Prof. Dr. Helge Stein

Wissenschaftliche Laufbahn und Forschungsgebiete

Prof. Stein (*1988) entwickelt experimentelle und computergestützte Methoden zur Beschleunigten Entdeckung, Charakterisierung und Hochskalierung neuer verbesserter Materialien in der Katalyse und für Sekundärbatterien. Experimentelle Daten werden mittels selbstentwickelter Roboter gesammelt, mit Algorithmen und maschinellem Lernen geplant sowie ausgewertet und über Datenmanagement semantisch durchsuchbar abgelegt. Ziel ist es eine globale dezentrale Materialbeschleunigungsplattform (MAP) aufzubauen.

Prof. Stein studierte von 2008 bis 2013 an der Georg-August-Universität Göttingen Physik und provierte 2017 zu hochdurchsatzmethoden an der Ruhr-Universität Bochum mit Maschinenbau mit summa cum laude. Von 2017 bis zum Antritt seiner Tenure Track Professur für Angewandte Elektrochemie am Karlsruher Institut für Technologie in 2020 forschte er am California Institute of Technology (Caltech). 2023 wurde Prof. Stein auf die Professur für Digitale Katalyse an die TUM berufen.

    Wichtigste Auszeichnungen

    • ACS Engineering Au Rising Star (2023)
    • Ideenpreis in der Kategorie Innovation am KIT (2023)
    • Masao Horiba Award Honorable Mention (2021)
    • Eickhoff Preis für die beste Promotion im Maschinenbau an der RUB (2018)

    Stein, H., Gregoire, J.: "Progress and prospects for accelerating materials science with automated and autonomous workflows" Chem. Sci., 2019, 10, 9640-9649.

    Abstract

    Stein, H. et al.: "From materials discovery to system optimization by integrating combinatorial electrochemistry and data science" Curr. Op in Electrochem., 35, 101053.

    Abstract

    Stein, H. et al.: "Machine learning of optical properties of materials – predicting spectra from images and images from spectra" Chem. Sci., 2019, 10, 47-55.

    Abstract

    Zhang, B., Merker, L., Sanin, A., Stein, H.,: "Robotic cell assembly to accelerate battery research" Digital Discovery, 2022, 1, 755-762.

    Abstract

    Rohr, B., Stein, H. et al. "Benchmarking the acceleration of materials discovery by sequential learning" Chem. Sci., 2020, 11, 2696-2706.

    Abstract