AI hittar billig katalysator för grön vätgas snabbare

Iridium kostar runt 5 000 USD per ounce och är så sällsynt att det helt enkelt inte räcker om världen menar allvar med storskalig grön vätgas. Det är en av de där flaskhalsarna som gör att energidebatten ibland känns bakvänd: vi pratar om att bygga nya elektrolysörer i gigawattklass – men glömmer att några gram av fel metall kan bromsa hela planen.

Det är därför jag fastnade för en forskningsnyhet som kommit att cirkulera i branschen under 2025: ett team vid Northwestern University, tillsammans med Toyota Research Institute, har använt ett litet chip – en så kallad nanopartikel-“megalibrary” – för att hitta en iridiumfri katalysator för vätgasproduktion på en eftermiddag. Och inte bara “nästan lika bra”, utan i labbtester lika bra eller bättre än iridium, med hög stabilitet och till en bråkdel av kostnaden.

För den här serien, AI inom energi och hållbarhet, är det här extra intressant av en anledning: genombrottet handlar inte bara om kemi. Det handlar om hur vi hittar material – och hur AI, robotik och datadriven forskning kan kapa åratal av utvecklingstid i energiomställningen.

Varför iridium är en bromskloss för grön vätgas

Svaret är enkelt: OER-steget (oxygen evolution reaction, syreutvecklingsreaktionen) är den dyra och tröga delen av vattenspjälkning i sur miljö, och iridium är den beprövade katalysatorn som klarar både aktivitet och korrosivitet.

OER – den energimässiga “jobbiga” halvan

Elektrolys delar vatten i väte och syre. Vätet vill många åt, men det är syresidan som ofta sätter tonen:

• OER är kinetiskt långsam och kräver hög överpotential.
• Sur driftmiljö (vanlig i PEM-elektrolys) är tuff mot de flesta material.
• Många katalysatorer som är aktiva (t.ex. rutenium) brukar vara sämre på stabilitet.

Konsekvensen i praktiken: elektrolys blir dyrare, material slits snabbare och storskalighet begränsas av en råvara med svag leveranskedja.

“Det finns inte tillräckligt med iridium” är inte retorik

Forskarna bakom studien uttrycker det rakt: det finns inte tillräckligt iridium i världen för att möta den vätgasutbyggnad som många planer bygger på. Och även om priset går upp (vilket det gör när efterfrågan ökar) så löser det inte geologin.

Det här är en typisk systemrisk i energiomställningen: vi kan ha kapital, politiska mål och teknik – men fastna i materialförsörjning.

Megalibrary på ett chip: materialforskning i fabriksfart

Kärnan i nyheten är metoden: 156 miljoner unika nanopartiklar på ett enda chip, där varje “punkt” är en medvetet designad blandning av metallsalter som efter upphettning blir en specifik nanopartikel.

Det här är en stor grej av ett skäl: materialupptäckt har traditionellt varit långsam. Man testar en sammansättning, justerar lite, testar igen. Det funkar när du har tio kandidater. Det faller samman när du har miljontals möjliga kombinationer.

En “armé av labb” i miniatyr

Forskarna beskriver det som att varje spets på chipet är som en egen liten forskare i ett litet labb. Poängen är inte poetisk – den är produktivitetsmässig:

• Massiv parallellisering av syntes (tillverkning av material)
• Standardiserade provpunkter (jämförbara data)
• Robotiserad screening som snabbt hittar toppkandidater

Resultatet blir en datafabrik för nanomaterial.

Där AI kommer in på riktigt

När du producerar dataset i den här skalan blir nästa flaskhals inte labbet – utan urvalet. Vilka kandidater ska skalas upp? Vilka mönster i sammansättning ger både aktivitet och stabilitet?

Här är min tydliga take: utan maskininlärning kommer megalibraries att vara underutnyttjade.

AI kan användas för att:

1. Förutsäga lovande sammansättningar innan du ens syntetiserar dem (active learning)
2. Hitta icke-intuitiva kombinationer (mönster som inte syns i 2D-diagram)
3. Optimera mot flera mål samtidigt: aktivitet, stabilitet, kostnad, tillgång, miljöprofil
4. Minska behovet av “brute force”-screening över tid

Det intressanta är att forskargrupper kopplade till arbetet redan utvecklat ML-algoritmer som kan sålla i megalibrary-data snabbt. Det är precis den riktning energiindustrin behöver: material discovery som en datadriven pipeline.

Den nya katalysatorn: fyra vanliga metaller som spelar i samma lag

Direkt svar: den vinnande sammansättningen i studien var en oxid av rutenium, kobolt, mangan och krom med ungefärlig komposition Ru 52 Co 33 Mn 9 Cr 6.

Det som gör den här typen av multimetall-katalysatorer intressanta är synergieffekter: en metall kan bidra med aktivitet, en annan med stabilitet, en tredje med struktur eller elektroniska egenskaper.

Varför kombinationen kan vara bättre än “en bra metall”

Rutenium är känt för hög aktivitet i OER, men brukar ha stabilitetsproblem i sur miljö. Studien visar att de andra elementen i mixen kan stabilisera rutenium.

Det är exakt den typen av “kemisk laguppställning” som människor ofta missar vid manuell materialdesign. Inte för att vi är dåliga, utan för att sökrymden är absurd.

Siffror som är lätta att bära med sig

Några datapunkter från arbetet är särskilt användbara för beslutsfattare:

• Chipet innehöll 156 000 000 unika nanopartiklar.
• Katalysatorn kördes i långtest i över 1 000 timmar med hög effektivitet och stabilitet i sur miljö.
• Kostnaden uppgavs vara cirka 1/16 av iridium-baserade material.

Det här betyder inte att vi kan beställa tonvis i morgon. Men det betyder att “iridiumflaskhalsen” inte längre är en naturlag.

Vad betyder detta för svensk energi och industri 2026?

Kort svar: om metoden skalar industriellt kan den sänka CAPEX/OPEX för elektrolys, minska leveransrisk och göra grön vätgas mer realistisk för tung industri – vilket är extra relevant i Norden.

Var grön vätgas faktiskt behövs (inte bara som buzzword)

I Sverige är vätgas mest meningsfull där elektrifiering är svår eller där vätgas är ett insatsmedel:

• Stål och metallurgi (t.ex. reduktion och processgas)
• Kemisk industri (ammoniak, metanol, raffinaderier under omställning)
• Säsongslagring och balans, i vissa scenarier
• Tung transport i nischer där batterier inte räcker (beroende på logistik)

Men affären spricker om elektrolysörerna blir dyra att bygga, dyra att underhålla eller beroende av en extremt sällsynt metall. Där träffar den här typen av katalysatorutveckling rakt in.

AI + materialdata + energisystem = konkurrensfördel

Här är en konkret strategi jag tycker fler energibolag och industrikoncerner borde driva 2026:

• Bygg interna eller partnerskapsbaserade material- och processdataset (från labb, pilot och drift)
• Använd ML för att koppla ihop materialval med driftdata (temperatur, strömtäthet, degradering)
• Kör “closed loop”-utveckling: labb → modell → ny kandidat → snabb test → uppdaterad modell

Det är samma logik som inom smarta elnät och prognoser – fast flyttad till material och elektrolys.

Frågor jag får ofta: “Betyder detta att problemet är löst?”

Direkt svar: nej, men det flyttar gränsen för vad som är möjligt och vad som är rimligt att investera i.

1) Är 1 000 timmar tillräckligt?

Det är lovande, men industriella mål kan kräva betydligt längre livslängd och robusthet över varierande last. Värdet här är att stabilitet i sur miljö redan visats på en nivå som filtrerar bort många kandidater.

2) Kan man verkligen skala från chip till industri?

Skalning är ofta där bra labbresultat dör. Men en styrka i studien är att teamet skalade upp materialet och demonstrerade funktion i en enhet, vilket är mer relevant än “bara” elektrodtester på små prover.

3) Är rutenium också dyrt?

Rutenium är inte gratis, men poängen är att den totala mixen använder mer abundanta metaller och att den totala kostnaden uppges bli dramatiskt lägre än iridiumbaserade alternativ. Dessutom handlar det om försörjningsrisk och tillgång, inte bara spotpris.

Nästa steg: så kan företag använda insikten redan nu

Poängen för en CTO, innovationschef eller hållbarhetsansvarig är inte att kopiera exakt katalysatorformel. Poängen är att adoptera arbetssättet: snabbare materialval med AI-stöd.

Här är tre praktiska nästa steg jag tycker är rimliga att starta med under Q1 2026:

1. Kartlägg era materialflaskhalsar (inte bara i elektrolys): katalysatorer, batterikemi, membran, beläggningar, sensorer.
2. Sätt upp en datamodell för degradering: vilka driftvariabler driver åldrande, och hur mäts de?
3. Starta en pilot för “AI i labbet”: kombinera automatiserad testning (även i liten skala) med ML som föreslår nästa experiment.

Det här är lead-friendly av en anledning: när företag gör det här rätt går det att räkna hem både i kronor och i riskreduktion.

En mening jag gärna ser i fler projektplaner 2026: “Vi optimerar inte bara drift – vi optimerar materialvalet med data.”

Grön vätgas kommer att avgöras av elpriser, nätkapacitet och tillståndsprocesser. Men den kommer också att avgöras av något mer konkret: vilka material som faktiskt finns att köpa i volym. När ett chip kan leta igenom 156 miljoner kandidater och hitta en stabil, billigare OER-katalysator, då förändras spelplanen.

Om du jobbar med energi, industri eller infrastruktur i Sverige: vilka andra materialflaskhalsar skulle du vilja “skjuta sönder” med samma AI-drivna metodik?