Komplexität in der Materialmodellierung
Taming Complexity in Materials Modeling
Wissenschaftsdisziplinen
Chemie (30%); Physik, Astronomie (70%)
Keywords
-
Surface Science,
Oxide Surfaces And Interfaces,
Catalysis,
Computational Materials Science,
First-Principles Calculations,
Machine Learning
Wie sich Materialien auf kleinster Skala verhalten wie sich Atome an Oberflächen umordnen und wie sie auf ihre Umgebung und auf äußere Reize reagieren lässt sich schon recht gut verstehen: mit quantenmechanischen Methoden können relativ einfache Prozesse modelliert und mit wohlkontrollierten Experimenten verglichen werden. Wenn Systeme aber komplexer werden, z.B. wenn viele Elemente in einem Stoff enthalten sind oder wenn sie einer Gasatmosphäre oder Flüssigkeit ausgesetzt sind, dann stoßen diese Methoden rasch an ihre Grenzen. Im Spezialforschungsbereich TACO arbeiten experimentelle und theoretische Gruppen aus Physik und Chemie der TU Wien und Universität Wien eng zusammen, um solche Methoden einen großen Schritt vorwärts zu bringen. Dabei werden insbesondere Ansätze des maschinellen Lernens eingesetzt, die Modellrechnungen ganz drastisch beschleunigen können. Das Projekt konzentriert sich dabei auf Oxide, also Verbindungen von Metallen mit Sauerstoff. Diese Materialien gehören zu den häufigsten anorganischen Stoffen auf unserer Erde. Je nach Zusammensetzung ändern sie ihre chemischen und physikalischen Eigenschaften. Dies ist zugleich Fluch und Segen: Die Vielzahl ihrer Strukturen, gerade an den Oberflächen, sind besonders schwierig mit Modellen in den Griff zu bekommen. Andererseits ermöglicht es diese weite Bandbreite, Materialeigenschaften zu erzielen, die für technologische Anwendungen maßgeschneidert sind. Oxide kommen in der Energiespeicherung, bei der Umwandlung von Sonnenenergie in chemische Energie und in Katalysatoren zum Einsatz. Gerade in diesen Gebieten hakt es oft daran, dass die zugrundeliegenden Prozesse und Phänomene gut verstanden werden müssen, um bessere Konzepte realisieren zu können. Die im SFB entwickelten Methoden und Forschungsergebnisse sollen dazu einen wesentlichen Beitrag leisten. Das Projektteam hat eine Vielzahl von experimentellen Methoden zur Verfügung und kann damit ein Material unter verschiedensten Bedingungen untersuchen von Einkristallen im Vakuum bis zu technischen Pulverproben unter Reaktionsbedingungen. Eine wichtige Rolle spielen sogenannte hand-shake Methoden, die von allen beteiligten Arbeitsgruppen gleichermaßen benützt werden damit ist die Übertragbarkeit der Ergebnisse gewährleistet. Die theoretischen Arbeitsgruppen wenden verschiedene Ansätze des maschinellen Lernens an, von Computervision bis hin zur Modellierung von Oberflächenreaktionen und -spektren. Diese Methoden werden in enger Zusammenarbeit mit den experimentellen Gruppen getestet und verfeinert.
-
Konsortiumsmitglied (1.3.2021 - 28.2.2025)
-
Konsortiumsmitglied (1.3.2021 - 28.2.2025)
-
Konsortiumsmitglied (1.3.2021 - 28.2.2025)
-
Konsortiumsmitglied (1.3.2021 - 28.2.2025)
-
Konsortiumsmitglied (1.3.2021 - 28.2.2025)
-
Konsortiumsmitglied (1.3.2021 - 28.2.2025)
-
Konsortiumsmitglied (1.3.2021 - 28.2.2025)
-
Konsortiumsmitglied (1.3.2021 - 28.2.2025)
-
Konsortiumsmitglied (1.3.2021 - 28.2.2025)
- Technische Universität Wien
Research Output
- 5 Zitationen
- 4 Publikationen
-
2024
Titel Engineering Materials for Catalysis DOI 10.3390/catal14050293 Typ Journal Article Autor Pintar A Journal Catalysts Seiten 293 Link Publikation -
2024
Titel Infrared reflection absorption spectroscopy setup with incidence angle selection for surfaces of non-metals DOI 10.1063/5.0210860 Typ Journal Article Autor Rath D Journal Review of Scientific Instruments Seiten 065106 Link Publikation -
2024
Titel Highly Stable Self-Cleaning Paints Based on Waste-Valorized PNC-Doped TiO2 Nanoparticles DOI 10.1021/acscatal.3c06203 Typ Journal Article Autor Maqbool Q Journal ACS Catalysis Seiten 4820-4834 Link Publikation -
2024
Titel Spatially resolved uncertainties for machine learning potentials DOI 10.26434/chemrxiv-2024-k27ps Typ Preprint Autor Heid E Link Publikation