Het energiesysteem van de toekomst zal gebaseerd zijn op hernieuwbare energie, maar koolstof gebaseerde materialen zullen belangrijk blijven. Seizoensgebonden energieopslag en langeafstandstransport zal afhangen van e-fuels, gemaakt van gerecycleerde CO2 en klimaatneutrale H2. Terwijl de omzetting van CO naar jet fuel een van de grootste katalytische processen is (Fischer-Tropsch Synthese, CO-FT), kampt de directe omzetting van CO2 naar jet fuel (CO2-FT) met lage selectiviteit en lage koolstofefficiëntie. Directe omzetting van CO2 naar jet fuel vereist een goede balans tussen sites voor CO2 activatie en ketengroei. Hoewel gepromote ijzerkatalysatoren het meest beloftevol zijn, kunnen kobalt gebaseerde FT katalysatoren ook gemodificeerd worden tot CO2-FT katalysatoren mits toevoeging van geschikte promotors. Op het LCT is een gedetailleerd model voor de structuur en kinetiek van Co gebaseerde katalysatoren ontwikkeld met behulp van DFT berekeningen. De complexe structuur en fases van gepromote ijzerkatalysatoren heeft een vergelijkbaar niveau van begrip belemmerd. In dit project zullen we simulaties met machine learning potentialen gebruiken om de structurele complexiteit van gepromote ijzer katalysatoren en potentiele actieve sites te modelleren. De activiteit van deze sites zal vervolgens gemodelleerd worden met DFT. Op basis van deze structuur-activiteit relaties zullen dan koolstofefficiënte katalysatoren ontwikkeld worden die experimenteel getest kunnen worden op het LCT.