Simulationsverfahren für Energieumwandlung und Speicherung

Quantenpower für die Energiespeicher von morgen

Mit Quantencomputern erforscht das Fraunhofer IPA und das Fraunhofer IAO die Schlüsselkomponenten für die Energiespeicher von morgen.

Bild: iStock, Just_Super
05.02.2026

Im DLR-QCI-Projekt „QCMineral | QUADRANT“ erforschen das Fraunhofer IPA, das Fraunhofer IAO und Tensor AI Solutions, wie Quantencomputer die Entwicklung neuer Redox-Materialien beschleunigen können. Mit dem Ziel besteht, präzisere Simulationen für die Energieumwandlung und -speicherung zu ermöglichen.

Im Rahmen des DLR-QCI-Projekts „QCMineral | QUADRANT“ untersucht das Fraunhofer IPA gemeinsam mit dem Fraunhofer IAO in einem Unterauftrag, der von Tensor AI Solutions geleitet wird, wie Quantencomputer die Entdeckung fortschrittlicher Redox-Materialien beschleunigen können. Diese Materialien sind Schlüsselkomponenten für Energiespeichertechnologien der nächsten Generation.

Quantenmodelle für realistische Materialsimulationen

Ziel der Arbeiten ist es, die praktischen Anforderungen an Quantenhardware für die Modellierung realistischer Materialien sowie für die Leistungsvorhersage in Anwendungen zur Energiespeicherung und -umwandlung zu verstehen. Einerseits leiten die Forscher mithilfe der Density Matrix Embedding Theory (DMET) genaue Hamiltonian-Modelle ab, die das stark korrelierte elektronische Verhalten in Redox-Materialien erfassen. Diese Modelle bilden die Grundlage für modernste Quanten- und Tensor-Netzwerksimulationen.

Andererseits bewerten die Forscher, inwieweit Quantenalgorithmen nutzbar sind, um die Grundzustandsenergie dieser komplexen Systeme zu berechnen. Durch die Einbringung ihres Fachwissens als Subunternehmer von Tensor AI Solutions tragen das Fraunhofer IPA und das Fraunhofer IAO als flaQship (Fraunhofer-Lab für anwendungsorientiertes Quantencomputing Stuttgart-Heilbronn) dazu bei, eine Brücke zwischen Quantencomputing und Materialwissenschaften zu schlagen und den Weg für effizientere, nachhaltigere Energielösungen zu ebnen.

Präzise Simulationen energieeffizienter Redox‑Materialien

Im Rahmen der DLR-Quantencomputing-Initiative (DLR QCI) wurde das High-Tech-Unternehmen Tensor AI Solutions vom Deutschen Zentrum für Luft- und Raumfahrt (DLR) für das Projekt „QCMineral | QUADRANT“ beauftragt. Ziel des Forschungs- und Entwicklungsprojekts ist die Simulation von Redox-Materialien, um Energie effizient zu erzeugen und zu speichern. Tensor AI Solutions bringt dabei seine Expertise in tensornetzwerkbasierter KI und Quantensimulation ein und koordiniert das Projekt auf Industrieseite. An der Umsetzung sind das Fraunhofer IAO und das Fraunhofer IPA als Unterauftragnehmer beteiligt, die ihre Expertise in Materialsimulation und Quantencomputing einbringen. Auf Seiten des Auftraggebers wird das Projekt am DLR-Institut für Materialphysik im Weltraum sowie am DLR-Institut für Future Fuels durchgeführt.

QCMineral ist ein Projekt der DLR-Quantencomputing-Initiative und wird durch Mittel des Bundesministeriums für Forschung, Technologie und Raumfahrt (BMFTR) ermöglicht. Redox-Materialien spielen eine zentrale Rolle bei der effizienten Umwandlung und Speicherung von Energie in thermochemischen Zyklen. Die gezielte Materialauslegung entscheidet darüber, wie effizient Wärme – etwa aus konzentrierter Sonnenstrahlung oder industrieller Abwärme – in chemische Energie umgewandelt werden kann. Für die Bewertung und Verbesserung dieser Materialien sind hochpräzise Berechnungen der quantenmechanischen Effekte erforderlich. Mit bisherigen Simulationsverfahren wie der Dichtefunktionaltheorie sind diese nur eingeschränkt möglich.

Quantencomputing als zentrales Simulationsverfahren

In der Erforschung neuer Materialien kann die Anwendung fortgeschrittener Simulationsverfahren, darunter der Einsatz von Quantencomputern und Tensornetzwerken, einen entscheidenden Vorteil bringen. Tensornetzwerke ermöglichen eine strukturierte, kontrollierbare und transparente Datenverarbeitung. Damit leisten sie einen wichtigen Beitrag zu nachvollziehbaren Simulationen und zu einer erklärbaren KI in einem hochkomplexen physikalisch-chemischen Anwendungsfeld.

Verwandte Artikel