Das DLR-Institut für Future Fuels will erneuerbare Ressourcen verfügbar machen, um fossile Ressourcen zu ersetzen: Luft + Wasser + eine riesige Menge erneuerbarer Energien, mit denen günstig und im großtechnischen Maßstab solche Future Fuels hergestellt werden können. Die Entwicklung neuer Materialien für die Gewinnung und Speicherung ist dabei eine große Herausforderung, bei der Quantencomputer unterstützen können. Ulrich Biedermann, Leiter des QCMineral-Arbeitspakets QUADRANT erklärt im Interview die Entwicklungsziele, und wie das QML-Startup Tensor AI (jüngst mit einem F&E-Auftrag bezuschlagt) die Forschung und Entwicklung unterstützt.
Warum ist euer Ansatz für die Entwicklung neuer Materialien für die Energiegewinnung und -speicherung in QCMineral spannend?
Wir suchen gezielt nach Alternativen zu etablierten Verfahren wie Photovoltaik in Kombination mit elektrochemischer Wasserspaltung oder CO₂-Reduktion. Ein zentraler Treiber ist der Wirkungsgrad. Thermochemische Zyklen sind hier besonders vielversprechend, weil sie theoretisch Wirkungsgrade von bis zu 40 Prozent erreichen können.
Was sind thermochemische Zyklen und wodurch erreichen sie hohe Wirkungsgrade?
Thermochemische Zyklen sind Verfahren, bei denen Wärme – meist aus Sonnenenergie oder industrieller Abwärme – genutzt wird, um chemische Reaktionen in mehreren Schritten ablaufen zu lassen. Dabei werden Stoffe zyklisch umgesetzt und am Ende wieder regeneriert. So lässt sich Wärme effizient in chemische Energie umwandeln, etwa zur Herstellung von Wasserstoff oder anderen Brennstoffen, ohne dass die eingesetzten Materialien verbraucht werden.
Der entscheidende Vorteil ist, dass sich Sonnenstrahlung vollständig in Wärme umwandeln lässt. Diese Wärme kann anschließend relativ effizient in chemische Energie überführt werden – vorausgesetzt, man findet das dafür optimale Material. Genau hier liegt derzeit noch eine große Herausforderung, an der wir intensiv arbeiten.
Was macht die Materialsuche so anspruchsvoll?
Für die Bewertung geeigneter Materialien müssen wir sowohl die Thermodynamik, also die erreichbaren Wirkungsgrade, als auch die Kinetik, also Reaktionsbarrieren, sehr genau kennen. Dafür benötigen wir hochpräzise Energieberechnungen – und genau da stoßen heutige Standardmethoden an ihre Grenzen. Die dafür gängige Methode, die Dichtefunktionaltheorie (DFT), ist für viele Systeme nicht genau genug. Besonders bei Übergangsmetallen mit stark korrelierten Elektronen treten systematische Fehler auf. Damit lässt sich die notwendige chemische Genauigkeit nicht erreichen.
Gibt es keine genaueren klassischen Methoden?
Die gibt es, zum Beispiel die exakteren wellenfunktionsbasierten Verfahren. Sie sind aber für realistisch große und komplexe Systeme rechnerisch zu aufwendig. Sie lassen sich praktisch nicht auf die Materialsysteme anwenden, die für reale Prozesse relevant sind.
Und hier kommen Quantencomputer ins Spiel?
Genau, Quantencomputer sind besonders gut geeignet, die quantenmechanischen Eigenschaften von Elektronen zu beschreiben, insbesondere Korrelationen. Genau diese Effekte sind für die Materialeigenschaften entscheidend. Mit Qubits lassen sich diese Phänomene prinzipiell natürlicher und effizienter abbilden als mit klassischen Rechnern.
Welche Bedeutung haben Tensor-Netzwerke dabei?
Der mathematische Formalismus der Tensor-Netzwerke, den unser Auftragnehmer Tensor AI Solutions einbringt, ist besonders leistungsfähig. Er erlaubt es, Quanteneigenschaften wie Verschränkung und Superposition effizient zu beschreiben und gezielt zu nutzen. Das ist ein zentraler Baustein, um mit Quantencomputing in der Materialsimulation voranzukommen.
Was sind spannende Materialeigenschaften, die man so gezielt entwickeln kann?
Neben dem Wirkungsgrad optimieren wir auch die Lebensdauer der Materialien. Dafür berechnen wir Eigenschaften wie thermische und chemische Volumenausdehnung sowie mechanische Stabilität. Gleichzeitig müssen die Materialien umweltfreundlich sein, also ungiftig, ohne kritische Rohstoffe und wirtschaftlich herstellbar.
Im Projekt QCMineral geht es aber neben der Gewinnung auch um die Speicherung von Energie.
Auch hier spielen Wirkungsgrad und natürlich die Energiedichte eine zentrale Rolle. Entscheidend ist, wie viel Hochtemperaturwärme sich pro Volumen oder Masse speichern lässt. Wenn wir neben fühlbarer Wärme auch chemische Energie speichern, steigt die Energiedichte deutlich, und die Wärmeverluste durch Isolation sinken.
Was ist dabei die Herausforderung?
Die Reaktions- oder Redoxenergie des Materials muss exakt auf die jeweilige Arbeitstemperatur abgestimmt sein. Jede Anwendung hat ihren eigenen Temperaturbereich. Deshalb müssen wir das aktive Material gezielt optimieren – und dafür wiederum die Energien sehr genau berechnen, um die beste Materialzusammensetzung vorhersagen zu können. Quantencomputer können dafür eine große Hilfe sein.
