Des émulateurs neuronaux composables accélèrent la conception de générateurs thermoélectriques

Transformer la chaleur perdue en énergie utile

Tous les jours, d’importantes quantités de chaleur provenant des moteurs de voiture, des usines et même des appareils ménagers se dissipent simplement dans l’air. Les générateurs thermoélectriques offrent un moyen de capter une partie de cette chaleur gaspillée et de la convertir directement en électricité, sans pièces mobiles. Mais la conception de ces dispositifs est étonnamment délicate : de très petits changements de forme, de taille ou d’agencement des matériaux peuvent faire la différence entre un appareil médiocre et une centrale électrique sur puce. Cette étude montre comment un système d’intelligence artificielle adapté, appelé TEGNet, peut servir d’« émulateur » ultra-rapide pour ces dispositifs, permettant aux ingénieurs d’essayer des milliers d’idées de conception sur un ordinateur en un temps comparable à celui qu’il fallait autrefois pour en tester une seule.

Pourquoi il est difficile de concevoir des dispositifs thermoélectriques

Un générateur thermoélectrique est constitué de nombreux petits piliers solides, ou « jambes », serrés entre un côté chaud et un côté froid. Lorsqu’une extrémité est plus chaude que l’autre, une tension électrique apparaît, et si l’on connecte les jambes de la bonne manière, elles forment une source d’énergie utile. Le problème est que chaque matériau réagit différemment à la température, et les jambes doivent transporter simultanément le courant électrique et la chaleur. Pour obtenir une grande efficacité, les concepteurs doivent choisir des matériaux compatibles, décider de la longueur et de l’épaisseur de chaque jambe, et organiser différents matériaux en combinaisons ingénieuses. Traditionnellement, cela nécessite de résoudre des équations physiques compliquées sur un ordinateur pour chaque nouvelle conception, un processus qui peut prendre des heures par cas et devient rapidement ingérable lorsque les matériaux et les formes varient simultanément.

Apprendre à un réseau neuronal à imiter la physique

Les chercheurs ont conçu TEGNet comme un réseau neuronal rationalisé qui apprend à reproduire ces simulations physiques lourdes. Au lieu de résoudre directement les équations sous-jacentes à chaque fois, TEGNet prend quelques entrées clés — la taille de la jambe thermoélectrique, les températures aux côtés chaud et froid et le courant électrique — et prédit instantanément deux sorties cruciales : la tension produite et le flux de chaleur à travers le dispositif. Pour l’entraîner, l’équipe a d’abord généré des données de référence à l’aide d’un solveur éléments finis commercial, puis a laissé TEGNet apprendre les motifs. Avec environ 1 200 exemples soigneusement choisis pour un matériau donné, TEGNet a atteint plus de 99,9 % d’accord avec le solveur d’origine tout en s’exécutant environ dix mille fois plus vite. Une fois entraîné, il peut être réutilisé indéfiniment sans nécessiter de revenir aux simulations coûteuses.

Construire des dispositifs complexes à partir de blocs simples

La véritable puissance de TEGNet tient à la façon dont il peut être « composé » pour traiter des dispositifs plus complexes. Dans les générateurs pratiques, différents matériaux peuvent être empilés dans une même jambe pour couvrir une large plage de températures, ou associés en jambes négatives et positives selon un motif répétitif. Parce que toutes ces parties partagent le même courant, les auteurs peuvent combiner plusieurs modèles TEGNet spécifiques aux matériaux comme des blocs de construction : les jambes individuelles sont prédites séparément, puis leurs tensions et flux thermiques sont assemblés en utilisant des règles élémentaires d’énergie et de circuit. Avec cette approche, l’équipe a exploré rapidement des conceptions dans lesquelles des matériaux performants tels que MgAgSb, des alliages Bi–Sb–Te et des composés à base de magnésium étaient segmentés et appariés de nombreuses façons possibles, ce qui serait très lent avec les outils conventionnels.

Des conceptions sélectionnées au matériel fonctionnel

Guidés par les prédictions de TEGNet, les chercheurs ont construit et testé de vrais générateurs thermoélectriques pour vérifier que les conceptions pilotées par l’IA fonctionnent comme prévu. Pour un générateur utilisant une jambe segmentée composée de MgAgSb jointe à un matériau Bi–Sb–Te, ils ont atteint un rendement de conversion de 9,3 %, le plaçant parmi les dispositifs les plus performants de sa catégorie. Dans un autre cas, ils ont utilisé l’émulateur pour ajuster les aires transversales relatives des jambes de type n et p fabriquées à partir de composés à base de magnésium, découvrant que la conception optimale s’écarte de la règle empirique habituelle de « même aire ». Le dispositif apparié obtenu a atteint 8,7 % d’efficacité près de 600 K et s’est montré favorablement comparable à d’autres modules de pointe qui récupèrent la chaleur de faible qualité.

Ce que cela signifie pour les futurs dispositifs énergétiques

Pour un non-spécialiste, le message principal est que l’IA peut désormais remplacer les simulations physiques lentes lors de la conception de dispositifs énergétiques complexes, sans sacrifier la précision. TEGNet ne remplace pas la recherche fondamentale sur de nouveaux matériaux, ni ne capture tous les détails mécaniques et dépendants du temps à l’intérieur d’un générateur. Il agit plutôt comme un raccourci très précis pour explorer l’immense espace des agencements possibles et des combinaisons de matériaux. En compressant des jours de travail informatique en quelques secondes, cette approche peut aider les chercheurs à passer plus rapidement des matériaux thermoélectriques prometteurs à des modules pratiques qui convertissent la chaleur perdue en électricité utile, rapprochant la production d’énergie à l’état solide d’une application à grande échelle.

Citation: 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

Mots-clés: générateurs thermoélectriques, récupération de chaleur perdue, émulateur par réseau neuronal, optimisation de la conception d'appareils, récupération d'énergie