KlarText-Preis für Hanna Trzesniowski
Dr. Hanna Trzesniowski wurde mit dem KlarText-Preis für Wissenschaftskommunikation geehrt © Annette Mueck/Klaus Tschira Stiftung
Die Chemikerin ist mit dem renommierten KlarText-Preis für Wissenschaftskommunikation der Klaus Tschira Stiftung ausgezeichnet worden.
Mit ihrem Beitrag „Kleine Fenster, große Erkenntnisse“ überzeugte die Alumna der Technischen Universität Berlin und dem Helmholtz-Zentrum-Berlin die Jury. Sie macht ihre Forschung zur nachhaltigen Wasserstoffproduktion einem breiten Publikum verständlich.
Der KlarText-Preis zeichnet jährlich junge Forscher*innen aus, die ihre exzellente Doktorarbeit in Form eines allgemein verständlichen Artikels oder einer anschaulichen Infografik einem nicht-wissenschaftlichen Publikum näherbringen. 2025 hatten sich rund 200 Promovierte aus den Bereichen Biologie, Chemie, Geowissenschaften, Informatik, Mathematik, Neurowissenschaften und Physik beworben. Insgesamt wurden acht Wissenschaftler*innen geehrt. Die Auszeichnung ist mit jeweils 7.500 Euro dotiert.
Die feierliche Preisverleihung findet am 13. November 2025 in Heidelberg statt. Ab diesem Datum sind die ausgezeichneten Beiträge im Wissensmagazin „KlarText“ verfügbar.
Entwicklung neuer Katalysatoren
Wissenschaftler*innen nutzen sogenannte operando-Spektroskopiemethoden, um Materialien direkt während ihrer Arbeit zu beobachten – so, als würden sie neugierig durch ein kleines Fenster schauen. Dr. Hanna Trzesniowski untersuchte in ihrer Dissertation mit dem Titel „Operando X-ray absorption spectroscopy studies of Ni-based oxygen evolution catalysts in alkaline media“ Nickel-Eisen-Katalysatoren für die Wasserspaltung, ein Schlüsselprozess zur nachhaltigen Wasserstoffgewinnung. Mit Röntgenstrahlung an der Synchrotronquelle BESSY II konnte sie zeigen, dass Natriumionen in die Katalysatorschichten eindringen und deren Struktur stabilisieren. Dadurch arbeiten die Katalysatoren effizienter. Ihre Ergebnisse helfen, neue Katalysatoren zu entwickeln, die Wasserstoff noch effizienter und kostengünstiger produzieren können.
Hanna Trzesniowski, geboren 1994 in Graz, studierte Chemie an der Universität Wien und wechselte für ihre Promotion 2020 an die TU Berlin. Betreut wurde sie am Fachgebiet Elektrokatalyse / Materialien von Prof. Dr. Peter Strasser an der TU Berlin und am Helmholtz-Zentrum Berlin (HZB). Ihre Dissertation schloss Hanna Trzesniowski im Jahr 2024 ab. Derzeit lebt und arbeitet sie in den USA.
- Israel Ibukun Olaniyan erhält Doktorandenpreis der Helmholtz-GemeinschaftBei 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
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 AtomeKünstliche 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)