Forscher des Institutes für Grundlagenforschung (IBS) in Südkorea haben mit Hilfe einer neuen künstlichen Intelligenz einen bahnbrechenden Ansatz zur Entdeckung von Katalysatoren für grünen Wasserstoff entwickelt. Das Team, geleitet von Direktor Hyeon Taeghwan, präsentierte ein Modell, das Wissen über chemisch unterschiedliche Materialfamilien verbindet, um bisher unerschlossene Katalysatorklassen zu identifizieren. Die Ergebnisse wurden in der Fachzeitschrift Nature Materials veröffentlicht. Ein zentrales Problem bei der Wasserstoffproduktion durch Elektrolyse ist die Sauerstoffentwicklungsreaktion (OER). Dieser Schritt ist oft langsam und energieintensiv, wodurch die Effizienz des gesamten Prozesses begrenzt wird. Traditionell beschränkte sich die Forschung auf die Optimierung einzelner Materialklassen, wie etwa Metalloxide oder einzeln atomare Katalysatoren auf Kohlenstoffbasis. Das neue KI-System überwindet diese Grenze, indem es gleichzeitig Daten aus beiden Bereichen analysiert. Das Kernstück dieser Forschung ist das „Crossbreeding Neural Network" (CBNN). Dieses tiefe Lernmodell integriert strukturelle Informationen von Perowskit-Oxiden, die die Bulk-Eigenschaften beschreiben, mit Oberflächendaten von einzeln atomaren Katalysatoren. Durch diese Kombination konnte die KI die Leistung eines völlig neuen Materials vorhersagen: einzeln atomare Katalysatoren, die auf Perowskit-Oxiden unterstützt sind. Dies war eine Materialklasse, die dem Modell während des Trainings unbekannt war. Zur Verbesserung der Vorhersagegenauigkeit entwickelten die Forscher zudem einen automatisierten Prozess zur Auswahl chemischer Deskriptoren. Dieser kombinierte statistische Analysen mit Techniken des natürlichen Sprachverarbeitungs. Wichtige Faktoren wie Oxidationszustand, Ionenradius und Elektronegativität wurden identifiziert, um die katalytische Aktivität präzise zu bewerten. In experimentellen Tests konnte das KI-Modell die Aktivitätsreihenfolge von zwölf getesteten Katalysatoren in dieser neuen Materialklasse korrekt vorhersagen, was belegt, dass das System gelerntes Wissen anwendet und nicht nur Daten auswendig gelernt hat. Auf Basis dieser Methode identifizierte die KI ein vielversprechendes multimetallisches Katalysatorsystem. Dieses besteht aus vier verschiedenen Metallen – Wolfram, Molybdän, Ruthenium und Rhodium – die einzeln auf einer Calcium-Praseodym-Cobalt-Eisen-Oxid-Perowskit-Struktur verankert sind. Experimentelle Validierungen bestätigten, dass dieser neue Katalysator sowohl einen niedrigeren Überspannungswert als auch eine höhere Umsatzfrequenz aufweist als bisher bekannte Perowskit-Oxide und einzeln atomare Katalysatoren auf Kohlenstoffbasis. Besonders hervorzuheben ist die Interpretierbarkeit der Ergebnisse. Die KI lieferte nicht nur numerische Vorhersagen, sondern erklärte auch die zugrundeliegenden chemischen Prinzipien, wie synergistische Wechselwirkungen zwischen benachbarten Atomen die Leistung steigern. Dies eröffnet neue Wege für das Design von Katalysatoren, die über die von Menschen definierten Grenzen hinausgehen. Die Forscher sind zuversichtlich, dass diese Methode auch auf andere Bereiche wie Batterietechnologie, Energiespeichermaterialien und die Arzneimittelentwicklung übertragbar ist, wo die Integration heterogener Datensätze oft eine Hürde darstellt. Damit markiert dieser Fortschritt einen wichtigen Schritt hin zu einer generalisierbaren künstlichen Intelligenz in den Materialwissenschaften.