Das Wachstum erneuerbarer Energien macht leistungsfähige und wirtschaftliche Speichertechnologien unverzichtbar, um Schwankungen zwischen Erzeugung und Verbrauch auszugleichen und in Phasen mit geringer Wind- und Solarstromproduktion eine zuverlässige Energieversorgung sicherzustellen. Eine vielversprechende Option sind Redox-Flow-Batterien, die Energie in flüssigen Elektrolyten speichern und bei Bedarf schnell bereitstellen. Entscheidend für ihre Leistungsfähigkeit sind geeignete, maßgeschneiderte Elektrolytmaterialien – deren Entwicklung bislang aufwendig und zeitintensiv ist.

Hier setzt das Marie-Skłodowska-Curie-Doktorandennetzwerk »PREDICTOR – Predictive Platform for Electrochemical Energy Storage Materials« an. Im Zentrum der Arbeiten steht der Aufbau einer vollständig integrierten, KI-gestützten Entwicklungsplattform. Diese soll den gesamten Prozess der Materialentwicklung abbilden – von der rechnergestützten Identifikation neuer Elektrolyte, über die automatisierte Synthese und Charakterisierung, bis hin zur Validierung in Batteriedemonstratoren.  Grundlage sind High-Throughput-Methoden, wie sie aus der Pharmaforschung bekannt sind, die hier erstmals vollständig für die elektrochemische Energiespeicherung umgesetzt werden und Modellierung, experimentelle Tests sowie Datenmanagement nahtlos verbinden.

Das PREDICTOR-Netzwerk vereint 7 Partner und 15 assoziierte Einrichtungen aus 11 europäischen Ländern. 17 Doktorandinnen und Doktoranden forschen in diesen an einer neuen Generation leistungsfähiger organischer Elektrolyte für Redox-Flow-Batterien. Dabei kommen fortschrittliche Modellierungsverfahren, Simulationen, maschinelles Lernen sowie selbstoptimierende Laborsysteme zum Einsatz.

Das Geschäftsfeld Virtual Material Design von Fraunhofer SCAI leitet das Arbeitspaket zur Entwicklung semantischer Konzepte und datengetriebener Werkzeuge für die Designoptimierung. Dazu gehören der Aufbau einer Ontologie zur Integration von Modellierungs- und Charakterisierungsdaten sowie die Entwicklung KI-basierter Vorhersagemodelle und Tools für die semantische Suche und Datenanalyse. Ziel ist es, die Vielzahl an generierten Daten systematisch zu nutzen, um vielversprechende Materialkandidaten schneller zu identifizieren und gezielt weiterzuentwickeln.

Das Projekt wird durch die Marie Skłodowska-Curie Actions der Europäischen Kommission gefördert.

Laufzeit: 09/2024 bis 08/2028