Hydrogen production via water electrolysis is key for a renewable energy landscape.
For the most promising electrolyzer iridium oxide is the only anode catalyst balancing activity and stability. In this thesis a method combining Machine Learning and Density Functional Theory is developed and applied to identify the global minimum structure of various iridium oxide surfaces via an iterative simulated annealing protocol. In cooperation the most relevant structure was experimentally validated.
Übersetzte Kurzfassung:
Die Wasserstoffproduktion durch Elektrolyse ist entscheidend für die Energiewende.
Für die Anode ist Iridiumoxid der einzige aktive und stabile Katalysator.
In dieser Arbeit wird eine Methode, die Maschinelles Lernen und Dichtefunktionaltheorie kombiniert, vorgestellt und angewendet, um die energetisch niedrigste Struktur diverser Iridiumoxidoberflächen über ein iteratives simulated annealing Protokoll zu bestimmen.
In Zusammenarbeit wurde die relevanteste Struktur experimentell validiert.