C. Bizzarri, KIT

Die im Wettbewerb vergebenen YIN Grants bieten ein Startbudget zur Erprobung und Entwicklung vielversprechender Ideen. Der beste Antrag wird zudem mit dem YIN Award ausgezeichnet und vom Vizepräsidenten für Forschung signiert. In diesem Jahr geht er an Claudia Bizzarri und Manuel Tsotsalas. Sie wollen mithilfe photoaktiver mikroporöser metall-organischer Gerüst-verbindungen CO2 aus der Umwelt absorbieren und in wertvolle Chemikalien umwandeln. Philip Willke und Pascal Friederich erhalten einen YIN Grant, um mit maschinellem Lernen Daten aus der Rastertunnelmikroskopie zu analysieren und daraus neue physikalische Erkenntnisse zu gewinnen. Katharina Scherf und Ulrike van der Schaaf untersuchen, wie sich gesunde Pflanzenöle so umwandeln lassen, dass sie in Gebäck butterähnliche Eigenschaften annehmen.

Volker Presser, INM

Die Trennung von Batterie- und Kondensator-Technologie überwindend, verfolgen Wissenschaftler den kontinuierlichen Übergang zwischen beiden Energiespeichermechanismen. Ihr Ziel ist es, das Beste aus beiden Welten zu vereinen: Batterien speichern viel Energie, brauchen aber Zeit zum Laden; Super-Kondensatoren laden sehr schnell, doch ihre Energiedichte ist begrenzt. „Indem wir den Platz für den Elektrolyten in der Batterieelektrode vergrößern, können sich Ladungsträger auch mit Teilen ihrer Lösemittelhülle dort einlagern“, so Erstautor Simon Fleischmann. „Mit zunehmender Umhüllung verringert sich die Wechselwirkung der Ionen mit der Elektrode und wir beobachten den allmählichen Übergang zu einem Doppelschicht-Verhalten wie im Superkondensator.“

Markus Breig, KIT

Starke Windböen können großen Schaden anrichten. Frühzeitige und verlässliche Vorhersagen sind daher entscheidend. „Im Vergleich sind KI-Methoden dabei klassischen statistischen Ansätzen deutlich überlegen, da sie es erlauben, neue Informationsquellen wie geografische Gegebenheiten oder weitere meteorologische Variablen wie Temperatur und  Sonnenstrahlung besser miteinzubeziehen“, so Sebastian Lerch, Leiter der Nachwuchsgruppe „KI-Methoden für probabilistische Wettervorhersagen“. Insbesondere könnten neuronale Netze aus den verfügbaren großen Datenmengen komplexe, nicht-lineare Zusammenhänge lernen, um so die systematischen Fehler in den Ensemble-Vorhersagen zu korrigieren.