bestimmte Produkte zu erzeugen. Derzeitige Katalysatoren führen zu einem Gemisch aus bis zu 20 verschiedenen Verbindungen, deren Trennung aufwendig ist. Die Entwicklung von Technologien, die gezielt wenige Produkte liefern, ist daher ein zentrales Forschungsziel.

Bozal-Ginesta konzentriert sich auf die Verbesserung der Elektroden für die CO2-Elektrolyse. Sie untersucht, wie die Struktur der Elektroden die Zusammensetzung der Produkte beeinflusst. Hierbei setzt sie auf maschinelles Lernen und eine Hochdurchsatzanlage, die es ermöglicht, mehrere Katalysatorvarianten gleichzeitig zu charakterisieren.

Maschinelles Lernen wird in drei Bereichen eingesetzt: zur Analyse der Korrelation zwischen Elektrodenstruktur und elektrochemischer Leistung, zur Entwicklung von Tools, die strukturelle Eigenschaften in Mikroskopieaufnahmen identifizieren, und zur Ableitung neuer Elektrodenstrukturen mit vielversprechenden Eigenschaften.

Bozal-Ginesta betont die Bedeutung eines durchdachten Einsatzes von maschinellem Lernen. Oftmals wird KI in einem Brute-Force-Ansatz verwendet, ohne ausreichende Datenaufbereitung oder Berücksichtigung von Fachwissen. Ein unvollständiger Datensatz oder ein ungenaues Modell führen zu fehlerhaften Ergebnissen. Wissenschaftler müssen Hypothesen aufstellen und validieren, welche Informationen bei der Leistungsmodellierung die größte Rolle spielen.

Die Forschung von Bozal-Ginesta könnte einen wichtigen Beitrag zur Entwicklung effizienter CO2-Elektrolyseverfahren leisten. Durch die Kombination von maschinellem Lernen und experimenteller Forschung könnten neue Wege zur Nutzung von Kohlendioxid als Rohstoff eröffnet werden, was sowohl ökonomische als auch ökologische Vorteile mit sich bringt.

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