20.10.2020 • Materialwissenschaften

Oberfläche von Iridiumdioxid ganz anders als bislang gedacht

Orientierung der Atome auf dem Kristall weicht signifikant von früheren Ergebnissen ab.

Ein Iridiumdioxidkristall ist ein unschein­bareres, fast schwarzes Ding, das für die Elektro­chemie eine wichtige Rolle spielt. Das Material ist ein hervor­ragender Katalysator und kann etwa für die Herstellung von Energie­trägern wie Wasserstoff verwendet werden. Wie sich nun heraus­stellt, wurde die Forschung an Iridium­dioxid bisher aber unter einer völlig falschen Grund­annahme betrieben: Die Ausrichtung der Atome auf der Oberfläche ist in Wahrheit eine ganz andere als man bisher angenommen hat. Die Art, wie das festge­stellt wurde, könnte zugleich ein erster Blick in einen neuen Forschungs­alltag der Zukunft sein: Es handelte sich um eine Gemeinschafts­arbeit aus mensch­licher Forschung und künst­licher Intelligenz.

Abb.: Schnitt durch einen Iridium­dioxid-Kristall. Eine Untersuchung der...
Abb.: Schnitt durch einen Iridium­dioxid-Kristall. Eine Untersuchung der Ober­fläche des Kristalls führte zu über­raschenden Ergeb­nissen. (Bild: TU Wien)

„Ein Kristall kann verschiedene Ober­flächen mit ganz unter­schied­lichen Eigen­schaften haben“, sagt Florian Kraushofer von der TU Wien. „Stellen wir uns vor, wir haben einen Kristall, der aus würfel­förmigen Zellen aufgebaut ist. Wenn wir ihn durch­schneiden, entstehen ganz unter­schied­liche Schnitt­flächen, je nachdem, in welcher Richtung wir schneiden.“ Schneidet man genau in Richtung der Würfelzellen, besteht die Schnitt­fläche aus lauter Quadraten. Man kann die Würfel­zellen aber auch diagonal schneiden – dann entsteht ebenfalls eine regel­mäßige Fläche, allerdings mit einer anderen Geometrie.

„Wenn ein Kristall langsam wächst, dann bildet er normaler­weise eine Oberfläche aus, die energetisch besonders günstig ist“, sagt Kraushofer. Nicht alle möglichen Atom-Anordnungen sind stabil. In manchen Fällen verschieben sich die Atome an der Oberfläche oder ordnen sich um. „Man braucht oft sehr aufwändige Simulations­rechnungen auf Super­computern, um zu ermitteln, welche geometrische Konfiguration die stabilste ist“, erklärt Kraushofer. „Bei Iridium­dioxid dachte man, das sei das die 110-Richtung – das hatten die Rechnungen so ergeben. Doch über­raschender­weise kamen wir bei unseren Messungen zu einem ganz anderen Ergebnis.“

Bei einer Konferenz knapp vor dem Corona-Lockdown traf Ulrike Diebold, die die Forschungs­gruppe an der TU Wien leitet, auf Karsten Reuter von der TU München, der sich ebenfalls mit Iridium­dioxid beschäftigt. Sein Team verwendet Machine Learning – also Techniken aus dem Bereich der künstlichen Intelligenz – um Material­eigen­schaften besser berechnen zu können. Und dabei hatte man genau dieselbe Über­raschung erlebt. „Genau wie das Experiment hatten auch die Machine-Learning-Algorithmen ergeben, dass die stabile Richtung der Iridium­dioxid-Oberfläche eine andere ist als bisher gedacht“, sagt Reuter. „Wir beschlossen daher, uns die Sache gemeinsam noch näher anzusehen.

Weitere Untersuchungen wurden daher durch­geführt – unter anderem noch aufwändigere Computer­simulationen als jene, die früher augen­schein­lich das falsche Ergebnis geliefert hatten. Und bei diesen Berechnungen zeigte sich, dass die experi­men­tellen Daten und die Machine-Learning-Algorithmen tatsächlich richtig gelegen waren. „Man muss also alle bisherigen Ergebnisse über Iridium­dioxid völlig neu über­denken“, sagt Diebold. „Die Orientierung der Oberfläche spielt nämlich auch für das chemische und physika­lische Verhalten des Materials eine entscheidende Rolle.“

Für Diebold ist das Ergebnis auch ein wichtiger Beweis dafür, dass neue Forschungs­methoden aus dem Bereich Machine Learning für die Wissen­schaft höchst wertvoll sein können. „Gerade wenn es darum geht, auf Basis der Quanten­physik neue Materialien zu entwickeln, sind Computer­simulationen seit Jahren unver­zichtbar – aber sie sind oft extrem aufwändig, teuer und zeitraubend“, sagt Diebold. „Wenn es gelingt, Machine Learning auf intelligente Weise für solche kompli­zierten Fragen einzusetzen, kann daraus ein großartiges neues Werkzeug entstehen, das die Material­forschung einen großen Schritt nach vorne bringt. Damit das möglich wird, brauchen wir natürlich gleich­zeitig auch möglichst gute experi­men­telle Messungen.“

„Menschliche Intelligenz wird sich dadurch nicht ersetzen lassen – genauso wenig, wie sie bisher durch Computer­simulationen ersetzt werden konnte“, ist Diebold überzeugt. „Aber Machine-Learning-Algorithmen werden uns helfen, auf gute Ideen zu kommen, die uns selbst nicht unbedingt ein­ge­fallen wären.“

TU Wien / RK

Weitere Infos

 

Sonderhefte

Physics' Best und Best of
Sonderausgaben

Physics' Best und Best of

Die Sonder­ausgaben präsentieren kompakt und übersichtlich neue Produkt­informationen und ihre Anwendungen und bieten für Nutzer wie Unternehmen ein zusätzliches Forum.

Weiterbildung

Weiterbildungen im Bereich Quantentechnologie
TUM INSTITUTE FOR LIFELONG LEARNING

Weiterbildungen im Bereich Quantentechnologie

Vom eintägigen Überblickskurs bis hin zum Deep Dive in die Technologie: für Fach- & Führungskräfte unterschiedlichster Branchen.

Meist gelesen

Themen