Die Entwicklung nachhaltiger Energie ist ein faszinierendes und wachsendes interdisziplinäres Forschungsgebiet zur Bewältigung der Herausforderungen des 21. Jahrhunderts. Die Entdeckung neuartiger Materialien mit geeigneten Eigenschaften ist ein unverzichtbarer Schritt zur Realisierung erschwinglicher und hocheffizienter erneuerbarer Energiequellen. Ein typischers Beispiel ist die Geschwindigkeit, mit der die Entdeckung von Photokatalysatoren zur Zerlegung von Wasser in Wasserstoff- und Sauerstoffmoleküle durch Absorption von sichtbarem Licht vorangetrieben wird. Die entscheidende Herausforderung besteht darin, ein Material zu entwerfen, das alle notwendigen Kriterien besitzt, die für Prozesse bei der photokatalytischen Wasserspaltung erforderlich sind, wie z.B. mittlere Bandlücke, geeignete Bandkantenpositionen nach Wasser-Redox-Prozessen, ausreichend hohe Elektronenleitfähigkeit, minimale Elektron-Loch-Rekombination, günstig und leicht zu synthetisieren, und so weiter. Die rechnergestützte Materialwissenschaft verwendet grundlegende Regeln der Physik und Chemie, um Hochleistungsmaterialien auf atomistischer Ebene zu modellieren.

Das Hauptziel der Gruppe besteht darin, modernste Modellierungstechniken aus Physik, Chemie und Informatik zu entwickeln und anzuwenden, um neuartige Materialien mit Eigenschaften zu entdecken, die für Anwendungen im Bereich der nachhaltigen Energie geeignet sind. Wir entwickeln Techniken des maschinellen Lernens, die zuverlässige potentielle Energieoberflächen reproduzieren und gleichzeitig atomistische Simulationen bemerkenswert beschleunigen. Auf diese Weise sind längere Zeit- und größere Längenskalen in unseren Simulationen zugänglich. Gegenwärtig liegt der Schwerpunkt der Gruppe auf der Untersuchung von Kohlenstoffnitriden mit verschiedenen Zusammensetzungen mit dem Ziel thermodynamisch stabiler Morphologien mit spezifischen physikalischen und chemischen Eigenschaften. Aufgrund der Komplikationen, die von atomaren Wechselwirkungen in Kohlenstoffnitridmaterialien herrühren, ist es trotz der jüngsten enormen Fortschritte im Hochleistungsrechnen beeindruckend, ihre potentiellen Energielandschaften mit ab initio-Methoden gründlich zu erforschen. In diesem Zusammenhang verwenden wir globale Optimierungsalgorithmen in Verbindung mit maschinellem Lernen und Dichtefunktional-Tight-Binding-Methoden, um potenzielle Energieoberflächen von Kohlenstoffnitriden unter verschiedenen Bedingungen zu erforschen.