محاكيات عصبية قابلة للتأليف تسرّع تصميم المولّدات الحرارية الكهربائية

تحويل حرارة النفايات إلى طاقة مفيدة

يُهدَر يومياً قدر هائل من الحرارة من محركات السيارات والمصانع وحتى الأجهزة المنزلية ويتبدد في الهواء. تقدم المولّدات الحرارية الكهربائية وسيلة لالتقاط جزء من تلك الحرارة المهدورة وتحويلها مباشرة إلى كهرباء دون أي أجزاء متحركة. لكن تصميم هذه الأجهزة معقّد بشكل مفاجئ: تغييرات صغيرة في الشكل أو الحجم أو توزيع المواد قد تفرق بين جهاز متوسط ومحطة طاقة على رقاقة. تُظهر هذه الدراسة كيف يمكن لنظام ذكاء اصطناعي مُصمَّم خصيصاً، يُدعى TEGNet، أن يعمل كـ"محاكي" فائق السرعة لهذه الأجهزة، مما يتيح للمهندسين تجربة آلاف أفكار التصميم على الحاسوب في الزمن الذي كان يستغرقه اختبار فكرة واحدة فقط.

لماذا يصعب تصميم الأجهزة الحرارية الكهربائية

يبنى المولّد الحراري من العديد من الأعمدة الصلبة الصغيرة، أو "الأرجل"، المحشورة بين جانب ساخن وجانب بارد. عندما يكون أحد النهايتين أحر من الأخرى يظهر فرق جهد كهربائي، وإذا ربطت الأرجل بطريقة مناسبة تشكل مصدر طاقة مفيد. المشكلة أن كل مادة تستجيب للحرارة بطريقة مختلفة، ويجب أن تحمل الأرجل كل من التيار الكهربائي والحرارة في آنٍ واحد. للحصول على كفاءة عالية، يجب على المصممين اختيار مواد متوافقة، وقرر طول وسمك كل رجل، وترتيب المواد المختلفة بتراكيبات ذكية. تقليدياً، يتطلب هذا حل معادلات فيزيائية معقّدة على الحاسوب لكل تصميم جديد، وهي عملية قد تستغرق ساعات لكل حالة وتصبح غير قابلة للإدارة بسرعة عندما تتغير المواد والأشكال معاً.

تعليم شبكة عصبية تقليد الفيزياء

بنى الباحثون TEGNet كشبكة عصبية مبسطة تتعلم تقليد تلك المحاكاة الفيزيائية المكثفة. بدلاً من حل المعادلات الأساسية في كل مرة، يأخذ TEGNet بعض المدخلات الأساسية — حجم رجل المولد الحراري، ودرجات الحرارة على الجانبين الساخن والبارد، والتيار الكهربائي — ويتنبأ فوراً بمخرجَين حاسمَين: الجهد الناتج والحرارة المتدفقة عبر الجهاز. لتدريبها، ولَّد الفريق أولاً بيانات مرجعية باستخدام محلل العناصر المنتهية التجاري، ثم تركوا TEGNet يتعلَّم الأنماط. مع نحو 1200 مثال مُختار بعناية لمادة معينة، وصل TEGNet إلى اتفاق يتجاوز 99.9% مع المحلل الأصلي بينما يعمل أسرع بحوالي عشرة آلاف مرة. وبمجرد تدريبه، يمكن إعادة استخدامه مراراً دون الحاجة إلى إعادة المحاكاة المكلفة.

بناء أجهزة معقّدة من كتل بسيطة

تنبع القوة الحقيقية لـTEGNet من قدرته على "التأليف" للتعامل مع أجهزة أكثر تعقيداً. في المولدات العملية، قد تُكدَّس مواد مختلفة داخل رجل واحد لتغطية نطاق واسع من الدرجات الحرارية، أو تُزاوج أرجل سالبة وإيجابية في نمط متكرر. وبما أن جميع هذه الأجزاء تشترك في نفس التيار، يمكن للمؤلفين جمع عدة نماذج TEGNet متخصصة بكل مادة مثل كتل بناء: تتنبأ الأرجل الفردية بشكل منفصل، ثم تُدمَج جهودها وتدفُّقات الحرارة باستخدام قواعد أساسية للطاقة والدارات. بهذه الطريقة استكشف الفريق بسرعة تصميمات تُقسَّم فيها مواد عالية الأداء مثل MgAgSb وسبائك Bi–Sb–Te ومركبات قائمة على المغنيسيوم وتُزاوج بطرق متعددة، وهو ما كان سيكون بطيئاً جداً باستخدام الأدوات التقليدية.

من التصاميم المصنفة إلى الأجهزة العملية

بتوجيه من تنبؤات TEGNet، بنى الباحثون واختبروا مولّدات حرارية كهربائية حقيقية للتحقق من أن التصميمات القائمة على الذكاء الاصطناعي تعمل كما هو متوقع. لمولدٍ يستخدم رجلًا مقسَّمًا مكوَّناً من MgAgSb متصل بمادة Bi–Sb–Te، حققوا كفاءة تحويل بلغت 9.3%، مما يضعه ضمن الأجهزة الرائدة من نوعه. في حالة أخرى، استخدموا المحاكي لضبط المساحات المقطعية النسبية لأرجل من النوع n والنوع p المصنوعة من مركبات قائمة على المغنيسيوم، فاكتشفوا أن التصميم الأمثل يختلف عن قاعدة الإبهام الشائعة بـ"المساحة المتساوية". وصل الجهاز المزدوج الناتج إلى كفاءة 8.7% قرب 600 K ونافس بشكل جيد الوحدات المتقدمة الأخرى التي تحصد الحرارة منخفضة الدرجة.

ماذا يعني هذا لأجهزة الطاقة المستقبلية

بالنسبة لغير المتخصص، الرسالة الأساسية هي أن الذكاء الاصطناعي يمكنه الآن أن يحل محل محاكاة الفيزياء البطيئة عند تصميم أجهزة طاقة معقّدة، دون التضحية بالدقة. لا يحل TEGNet محل الأبحاث الأساسية حول المواد الجديدة، ولا يلتقط كل التفاصيل الميكانيكية والزمنية داخل المولد. بل يعمل كطريق مُختصر عالي الدقة لاستكشاف الفضاء الكبير لتخطيطات الأجهزة وتركيبات المواد الممكنة. من خلال تقليص أيام من العمل الحسابي إلى ثوانٍ، يمكن لهذا النهج أن يساعد الباحثين على الانتقال بسرعة أكبر من المواد الحرارية الواعدة إلى وحدات عملية تحول حرارة النفايات إلى كهرباء مفيدة، مما يدفع توليد الطاقة الحالة الصلبة أقرب إلى التطبيق الواسع النطاق.

الاستشهاد: Li, A., Wu, X., Wang, L. et al. Composable neural emulators accelerate thermoelectric generator design. Nature 652, 643–649 (2026). https://doi.org/10.1038/s41586-026-10223-1

الكلمات المفتاحية: المولّدات الحرارية الكهربائية, استعادة حرارة النفايات, محاكي شبكات عصبية, تحسين تصميم الأجهزة, حصاد الطاقة