Wissenschaftliche Laufbahn und Forschungsgebiete

Professor Gagliardis Forschung konzentriert sich auf die Entwicklung und Anwendung numerischer Modelle zur Simulation nanostrukturierter Bauelemente. Sein Schwerpunkt liegt auf der Weiterentwicklung von Solarzellen der nächsten Generation (z. B. organische Halbleiter und Perowskit-Solarzellen), elektrochemischen Systemen (Brennstoffzellen und Batterien) sowie organischen Halbleitermaterialien. Seine Expertise erstreckt sich über verschiedene Skalen, von nanoskaligen Methoden (Dichtefunktionaltheorie, Quanten-Green-Funktionen) über mesoskalige Ansätze (Kinetisches Monte-Carlo) bis hin zur makroskopischen Modellierung (Drift-Diffusion, Kontinuumsmodelle). Darüber hinaus trägt er zur Entwicklung der Software TiberCAD und GDFTB bei. Seine Forschung befasst sich zudem mit der Integration von maschinellem Lernen und Deep Learning in die Materialwissenschaft, insbesondere für die multiskalige Modellierung und die Verknüpfung von Experimenten mit theoretischen Simulationen.

Professor Gagliardi erwarb seinen Ingenieurabschluss an der Universität Rom Tor Vergata (Italien) und promovierte 2007 in Physik an der Universität Paderborn. Anschließend forschte er als Postdoktorand am Bremen Center for Computing Materials sowie in Rom, bevor er 2014 als Tenure-Track-Assistant-Professor an die TUM berufen wurde. Seit 2020 ist er dort als Associate Professor tätig.

H Michaels, M Rinderle, R Freitag, I Benesperi, T Edvinsson, R Socher, A Gagliardi, M Freitag: “Dye-sensitized solar cells under ambient light powering machine learning: towards autonomous smart sensors for the internet of things”. CHEMICAL SCIENCE. 2020; 11:2895-2906.

Abstract

B Garlyyev, K Kratzl, M Rück, J Michalička, J Fichtner, J M. Macak, T Kratky, S Günther, M Cokoja, A Bandarenka, A Gagliardi, R. A. Fischer: “How small: selecting the optimal size of Pt nanoparticles for enhanced oxygen electro-reduction mass activity”. Angewandte Chemie. 2019; 58, 9596-9600.

Abstract

M Rinderle, W Kaiser, A Mattoni, A Gagliardi: “Machine-Learned Charge Transfer Integrals for Multiscale Simulations in Organic Thin Films”. Journal of Physical Chemistry C. 2020; 124: 17733-17743.

Abstract

M Rück, B Garlyyev, F Mayr, A S Bandarenka, A Gagliardi: “Oxygen Reduction Activities of Strained Platinum Core–Shell Electrocatalysts Predicted by Machine Learning”. Journal of physical chemistry letters. 2020; 11: 1773-1780.

Abstract

W Kaiser, A Gagliardi: “Kinetic Monte Carlo Study of the Role of the Energetic Disorder on the Open-Circuit Voltage in Polymer/Fullerene Solar Cells”. Journal of physical chemistry letters. 2019; 10 (20): 6097-61041.

Abstract

Bei Änderungs- oder Aktualisierungswünschen wenden Sie sich bitte an Franz Langer.