Grönt väte utan iridium: chipet som sänker kostnaden

Iridium kostar runt 5 000 USD per uns och är så sällsynt att det helt enkelt inte finns tillräckligt i världen för att skala grön vätgas i den takt många planer kräver. Det här är inte en teknisk detalj – det är en flaskhals som påverkar investeringar, leveranssäkerhet och priset på fossilfri industri.

I augusti 2025 visade forskare vid Northwestern University, tillsammans med Toyota Research Institute, något som jag tycker är mer intressant än ännu en “ny katalysator”: de visade att själva sättet vi hittar material på kan ändras. Med en så kallad nanopartikel-megabibliotek på ett litet chip screenade de 156 miljoner katalysatorvarianter och hittade en iridiumalternativ blandning som i labbtest matchade – och ibland överträffade – iridium för den svåra syrgasutvecklingsreaktionen (OER) i vattenspjälkning. Och den var cirka 1/16 av kostnaden.

För dig som jobbar med energi, hållbarhet och digitalisering är detta extra relevant: megabiblioteket är i praktiken en datagenerator för materialforskning. Det är exakt den typ av “bränsle” som gör att AI inom energi och hållbarhet kan gå från snygga prognoser till konkreta, fysiska genombrott.

Varför iridium bromsar grön vätgas

Svar först: Iridium bromsar grön vätgas eftersom det är både för dyrt och för sällsynt för att kunna användas i den volym elektrolysörer kräver.

Grön vätgas produceras ofta via elektrolys: elektricitet (helst från vind/sol/vattenkraft) spjälkar vatten till väte och syre. Den riktigt jobbiga delen är OER (oxygen evolution reaction), där syre ska bildas. Reaktionen är trög, energikrävande och sliter hårt på materialen – särskilt i sura miljöer (som i vissa typer av PEM-elektrolysörer).

I dag är iridiumbaserade katalysatorer standard för OER i sur drift eftersom de kombinerar aktivitet och stabilitet på ett sätt få andra material klarar. Men priset och tillgången gör ekvationen ohållbar:

• Leveransrisk: Iridium utvinns ofta som biprodukt i annan gruvdrift. Du kan inte bara “skala upp iridium” för att världen vill ha mer vätgas.
• Kostnadsrisk: Katalysatorkostnad påverkar både capex och bankbarheten i projekt. Dyra, sällsynta material skapar osäkerhet i kalkylen.
• Geopolitik: Kritiska material tenderar att koncentreras i få leveranskedjor. Det ger volatilitet och strategiska risker.

Min erfarenhet är att många vätgasdiskussioner fastnar i elpris och verkningsgrad. Det är viktiga frågor, men materialtillgång är den där tysta faktorn som kan välta en hel expansionsplan.

Megabiblioteket: en “datafabrik” för nya katalysatorer

Svar först: Megabiblioteket fungerar som en massivt parallell experimentplattform där miljontals nanopartiklar med olika sammansättningar skapas och testas på rekordtid.

Traditionell materialutveckling är ofta långsam: du väljer ett par kandidater, syntetiserar, testar, misslyckas, justerar. Iterationerna tar tid och varje labbserie är dyr. Här kommer megabibliotek-idén in:

• På ett litet chip skapas enorma mängder nanopartiklar.
• Varje “punkt” på chipet innehåller en avsiktligt designad kombination av metallsalter.
• Vid upphettning reduceras salterna och bildar en nanopartikel med definierad sammansättning och storlek.
• En robotiserad scanner läser av vilka som presterar bäst för OER.

Forskarna beskriver det som att ha “en hel armé av forskare på ett chip”. Jag gillar den bilden, men det viktiga för energisektorn är följande:

När experiment blir billiga och parallella förändras innovationshastigheten mer än när en enskild katalysator blir lite bättre.

Det här är dessutom precis den typ av experimentdesign som gör AI praktiskt användbart. För att maskininlärning ska vara mer än en powerpoint behöver du:

1. Stora dataset (inte 50 datapunkter)
2. Hög kvalitet (standardiserade mätningar)
3. Brett variationsutrymme (många sammansättningar)

Ett megabibliotek producerar just det.

Resultatet: fyra billiga metaller som slår iridium i test

Svar först: Den bästa kandidaten var en oxid med exakt sammansättning Ru 52 Co 33 Mn 9 Cr 6, som visade hög aktivitet och stabilitet i sur miljö.

Chipet innehöll 156 miljoner partiklar byggda av kombinationer av fyra relativt vanliga metaller: rutenium, kobolt, mangan och krom. Efter screening valdes toppkandidater ut för djupare labbtester.

En sammansättning stack ut: en fyrmetalls-oxid där rutenium står för hög aktivitet, medan de andra metallerna bidrar till att stabilisera materialet – vilket är avgörande eftersom rutenium ofta ses som mer instabilt under OER.

Två datapunkter är särskilt lätta att ta med sig:

• Drifttid: mer än 1 000 timmar med hög effektivitet och stabilitet i hård sur miljö.
• Kostnad: ungefär en sextondel av iridiumbaserade material.

Den här kombinationen är sällsynt. Ofta får man välja: hög aktivitet men dålig livslängd, eller tvärtom. Här rapporteras båda samtidigt, vilket är varför fyndet är intressant även för kommersialisering.

Varför “skala upp” är den verkliga tröskeln

Svar först: Många katalysatornyheter faller på att de inte fungerar i realistiska elektrolysörmiljöer eller går att tillverka i volym – här visades tidigt att materialet kan fungera i en enhet.

Det finns ett klassiskt glapp mellan “funkar i labb” och “funkar i en stack”. Det handlar om:

• bindemedel, porositet och beläggning
• mass- och värmetransport
• degradering över tid (särskilt vid dynamisk drift)
• kompatibilitet med membran och övriga komponenter

Det intressanta i studien är att teamet inte bara hittade en kandidat snabbt – de tog den vidare mot enhetsdemonstration. Det minskar risken att vi pratar om ännu ett material som aldrig lämnar artikeln.

Där AI kommer in: från chipdata till snabbare materialdesign

Svar först: AI accelererar materialutveckling när den tränas på stora, konsekventa dataset som kopplar sammansättning och process till prestanda och stabilitet.

I “AI inom energi och hållbarhet”-serien pratar vi ofta om AI i drift: lastprognoser, optimering av energisystem, smarta nät. Men AI kan också angripa ett tidigare steg i kedjan: vilka material som över huvud taget gör tekniken billig nog att skala.

Megabiblioteket skapar en ny arbetsmetod:

1. Generera massdata från systematiska variationer (156 miljoner kandidater är ett helt annat landskap än traditionella studier).
2. Träna modeller som kan förutsäga aktivitet/stabilitet för nya kombinationer.
3. Föreslå nästa experiment (aktiv inlärning) i stället för att forskare chansar.
4. Stäng loopen: modell → ny syntes → ny mätning → bättre modell.

Det här är i praktiken en material-variant av hur många svenska energibolag jobbar med driftsoptimering: mätning, modellering, feedback. Skillnaden är att “systemet” här är ett material i nanoskala.

En konkret effekt för energisystemet

Om grön vätgas blir billigare och mindre beroende av sällsynta metaller får det följdeffekter:

• Bättre integration av vind och sol: elektrolys kan agera flexibel last när elen är billig och riklig.
• Färre stopp i projektpipeline: mindre exponering mot kritiska material kan göra fler projekt finansierbara.
• Starkare case för fossilfri industri: stål, kemi och raffinaderier behöver både pris och volym.

Det är därför en katalysatornyhet kan vara energipolitik i praktiken.

Vad svenska företag kan göra redan 2026

Svar först: Börja behandla material- och leveranskedjedata som en strategisk AI-fråga – inte bara en inköpsfråga.

Du behöver inte driva eget nanolabb för att dra nytta av trenden. Här är tre tydliga, praktiska spår jag tycker fler borde ta:

1) Gör “kritiska material” till en del av teknikvalet

När ni utvärderar elektrolys, batterier eller annan ren teknik: bedöm inte bara verkningsgrad och pris i dag, utan även materialberoende och skalbarhet.

• Vilka metaller är flaskhalsar?
• Hur ser prisvolatiliteten ut?
• Finns det realistiska substitut?

Det här blir bättre beslutsunderlag för både hållbarhetsmål och riskhantering.

2) Bygg AI-kompetens som förstår både data och kemi

Många organisationer har data scientists och energispecialister, men glappet mot material/kemiprocess är stort. Skapa tvärteam där AI-kompetensen kan arbeta mot:

• experimentdata (från partners, leverantörer eller forskningsprojekt)
• kvalitetsdata från drift (degradering, föroreningar, driftcykler)
• livscykeldata (CO₂, resursanvändning)

Det är i korsningen mellan dessa som de bästa besluten kommer.

3) Kräv “dataset-tänk” av era innovationspartners

När ni samarbetar med universitet, startups eller leverantörer: fråga inte bara efter en prototyp. Fråga efter mätprotokoll, datakvalitet och reproducerbarhet.

AI blir användbart först när data går att återanvända och jämföra.

Den snabbaste vägen till sänkta kostnader är ofta bättre experimentdesign, inte fler workshops.

Vätgasens nästa flaskhalsar (och varför de är hanterbara)

Svar först: Även med billigare OER-katalysator återstår systemutmaningar – men de är mer ingenjörsmässiga än geologiska.

Anta att iridiumbehovet minskar kraftigt. Då flyttas fokus till andra punkter:

• Tillverkning i volym: går den nya katalysatorn att producera med stabil kvalitet och rimlig yield?
• Standardisering: hur testas livslängd så att banker och försäkringsbolag litar på siffrorna?
• Dynamisk drift: kan den hantera snabba lastförändringar när elpriser varierar timme för timme?
• Systemoptimering: hur styr vi elektrolys och lagring med AI så att den körs när det är bäst för nätet och ekonomin?

Skillnaden är att dessa frågor är byggbara. De kräver ingen ny sällsynt metall i marken.

Nästa steg: från “en bra katalysator” till en ny norm för innovation

Den mest värdefulla lärdomen här är inte bara att en fyrmetalls-oxid kan konkurrera med iridium. Det är att materialupptäckt kan bli snabb, datadriven och skalbar – vilket passar perfekt in i hur energisektorn redan arbetar med digitalisering.

Om du vill driva leads och faktiska projekt i “AI inom energi och hållbarhet” är min rekommendation enkel: prata inte bara om AI som ett verktyg för drift. Prata om AI som ett verktyg för att göra själva hårdvaran billigare, mer robust och mindre beroende av kritiska material.

Vilken del av er energikedja – elektrolys, batterier, nätkomponenter eller processvärme – skulle förändras mest om materialutveckling gick från år till veckor?