Harnessing Hydrogen by Optimized Ion-Conductive Metal-Organic Frameworks

Å utvikle brenselceller som effektivt kan konvertere hydrogen til elektrisitet er et kritisk steg i det grønne skiftet. I denne sammenheng, er brenselceller basert på ione-utvekslende membraner en av de mest lovende teknologiene. Imidlertid holdes denne teknologiens kommersielle potensial tilbake av at dagens ione-utvekslende membranene ikke klarer samtidig å oppnå høy ioneledningsevne, lave produksjonskostnader og høy robusthet. Metall-organiske nettverksstrukturer er en klasse av porøse materialer som har kanaler som fasiliterer høy ionledningsevne, noe som gjør dem til et de mest lovende materialene for neste generasjon ione-utvekslende membranener. For å utnytte det fulle potensialet til metall-organiske nettverksstrukturer er det et stort kunnskapsbehov for å forstå de underliggende molekylære mekanismene bak ionledning i metall-organiske nettverksstrukturer. For å tilfredsstille dette kunnskapsbehovet, vil vi i dette prosjektet utvikle maskinlæringsmodeller som er i stand til å beskrive på molekylær skala bevegelsene til ioner i metall-organiske nettverksstrukturer. Fra de simulerte bevegelsene til ionene i de metall-organiske nettverksstrukturene vil vi estimere ledningsevnen og validere mot eksperimenter. Ved å undersøke et variert sett med svært ledende metall-organiske nettverksstrukturer, vil vi forstå hva som gjør enkelte metall-organiske nettverksstrukturer til gode ionledere. Ved å bruke denne molekylære innsikten fra simuleringene, vil vi foreslå nye metall-organiske nettverksstrukturer med høy ledningsevne og potensiale som ione-utvekslende membraner i brenselceller.

The development of fuel cell technology capable of efficiently converting hydrogen into electricity is considered a critical component in the transition away from CO2-emitting energy sources. In this regard, ion exchange membrane fuel cells are gathering considerable interest due to their high electricity conversion rates. However, this technology's full commercial potential is held back by the performance-critical ion exchange membranes (IEM) failing to meet the challenges of achieving high ion conductivity, low manufacturing cost, and high robustness. Porous metal-organic frameworks (MOFs) exhibit channels that facilitate ion conduction, high structural stability, and chemical tunability, making MOFs a promising material for the next generation of IEMs. To exploit the full potential of MOFs, i.e., to rationally design MOFs, there is a knowledge need for understanding the underlying molecular mechanisms behind ion conduction inside MOFs. To satisfy this knowledge need, in H2O-MOF, we will develop a computational approach to model, understand, and optimize the ion conductivity in MOFs. Specifically, we will parameterize machine learning potentials for ions in MOFs on first-principles calculations to speed up molecular dynamics (MD) simulations by about three orders of magnitude. From the simulated real-time dynamics of the ions, we will extract the conductivity of the ion in the MOF from the diffusion coefficient through the Nernst-Einstein relation and validate it against experiments. By developing this modeling approach, we aim to describe ion conductivity in MOFs from first principles. By investigating a varied set of four highly conductive MOFs, we aim to understand what makes a MOF a good ion conductor. By applying the molecular insight from the real-time dynamics in the MD simulations, we aim to discover high-conductivity MOFs from first principles.