Oberfläche von Iridiumdioxid ganz anders als bislang gedacht

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.

„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

• Originalveröffentlichung
  J. Timmermann et al.: IrO2 Surface Complexions Identified Through Machine Learning and Surface Investigations, Phys. Rev. Lett. (im Druck); Preprint:  arXiv:2009.11569 [cond-mat.mtrl-sci]
• Oberflächenphysik (U. Diebold), Institut für angewandte Physik, Technische Universität Wien, Österreich
• Theoretische Chemie (K. Reuter), Technische Universität München