Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Accelerated Redox Catalysis through AI-driven Design of Electrodes

Descrizione del progetto

Apprendimento automatico per materiali destinati all’energia pulita

Le tecnologie di simulazione stanno diventando essenziali per la progettazione di nuovi materiali per le energie pulite, poiché permettono agli scienziati di studiare processi chimici complessi come l’elettrocatalisi, fondamentale per una produzione efficiente di idrogeno. Grazie al sostegno del programma di azioni Marie Skłodowska-Curie, il progetto ARCADE svilupperà un quadro di apprendimento automatico (ML, Machine Learning) in grado di prevedere le reazioni di trasferimento elettronico, collegando calcoli quantistici ad alta precisione con simulazioni su larga scala del comportamento dei materiali. Questo lavoro contribuirà a identificare la composizione ottimale del materiale per gli elettrodi, migliorando significativamente le prestazioni elettrocatalitiche per una produzione sostenibile di energia a idrogeno. Nel complesso, il progetto affronta tre aspetti chiave: l’integrazione degli effetti dovuti al campo elettrico sulla superficie dell’elettrodo nelle simulazioni di apprendimento automatico, la modellazione degli eventi di trasferimento degli elettroni e l’applicabilità a diversi materiali.

Obiettivo

The way in which new materials for clean energy are designed is changing rapidly. Thanks to powerful computer simulations, scientists can study chemical processes that were previously too complex to examine in detail. Electrocatalysis is one of them, as it plays a central role in producing clean fuels like hydrogen. Today, advances in machine learning (ML) are transforming catalysis studies by bridging the gap between two fields: high-precision quantum calculations, which describe matter at the atomic level, and large-scale classical simulations, which reveal the statistical properties necessary for understanding reactivity. The ARCADE project will leverage these advances to create the first ML framework designed specifically to understand and predict electron transfer reactions, key chemical processes that determine how efficient a material is at driving electrocatalysis. This tool will enable the prediction of the most promising materials for designing improved electrodes, which are essential components of electrochemical reactions driven by sustainable energy. This knowledge will inform the development of more efficient and sustainable hydrogen energy production, tackling a major priority of the European Union in its urgent transition to greener energy sources. ARCADE will address three major scientific challenges to achieve this: (1) incorporating the effect of the electric field created by an electrode into an ML-based simulation framework; (2) developing a reliable, user-friendly method to realistically model electron transfer events; and (3) ensuring the models can be applied to a wide range of material compositions. ARCADE will be hosted at the COSMO laboratory at EPFL under the guidance of Prof. Michele Ceriotti, providing an ideal environment for scientific innovation, collaboration and personal growth. By combining cutting-edge computational methods with urgent societal needs, ARCADE will help to create cleaner energy solutions.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) HORIZON-MSCA-2025-PF

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

ECOLE POLYTECHNIQUE FEDERALE DE LAUSANNE
Contributo netto dell'UE
€ 307 958,88
Indirizzo
BATIMENT CE 3316 STATION 1
1015 Lausanne
Svizzera
Regione
Schweiz/Suisse/Svizzera Région lémanique Vaud
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
Nessun dato