KI-gestützte Optimierung der Wasserstoffspeicherung in porösen Kohlenstoffadsorbentien

Warum bessere Wasserstoffspeicherung wichtig ist

Wasserstoff wird häufig als sauberer Kraftstoff für Autos, Lkw und Busse angepriesen, weil bei seiner Nutzung hauptsächlich Wasser statt Treibhausgase entsteht. Das Problem ist, dass es sehr schwierig ist, genügend Wasserstoff in einem Fahrzeug sicher und kostengünstig zu speichern. Diese Studie untersucht, wie künstliche Intelligenz Wissenschaftlern helfen kann, bessere schwammartige Kohlenstoffmaterialien zu entwerfen, die mehr Wasserstoff halten und damit wasserstoffbetriebene Mobilität praktikabler machen könnten.

Wie Kohlenstoffschwämme Wasserstoff halten

Im Fokus stehen hochporöse Kohlenstoffe, die sich wie feste Schwämme verhalten. Statt Wasser aufzunehmen, ziehen sie Wasserstoffmoleküle auf ihren inneren Oberflächen an. Je mehr Innenoberfläche diese Kohlenstoffe haben und je besser ihre Porengrößen auf Wasserstoff abgestimmt sind, desto mehr Treibstoff können sie speichern. Traditionelle Ansätze beruhen auf Versuch und Irrtum: Man verändert die Herstellungsweise des Kohlenstoffs, misst die Wasserstoffaufnahme bei bestimmten Drücken und Temperaturen und wiederholt den Vorgang. Dieser Prozess ist langsam, teuer und durch die Anzahl der testbaren Proben begrenzt.

Computern aus früheren Experimenten beibringen

Um das zu beschleunigen, sammelten die Autoren 917 Datenpunkte aus zahlreichen früheren Studien zur Wasserstoffspeicherung in porösen Kohlenstoffen. Jeder Eintrag verknüpfte, wie ein Kohlenstoff hergestellt wurde und wie seine Struktur aussah, mit der Menge an gespeichertem Wasserstoff unter gegebenen Bedingungen. Sie trainierten zwei Modelle des maschinellen Lernens mit dieser Sammlung: eines auf Entscheidungsbäumen und eines, das von Bildverarbeitungsnetzwerken inspiriert ist. Obwohl die Daten nur Zahlen waren, lernte das neuronale Netzwerk Muster gut und sagte die Wasserstoffspeicherung mit hoher Genauigkeit voraus, wenn es an bislang ungesehenen Einträgen aus demselben Bereich von Drücken, Temperaturen und Materialeigenschaften getestet wurde.

KI bei der Suche nach besseren Designs einsetzen

Sobald das neuronale Netzwerk die Wasserstoffaufnahme zuverlässig vorhersagen konnte, koppelte das Team es an ein automatisiertes Optimierungswerkzeug. Anstatt nur zu fragen: „Wie viel Wasserstoff speichert dieses Material?“, kehrten sie die Frage um: „Welche Kombination von Materialeigenschaften und Betriebsbedingungen sollte die beste Speicherung liefern?“. Die Software variierte Faktoren wie Oberfläche, Volumen winziger Poren und Gasdruck und verfolgte zugleich eine Gesamtgröße der Poren. Sie suchte nach ausgewogenen Lösungen, die sowohl die gespeicherte Wasserstoffmenge erhöhen als auch die Poren klein genug halten, um für Kohlenstoffmaterialien realistisch zu bleiben.

Leistung mit physikalischer Realisierbarkeit ausbalancieren

Die Optimierung ergab eine Reihe von „genau richtig“ abgewogenen Kompromissen, bekannt als Pareto-Front, bei der eine weitere Verbesserung der Wasserstoffspeicherung nur auf Kosten der Porenkontrolle möglich wäre und umgekehrt. Einige der höchsten vorhergesagten Speicherwerte erforderten das Überschreiten von Oberfläche und Porengrößen über das hinaus, was bislang im Labor hergestellt wurde, weshalb die Autoren diese als theoretische Obergrenzen und nicht als Zusagen betrachteten. Wenn sie die Suche auf realistischere Oberflächenbereiche und eine gebräuchliche Prüftemperatur für die Wasserstoffspeicherung beschränkten, stimmten die vorhergesagten besten Designs mit experimentellem Wissen überein, zeigten aber auch ehrgeizige, jedoch plausible Zielwerte für zukünftige Materialien auf. Das zeigt, dass KI neue Rezepturen vorschlagen kann, die einen Versuch wert sind, und nicht nur alte Daten erklärt.

Was das für saubere Energie bedeutet

Für eine allgemeine Leserschaft lautet die Hauptbotschaft: Computer können jetzt dabei helfen, bessere feste „Tanks“ für Wasserstoff zu entwerfen, indem sie aus verstreuten Ergebnissen vieler Studien lernen. Der hier verwendete Ansatz kombiniert Vorhersage mit intelligenter Suche, um Kohlenstoffstrukturen hervorzuheben, die mehr Wasserstoff speichern sollten, ohne blind zu raten. Während die extremsten Vorhersagen noch im Labor überprüft werden müssen, liefert die Arbeit eine Roadmap, um Versuch-und-Irrtum zu verringern, und könnte Ingenieuren helfen, näher an Wasserstoffspeichersysteme heranzukommen, die sicher und effizient in zukünftige Fahrzeuge passen.

Zitation: Rocha, H.R.O., Romanos, J., Abou Dargham, S. et al. AI-driven optimization of hydrogen storage in porous carbon adsorbents. Sci Rep 16, 15143 (2026). https://doi.org/10.1038/s41598-026-45915-1

Schlüsselwörter: Wasserstoffspeicherung, poröser Kohlenstoff, maschinelles Lernen, Energie-Materialien, Gasadsorption