Beschleunigte Entdeckung von MOFs für Wasserstoffspeicherung durch maschinelles Lernen in energierelevanten Anwendungen

Warum das für saubere Energie wichtig ist

Wasserstoff gilt oft als sauberer Kraftstoff der Zukunft, aber es gibt ein hartnäckiges praktisches Problem: Er ist sehr leicht, daher ist es schwierig, genug Wasserstoff sicher und kompakt in einem Tank für Autos, Lkw oder Schiffe unterzubringen. Diese Arbeit zeigt, wie computerbasierte Methoden, insbesondere maschinelles Lernen, nahezu einhunderttausend fortgeschrittene poröse Materialien, sogenannte metallorganische Gerüste (MOFs), durchforsten können, um jene zu finden, die Wasserstoff dicht und effizient speichern. Die Studie weist den Weg zu schnelleren und kostengünstigeren Methoden, um die nächste Generation von Wasserstofftanks zu identifizieren, die helfen könnten, die Gesellschaft von fossilen Brennstoffen wegzuführen.

Maßgeschneiderte Schwamm‑Materialien

MOFs sind kristalline Materialien, die auf molekularer Ebene wie komplizierte Gerüste mit enormer innerer Oberfläche und Hohlräumen aussehen. Diese winzigen „Schwämme“ können Gasmoleküle wie Wasserstoff wiederholt aufnehmen und abgeben. Durch das Austauschen der Metallbausteine und organischen Verknüpfer können Wissenschaftler die Porengröße, -form und Offenheit von MOFs feinabstimmen. Eigenschaften wie der Anteil an Hohlraum (Void‑Fraktion), das verfügbare Innenvolumen (Porenvolumen) und die der Gasphasen ausgesetzte Oberfläche erweisen sich für die Wasserstoffspeicherung als wichtiger als die exakte chemische Zusammensetzung. Die Herausforderung besteht darin, dass Datenbanken weit über 100.000 mögliche MOF‑Strukturen enthalten, nur ein kleiner Bruchteil jedoch hergestellt und im Labor getestet wurde, und detaillierte Computersimulationen für jede Struktur sehr aufwändig sind.

Computer die Möglichkeiten erkunden lassen

Um dieses Nadelöhr zu überwinden, kombinieren die Autorinnen und Autoren hochgenaue Gadsorptionssimulationen mit maschinellem Lernen. Sie starten von einer bestehenden Datenbank namens HyMARC, die 98.695 MOFs aus mehreren Forschungsgruppen und Universitäten auflistet. Für jeden MOF verwenden sie etablierte Simulationswerkzeuge, um zu berechnen, wie viel Wasserstoff er während eines realistischen „Temperatur‑Druck‑Swing“‑Zyklus aufnehmen und wieder abgeben kann: Das Material wird bei sehr niedriger Temperatur und hohem Druck mit Wasserstoff beladen, dann erwärmt und depressurisiert, um das Gas freizusetzen. Aus jeder Kristallstruktur extrahieren sie nur sieben geometrische Deskriptoren, darunter Dichte, Porenvolumen, mehrere Maße der Oberfläche und zwei charakteristische Porendurchmesser. Diese einfachen Zahlen erfassen, wie viel Raum und Oberfläche den Wasserstoffmolekülen innerhalb jedes MOFs zur Verfügung stehen.

Neuronale Netze lehren, die Speicherkapazität zu beurteilen

Das Team trainiert dann zwei Typen neuronaler Netze – Feed‑Forward‑ und Mustererkennungsmodelle –, um die Verbindung zwischen diesen sieben Strukturdeskriptoren und zwei wichtigen Größen zu erlernen: wie viel Wasserstoff nach Gewicht (gravimetrische Kapazität) und nach Volumen (volumetrische Kapazität) gespeichert wird. Eine physik‑inspiriere Optimierungsmethode, der sogenannte Equilibrium Optimizer, passt automatisch Größe und Aufbau jedes Netzes an, um Vorhersagefehler zu minimieren. Nach dem Training an dem Großteil der Datenbank und der Zurücklegung eines Teils für Tests reproduzieren die Modelle die Simulationsergebnisse mit auffälliger Genauigkeit, insbesondere für die gravimetrische Speicherung. Die Analyse bestätigt auch physikalisch sinnvolle Trends: MOFs mit größerem Porenvolumen und höherer Void‑Fraktion speichern im Allgemeinen mehr Wasserstoff nach Gewicht, während die volumetrische Speicherung bei einer mittleren Dichte maximiert ist, bei der Porosität und Packungsdichte gut ausbalanciert sind.

Herausragende Materialien in einem überfüllten Feld finden

Mit diesen trainierten Netzen scannen die Forschenden schnell alle 98.695 MOFs, um vielversprechende Kandidaten zu markieren, und überprüfen die besten davon anschließend mit vollständigen Simulationen. Sie verwenden ein bekanntes MOF namens MOF‑5 als Referenzpunkt und wenden zudem ambitionierte Ziele des US‑Energieministeriums für die Wasserstoffspeicherung an. Ihr Screening ergibt 1.289 MOFs, die diese Ziele gleichzeitig erfüllen oder übertreffen, und innerhalb dieser Gruppe finden sich 12 Strukturen, die MOF‑5 sowohl hinsichtlich der gewichtsbasierten als auch der volumenbasierten Leistung übertreffen. Viele dieser Spitzenkandidaten teilen ähnliche Merkmale – moderate Dichte, beträchtliche, aber nicht extreme Oberfläche und hoher innerer Hohlraum – und mehrere stammen aus einer hypothetischen Datenbank der Northwestern University, was den Wert der Untersuchung noch nicht synthetisierter Entwürfe unterstreicht.

Was das für zukünftige Wasserstofftanks bedeutet

Kurz gesagt zeigt diese Studie, dass eine kleine Anzahl leicht berechenbarer Strukturmerkmale in Kombination mit gut gestalteten neuronalen Netzen zeitaufwändige Simulationen beim Finden von Wasserstoffspeichermaterialien weitgehend ersetzen kann. Der Ansatz kann noch nicht garantieren, dass jeder vorgeschlagene MOF leicht herstellbar oder mechanisch stabil ist, aber er verengt die Suche deutlich auf eine praxistaugliche Shortlist für Chemiker zum Testen. Indem er aufzeigt, welche geometrischen Merkmale am wichtigsten sind, und konkrete Hochkapazitätskandidaten hervorhebt, rückt diese Arbeit praktische, kompakte Wasserstofftanks näher und veranschaulicht, wie datengetriebene Werkzeuge die Entdeckung von Materialien für ein saubereres Energiesystem beschleunigen können.

Zitation: Khairandesh, S., Lotfi, M., Larimi, A. et al. Accelerating discovery of MOFs for hydrogen storage via machine learning in energy related applications. Sci Rep 16, 14114 (2026). https://doi.org/10.1038/s41598-026-44340-8

Schlüsselwörter: Wasserstoffspeicherung, metallorganische Gerüste, maschinelles Lernen, poröse Materialien, Entdeckung von Energiematerialien