Forschende der Tohoku University haben in Zusammenarbeit mit internationalen Partnerinstitutionen ein neues, auf großen Sprachmodellen basierendes Framework entwickelt, das den Entdeckungsprozess für Hochentropielegierungen als Katalysatoren für die Sauerstoffreduktionsreaktion signifikant beschleunigt. Im Mittelpunkt steht ChatHEA, ein domänenspezifischer KI-Assistent, der den gesamten Forschungsworkflow von der Literaturrecherche über die Elementkombination bis hin zur Datenanalyse und experimentellen Planung steuert. Das System kombiniert linguistische Wissensextraktion mit hocheffizienten Laborverfahren, um komplexe Metalllegierungen systematisch zu evaluieren. Der durch ChatHEA gesteuerte Prozess führte zur Synthese und Bewertung von hundert fünf Elementen umfassenden Hochentropielegierungen. Die Analyse ergab, dass die katalytische Aktivität nicht primär von einzelnen Bestandteilen abhängt, sondern von synergistischen Wechselwirkungen zwischen Elementgruppen wie Fe-Co-Cu, Fe-Co-Ni sowie Edelmetall-Kombinationen wie Pt-Ir und Pt-Pd. Als vielversprechendster Kandidat erwies sich die Legierung FeCoCuPtIr. Sie übertraf sowohl in elektrochemischen Tests als auch in Evaluierungen an vollständigen Brennstoffzellen kommerzielle Platin-Kohle-Katalysatoren deutlich. Die daraus aufgebaute Brennstoffzelle erreichte eine Spitzenleistungsdichte von 0,789 W cm⁻² und überschritt damit die von der US-Energieministerie für 2025 geforderten Mindestaktivitätsstandards. Theoretische Berechnungen und pH-abhängige Mikrokinetikmodelle belegen, dass die multi-elementare Synergie die elektronische Struktur der aktiven Zentren optimiert und die Adsorptionsstärke entscheidender Reaktionszwischenstufen verbessert. Die Ergebnisse der Studie wurden im Fachjournal National Science Review veröffentlicht. Distinguished Professor Hao Li vom Advanced Institute for Materials Research betonte, dass ChatHEA nicht als reines Prognosewerkzeug, sondern als integrativer Begleiter der gesamten Materialentwicklung fungiere. Dieser KI-gestützte Ansatz liefere eine allgemeingültige Strategie zur effizienteren Entdeckung komplexer Werkstoffklassen. Die Entwicklung trägt maßgeblich zur Beschleunigung sauberer Energietechnologien bei. Effizientere Katalysatoren können den Bedarf an teuren Edelmetallen reduzieren, die Kosten für wasserstoffbasierte Antriebe in Fahrzeugen, stationäre Notstromsysteme und künftige kohlenstoffarme Infrastrukturen senken und die kommerzielle Skalierbarkeit von Brennstoffzellensystemen vorantreiben. Die erfolgreiche Integration von Sprachmodellen in die experimentelle Materialwissenschaft markiert einen Schritt hin zu autonomeren, datengetriebenen Entdeckungsprozessen in der angewandten Energieforschung.