Zusammensetzbare neuronale Emulationen beschleunigen das Design von thermoelektrischen Generatoren

Abwärme in nützliche Energie verwandeln

Jeden Tag entweichen große Mengen an Wärme aus Auto­motoren, Industrieanlagen und sogar Haushaltsgeräten einfach in die Umgebung. Thermoelektrische Generatoren bieten eine Möglichkeit, einen Teil dieser verschwendeten Wärme aufzufangen und direkt in Elektrizität umzuwandeln – ganz ohne bewegliche Teile. Die Konstruktion dieser Geräte ist jedoch überraschend knifflig: winzige Änderungen in Form, Größe oder Materialanordnung können darüber entscheiden, ob ein Gerät mittelmäßig oder ein „Kraftwerk auf einem Chip“ ist. Diese Studie zeigt, wie ein maßgeschneidertes System der künstlichen Intelligenz namens TEGNet als extrem schneller „Emulator“ für diese Bauteile dienen kann, sodass Ingenieure tausende Designideen auf dem Rechner ausprobieren können – in der Zeit, die früher für einen einzigen Test gebraucht wurde.

Warum thermoelektrische Geräte schwer zu entwerfen sind

Ein thermoelektrischer Generator besteht aus vielen kleinen festen Säulen oder „Beinen“, die zwischen einer heißen und einer kalten Seite geklemmt sind. Ist ein Ende wärmer als das andere, entsteht eine elektrische Spannung, und wenn die Beine richtig miteinander verbunden werden, ergeben sie eine brauchbare Stromquelle. Das Problem ist, dass sich jedes Material unterschiedlich zu Temperatur verhält und die Beine gleichzeitig elektrischen Strom und Wärme transportieren müssen. Für hohe Effizienz müssen Entwickler kompatible Materialien wählen, Länge und Querschnitt jedes Beins festlegen und verschiedene Materialien geschickt kombinieren. Klassischerweise erfordert das die Lösung komplizierter physikalischer Gleichungen am Rechner für jedes neue Design – ein Prozess, der pro Fall Stunden dauern kann und schnell unüberschaubar wird, wenn Materialien und Geometrien gemeinsam variiert werden.

Einem neuronalen Netz das Nachahmen von Physik beibringen

Die Forschenden bauten TEGNet als schlankes neuronales Netz, das lernt, diese rechenintensiven Physiksimulationen nachzuahmen. Anstatt die zugrunde liegenden Gleichungen jedes Mal neu zu lösen, nimmt TEGNet einige wenige zentrale Eingaben – die Größe des thermoelektrischen Beins, die Temperaturen an der heißen und kalten Seite sowie den elektrischen Strom – und sagt sofort zwei entscheidende Ausgaben voraus: die erzeugte Spannung und den durch das Bauteil fließenden Wärmefluss. Zum Trainieren erzeugte das Team zunächst Referenzdaten mit einem kommerziellen Finite-Elemente-Solver und ließ TEGNet dann die Muster lernen. Mit etwa 1.200 sorgfältig ausgewählten Beispielen für ein gegebenes Material erreichte TEGNet eine Übereinstimmung von besser als 99,9 % mit dem ursprünglichen Solver, lief dabei aber etwa zehntausendmal schneller. Einmal trainiert, lässt es sich immer wieder verwenden, ohne die teuren Simulationen erneut durchlaufen zu müssen.

Komplexe Geräte aus einfachen Bausteinen zusammensetzen

Die eigentliche Stärke von TEGNet liegt darin, wie es „komponiert“ werden kann, um kompliziertere Geräte zu behandeln. In praktischen Generatoren können verschiedene Materialien innerhalb eines einzelnen Beins geschichtet sein, um einen breiten Temperaturbereich abzudecken, oder als negative und positive Beine in wiederkehrenden Mustern gepaart werden. Da all diese Teile denselben Strom teilen, können die Autoren mehrere materialspezifische TEGNet-Modelle wie Bausteine kombinieren: Einzelne Beine werden separat vorhergesagt, dann werden ihre Spannungen und Wärmeflüsse mittels grundlegender Energie- und Schaltungsregeln zusammengefügt. Mit diesem Ansatz erkundete das Team schnell Designs, bei denen leistungsstarke Materialien wie MgAgSb, Bi–Sb–Te-Legierungen und magnesiumbasierte Verbindungen segmentiert und in vielen möglichen Kombinationen gepaart wurden – etwas, das mit herkömmlichen Werkzeugen sehr langsam wäre.

Von geprüften Entwürfen zu funktionaler Hardware

Anhand von TEGNets Vorhersagen bauten und testeten die Forschenden reale thermoelektrische Generatoren, um zu prüfen, ob die KI-getriebenen Entwürfe wie erwartet funktionieren. Für einen Generator mit einem segmentierten Bein aus MgAgSb, verbunden mit einem Bi–Sb–Te-Material, erzielten sie eine Umwandlungseffizienz von 9,3 % und reihten sich damit unter die führenden Geräte dieser Art ein. In einem weiteren Fall nutzten sie den Emulator, um die relativen Querschnittsflächen von n‑Typ- und p‑Typ-Beinen aus magnesiumbasierten Verbindungen zu optimieren, und entdeckten, dass das optimale Design von der üblichen Faustregel „gleiche Fläche“ abweicht. Das resultierende gepaarte Gerät erreichte eine Effizienz von 8,7 % bei rund 600 K und schnitt damit im Vergleich zu anderen modernen Modulen zur Gewinnung niedergradiger Wärme vorteilhaft ab.

Was das für künftige Energiesysteme bedeutet

Für Nicht‑Spezialisten ist die Kernbotschaft: KI kann nun langsame Physiksimulationen bei der Gestaltung komplexer Energiesysteme ersetzen, ohne Genauigkeit einzubüßen. TEGNet verdrängt nicht die Grundlagenforschung zu neuen Materialien und erfasst auch nicht alle mechanischen und zeitabhängigen Details innerhalb eines Generators. Vielmehr dient es als hochpräzise Abkürzung, um den riesigen Raum möglicher Geräteanordnungen und Materialkombinationen zu erkunden. Indem es Tage an Rechenarbeit in Sekunden zusammenzieht, kann dieser Ansatz Forschenden helfen, schneller von vielversprechenden thermoelektrischen Materialien zu praktikablen Modulen zu gelangen, die Abwärme in nutzbare Elektrizität umwandeln, und so die Festkörper-Energiegewinnung näher an eine breite Anwendung bringen.

Zitation: 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

Schlüsselwörter: thermoelektrische Generatoren, Abwärmenutzung, Neuronales Netzwerk-Emulator, Gerätedesign-Optimierung, Energiegewinnung