Marcus Bär nimmt W2-Professur für Röntgenspektroskopie in Erlangen-Nürnberg an

Marcus Bär, hier im EMIL-Labor des HZB, hat nun eine Professur an der FAU in Erlangen-Nürnberg angenommen.

Marcus Bär, hier im EMIL-Labor des HZB, hat nun eine Professur an der FAU in Erlangen-Nürnberg angenommen. © Phil Dera

Prof. Marcus Bär hat den Ruf auf eine Professur für Röntgenspektroskopie an der Friedrich-Alexander Universität Erlangen-Nürnberg (FAU) angenommen. Bär leitet am Helmholtz-Zentrum Berlin (HZB) die Abteilung „Grenzflächendesign“. Die neue W2-Professur wurde in Kooperation mit dem HZB und dem Forschungszentrum Jülich eingerichtet, um das Helmholtz-Institut Erlangen-Nürnberg für Erneuerbare Energien (HI ERN) zu verstärken. Bär wird damit in Zukunft auch HI ERN Forschungsthemen am HZB bearbeiten und so zur Intensivierung der Zusammenarbeit beitragen.

Marcus Bär studierte Physik an der Universität Potsdam und Umwelttechnik/Regenerative Energien an der Hochschule für Technik und Wirtschaft Berlin. 2003 promovierte er im Bereich Solarenergieforschung des Hahn-Meitner-Instituts Berlin sowie an der TU Berlin. Anschließend forschte er an der University of Nevada, Las Vegas. 2009 kehrte er nach Berlin zurück und wurde Leiter der Nachwuchsgruppe „Improving Thin-Film Solar Cells by Deliberate Interface Tailoring“ am HZB. Von 2011-2017 war er Professor für Photovoltaik an der BTU Cottbus-Senftenberg.

Zum November 2018 nahm Prof. Dr.-Ing. Marcus Bär den Ruf auf die W2-Professur für Röntgenspektroskopie an der FAU an. Marcus Bär wird mit Teilen seiner Forschungsaktivitäten an das Helmholtz-Institut Erlangen-Nürnberg für Erneuerbare Energien (HI ERN) angegliedert, behält aber die Leitung seiner Abteilung „Grenzflächendesign“ am HZB in Berlin bei.

Bär hat sich auf röntgenspektroskopische Methoden spezialisiert, mit denen er insbesondere die chemische und elektronische Struktur von energiewandelnden Materialien untersucht. Dabei liegt sein Fokus auf Dünnschichtsolarzellen. Perspektivisch will Bär am HZB Infrastrukturen für in-situ und operando Untersuchungen an (photo/elektro)katalytischen Materialien aufbauen, die auch für die HI ERN Forschung interessant sind.

red.

  • Link kopieren

Das könnte Sie auch interessieren

  • Israel Ibukun Olaniyan erhält Doktorandenpreis der Helmholtz-Gemeinschaft
    Nachricht
    06.11.2026
    Israel Ibukun Olaniyan erhält Doktorandenpreis der Helmholtz-Gemeinschaft
    Bei Helmholtz forschen mehr als 8.000 Doktorandinnen und Doktoranden. Elf von ihnen wurden jetzt mit dem Promotionspreis ausgezeichnet, darunter Dr. Israel Ibukun Olaniyan aus dem HZB. Seine hervorragende Doktorarbeit über "Ferroelectricity at the nanoscale in epitaxial BaTiO3 on silicon" in der Forschungsgruppe von Professor Catherine Dubourdieu befasst sich mit einer neuartigen Nanoelektronik auf Grundlage topologischer Defekte, die zur Entwicklung einer energieeffizienten Informationstechnologie beitragen kann.
  • Ultraschnelle Entmagnetisierung - Dünneres Eisen, stärkere Wirkung 
    Science Highlight
    23.10.2026
    Ultraschnelle Entmagnetisierung - Dünneres Eisen, stärkere Wirkung 

    Je dünner eine Eisenschicht, desto leichter lässt sie sich durch einen Laserpuls entmagnetisieren. Forschende der Universität Duisburg-Essen haben gemeinsam mit dem Helmholtz-Zentrum Berlin und weiteren Partner:innen herausgefunden, warum das so ist: Entscheidend ist die magnetische Ordnung an den Grenzflächen des Materials. Die Erkenntnisse könnten langfristig dazu beitragen, neue Technologien für die magnetische Datenspeicherung zu entwickeln. Die Ergebnisse wurden in der Fachzeitschrift Advanced Science veröffentlicht.

  • Blinder Fleck für die Anordnung der Atome
    Nachricht
    21.10.2026
    Blinder Fleck für die Anordnung der Atome
    Künstliche Intelligenz wird zunehmend eingesetzt, um Eigenschaften neuer Materialien vorherzusagen. Ein Forschungsteam aus Jena und den USA zeigt nun in einer im Fachjournal „Nature Computational Science“ Studie: Kommen dabei Sprachmodelle zum Einsatz, erfassen diese zwar zuverlässig, welche Atomsorten ein Material enthält. Informationen über deren räumliche Anordnung nutzen sie jedoch nur unzureichend. Selbst größere Modelle und mehr Trainingsdaten beheben diese Schwäche nicht. Für stark strukturabhängige Materialeigenschaften sind deshalb auf räumliche Strukturen spezialisierte KI-Modelle die verlässlichere Wahl. (DOI: 10.1038/s43588-026-01045-2)