Makro-Bausteine zur Anwendung in der Medizintechnik und im Energiesektor

Mit maschinellem Lernen zu neuen supramolekularen Materialien

Supramolekulare Materialien sind eine breite und vielfältige Materialklasse. Sie sind aus verschiedenen molekularen Bausteinen aufgebaut, die auf unterschiedlichste Weise miteinander kombiniert werden können. Diese Makrobausteine können aus einer Vielzahl von Elementen bestehen wie Kohlenstoff oder diversen Metallen. Manche dieser Bausteine sind dazu in der Lage, metallbasierte Käfigkomplexe zu bilden, die andere chemische Verbindungen in ihrem Inneren einschließen können. Die einzelnen Funktionsbausteine werden durch sogenannte nicht-kovalente Verbindungen zusammengehalten wie beispielsweise Wasserstoffbrückenbindungen oder hydrophobe/elektrostatische Wechselwirkungen. Im Vergleich zu kovalenten Bindungen sind nicht-kovalente Verbindungen wesentlich vielfältiger und potenziell umkehrbar.

„Aufgrund der großen Vielfältigkeit dieser Materialien ist es möglich, eine unfassbar große Anzahl an Komponenten mit unterschiedlichen Eigenschaften zu erzeugen – das macht supramolekulare Materialien zu hervorragenden Werkzeugen für unzählige Anwendungsbereiche“, so Prof. Angela Casini, Co-Koordinatorin des Netzwerks und Professorin für Medizinische und Bio-anorganische Chemie. Weiterhin ergänzt sie: „Aber gerade eben weil es so unglaublich viele unterschiedliche Kombinationsmöglichkeiten gibt, ist das Finden des optimalen Materials vergleichbar mit der Suche nach der Nadel im Heuhaufen.“

Bei dieser Suche sollen die Wissenschaftlerinnen und Wissenschaftler zukünftig durch maschinelles Lernen unterstützt werden. Das Team hat unterschiedliche Pläne, wie Künstliche Intelligenz im Bereich der Materialwissenschaften eingesetzt werden könnte. „Unser Hauptziel ist, Computern beizubringen, die beste Kombination von Molekülen für ganz bestimmte Anwendungen vorherzusagen. Dafür müssen wir aber erst einmal erforschen, wie viele und welche Daten über supramolekulare Materialien den Computern zur Verfügung gestellt werden müssen, um verlässlich Verbindungen vorhersagen zu können“, sagt Alessio Gagliardi. Auch könnte Künstliche Intelligenz dafür genutzt werden, atomistische Simulationen für molekulare Eigenschaften zu beschleunigen.

Ein weiteres Forschungsfeld von ARTEMIS ist die effiziente Produktion von Wasserstoff im Kontext von Brennstoffzellen. Diese verwenden üblicherweise platinbasierte Katalysatoren, um die chemischen Reaktionen zu beschleunigen. Allerdings ist Platin äußerst teuer, sodass mit einer möglichst geringen Masse eine möglichst hohe Ausgangsleistung erzielt werden muss. Eine Möglichkeit das zu erreichen ist es, strukturierte Platin-Nanopartikel mit einer ganz speziellen Form und Größe zu verwenden. Bis jetzt können solche Nanopartikel aber noch nicht in großen Mengen hergestellt werden.

Alessio Gagliardi erklärt: „Wenn wir es schaffen, sogenannte metall-organische Gerüstverbindungen, englisch metal-organic frameworks, kurz MOFs, zu erzeugen, die als eine Art Nanokäfige den Platinausgangsstoff effizient einfangen, dann könnten wir die richtigen Nanopartikel mit hoher Präzision herstellen und somit die benötigte Platinmasse stark verringern. Autos mit Wasserstoffantrieb wären dann wesentlich günstiger.“ Mittels rechnergestützter Verfahren sucht das Team deshalb nach supramolekularen Verbindungen, um MOFs effektiv zu entwickeln.

Im TUM Innovation Network ARTEMIS arbeiten Forschende aus fünf unterschiedlichen Bereichen der Universität zusammen – Chemie, Elektro- und Informationstechnik, Informatik, Maschinenwesen und Physik. Darüber hinaus sind sie eng vernetzt mit dem TUM Catalysis Research Center und dem Munich Data Science Institute. „Am Anfang hatten wir mit Verständigungsproblemen zwischen den Menschen aus unterschiedlichen Disziplinen zu kämpfen. Wir mussten gegenseitig lernen die wissenschaftliche Sprache der anderen zu verstehen – in der Chemie werden andere Ausdrücke genutzt als im Ingenieurwesen. Aber dieser Austausch hat unseren persönlichen Horizont erweitert und den Weg für neue Ideen geebnet“, sagt Angela Casini.

Neben den anfänglichen Problemen hat das interdisziplinäre Team aber schon erste wissenschaftliche Erfolge vorzuweisen: dem Team ist es gelungen, Künstliche Intelligenz zur Unterscheidung der Oberfläche von vorkommenden Biofilmen und Blättern einzusetzen. Indem sie die kritischen Oberflächenfaktoren identifizierten, konnten die Proben korrekt nach ihrem Benetzungsverhalten sortiert werden.

Die TUM Innovation Networks fördern Pioniergeist und transdisziplinäre Forschung. Sie bringen Forschungsgruppen zusammen, um deren gemeinsame Kreativität und wissenschaftliche Expertise freizusetzen und leistungsstarke Innovationsfelder an den Schnittstellen klassischer Disziplinen zu formen. Jedes dieser Projekte wie ARTEMIS läuft über vier Jahre und wird von der Universität mit bis zu drei Millionen Euro gefördert. Die Teams der Innovation Networks bestehen aus bis zu zehn Promovierenden und Postdocs zusammen mit sieben bis zehn Principal Investigators. Jedes Jahr werden in einem dreistufigen Auswahlprozess ein oder zwei neue Netzwerke ausgewählt. Die TUM Innovation Networks sind zentraler Bestandteil der TUM Agenda 2030 und werden gefördert vom Bundesministerium für Bildung und Forschung (BMBF) und dem Freistaat Bayern im Rahmen der Exzellenzstrategie von Bund und Ländern.

Der Artikel wurde bereits auf der Webseite "Research in Bavaria" des Bayerischen Staatsministeriums für Wissenschaft und Kunst veröffentlicht.

Link zum Artikel über ARTEMIS auf der Webseite "Research in Bavaria"