Композиционные нейронные эмуляторы ускоряют разработку термоэлектрических генераторов

Преобразование тепловых отходов в полезную энергию

Каждый день огромные количества тепла от автомобильных двигателей, промышленных установок и даже бытовой техники просто рассеиваются в воздух. Термоэлектрические генераторы предлагают способ захватить часть этой потраченной впустую теплоты и напрямую превратить её в электричество, без движущихся частей. Но проектирование таких устройств удивительно сложно: крошечные изменения формы, размеров и расположения материалов могут превратить посредственное устройство в эффективный источник энергии на кристалле. В этом исследовании показано, как специализированная система искусственного интеллекта под названием TEGNet может выступать в роли сверхбыстрого «эмулятора» для таких устройств, позволяя инженерам протестировать тысячи идей дизайна на компьютере за то время, которое раньше требовалось для проверки одной.

Почему термоэлектрические устройства трудно проектировать

Термоэлектрический генератор состоит из множества маленьких твёрдых столбиков, или «ножек», зажаты между горячей и холодной сторонами. Когда один конец горячее другого, возникает электрическое напряжение, и при правильном соединении ножек они образуют полезный источник питания. Сложность в том, что каждый материал по‑разному реагирует на температуру, и ножки одновременно проводят электрический ток и тепло. Чтобы достичь высокой эффективности, проектировщикам нужно подобрать совместимые материалы, решить, какой длины и толщины должны быть ножки, и разместить материалы в хитрых сочетаниях. Традиционно это требует решения сложных физических уравнений на компьютере для каждого нового варианта, процесс который может занимать часы для одного случая и быстро становится непрактичным при одновременном изменении материалов и форм.

Обучение нейронной сети имитировать физику

Исследователи построили TEGNet как упрощённую нейронную сеть, которая учится подражать тяжёлым физическим симуляциям. Вместо того чтобы каждый раз напрямую решать основные уравнения, TEGNet принимает несколько ключевых входных параметров — размер термоэлектрической ножки, температуры на горячей и холодной сторонах и электрический ток — и мгновенно предсказывает два критически важных выхода: производимое напряжение и тепловой поток через устройство. Для обучения команда сначала сгенерировала эталонные данные с помощью коммерческого метода конечных элементов, а затем дала TEGNet выучить закономерности. При примерно 1200 тщательно подобранных примерах для данного материала TEGNet достиг согласия с исходным решателем лучше 99,9% при работе примерно в десять тысяч раз быстрее. После обучения модель можно многократно использовать без необходимости повторять дорогостоящие симуляции.

Создание сложных устройств из простых блоков

Истинная сила TEGNet проявляется в том, как её можно «компоновать» для работы с более сложными устройствами. В практических генераторах разные материалы могут быть уложены в одной ножке в виде слоёв, чтобы охватить широкий диапазон температур, или сочетаться как отрицательные и положительные ножки в повторяющемся паттерне. Поскольку во всех этих частях течёт один и тот же ток, авторы могут комбинировать несколько моделей TEGNet, специфичных для разных материалов, как строительные блоки: отдельные ножки прогнозируются отдельно, затем их напряжения и тепловые потоки стыкуются с помощью базовых законов сохранения энергии и правил цепей. С помощью этого подхода команда быстро исследовала конструкции, в которых высокоэффективные материалы, такие как MgAgSb, сплавы Bi–Sb–Te и магниевые соединения, были сегментированы и попарно объединены во множестве возможных вариантов — то, что было бы очень медленно при использовании традиционных инструментов.

От отобранных разработок к рабочему оборудованию

Ориентируясь на предсказания TEGNet, исследователи собрали и испытали реальные термоэлектрические генераторы, чтобы подтвердить, что созданные с помощью ИИ конструкции работают как ожидается. Для генератора с сегментированной ножкой из MgAgSb, соединённой с материалом Bi–Sb–Te, они достигли КПД преобразования 9,3%, что ставит его в число ведущих устройств такого типа. В другом случае они использовали эмулятор для настройки относительных поперечных сечений n‑ и p‑типа ножек из магниевых соединений и обнаружили, что оптимальная конструкция отклоняется от привычного правила «равной площади». Получившееся парное устройство достигло эффективности 8,7% около 600 K и выглядело конкурентоспособным по сравнению с другими современными модулями, утилизирующими тепло низкого качества.

Что это означает для будущих энергетических устройств

Для неспециалиста главный вывод в том, что ИИ теперь может заменить медленные физические симуляции при проектировании сложных энергетических устройств без потери точности. TEGNet не заменяет фундаментальные исследования новых материалов и не охватывает все механические и временные детали внутри генератора. Скорее, он служит очень точным кратчайшим путём для исследования огромного пространства возможных компоновок устройств и сочетаний материалов. Сводя дни вычислительной работы к секундам, этот подход может помочь исследователям быстрее перейти от перспективных термоэлектрических материалов к практическим модулям, которые превращают тепловые отходы в полезное электричество, приближая твердотельную выработку энергии к широкому применению.

Цитирование: 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

Ключевые слова: термоэлектрические генераторы, утилизация тепловых отходов, эмулятор на нейронной сети, оптимизация конструкции устройств, сбор энергии