Sammansättbara neurala emulatorer snabbar upp designen av termogeneratorer

Gör spillvärme till användbar energi

Varje dag försvinner enorma mängder värme från bilmotorer, industriprocesser och till och med hushållsapparater rakt ut i luften. Termogeneratorer erbjuder ett sätt att fånga en del av den förlorade värmen och omvandla den direkt till elektricitet, utan rörliga delar. Men att utforma dessa enheter är förvånansvärt krångligt: små förändringar i form, storlek och materialplacering kan skilja mellan en medioker pryl och en kraftkälla på kretskortsnivå. I denna studie visar forskarna hur ett skräddarsytt artificiellt intelligenssystem, kallat TEGNet, kan fungera som en ultrarapid "emulator" för dessa enheter, vilket låter ingenjörer pröva tusentals designidéer på en dator på den tid det tidigare tog att testa bara en.

Varför termiska enheter är svåra att designa

En termogenerator byggs av många små fasta pelare, eller "ben", klämda mellan en varm sida och en kall sida. När ena änden är varmare än den andra uppstår en elektrisk spänning, och om benen kopplas rätt bildar de en användbar strömkälla. Problemet är att varje material reagerar olika på temperatur, och benen måste leda både elektrisk ström och värme samtidigt. För att nå hög verkningsgrad måste konstruktörer välja kompatibla material, bestämma hur långa och tjocka varje ben ska vara och arrangera olika material i smarta kombinationer. Traditionellt kräver detta att man löser komplicerade fysikaliska ekvationer i en dator för varje ny design, en process som kan ta timmar per fall och snabbt blir ohanterlig när material och former varierar samtidigt.

Att lära ett neuralt nät att imitera fysik

Forskarna byggde TEGNet som ett strömlinjeformat neuralt nät som lär sig efterlikna dessa tunga fysiksimuleringar. Istället för att varje gång lösa de underliggande ekvationerna tar TEGNet ett fåtal nyckelingångar — storleken på det termiska benet, temperaturerna vid den varma och kalla sidan och den elektriska strömmen — och förutsäger omedelbart två avgörande utdata: den producerade spänningen och värmeflödet genom enheten. För att träna det genererade teamet först referensdata med en kommersiell finit-element-solver och lät sedan TEGNet lära sig mönstren. Med ungefär 1 200 noggrant utvalda exempel för ett givet material nådde TEGNet bättre än 99,9 % överensstämmelse med den ursprungliga solvern samtidigt som det körde ungefär tio tusen gånger snabbare. När det väl är tränat kan det återanvändas om och om igen utan att behöva gå tillbaka till de kostsamma simuleringarna.

Bygga komplexa enheter av enkla block

Den verkliga styrkan hos TEGNet ligger i hur det kan "sammansättas" för att hantera mer komplicerade enheter. I praktiska generatorer kan olika material staplas i ett enda ben för att täcka ett brett temperaturområde, eller paras som negativa och positiva ben i ett upprepande mönster. Eftersom alla dessa delar delar samma ström kan författarna kombinera flera materialspecifika TEGNet-modeller som byggstenar: individuella ben förutsägs separat, och sedan sys deras spänningar och värmeflöden ihop med grundläggande energi- och kretslagar. Med detta tillvägagångssätt utforskade teamet snabbt designer där högpresterande material som MgAgSb, Bi–Sb–Te-legeringar och magnesiumbaserade föreningar segmenterades och parade i många möjliga sätt — något som skulle vara mycket långsamt med konventionella verktyg.

Från granskade designer till fungerande hårdvara

Vägledda av TEGNets förutsägelser byggde och testade forskarna riktiga termogeneratorer för att verifiera att de AI-drivna designerna presterar som förväntat. För en generator med ett segmenterat ben gjort av MgAgSb hopfogat med ett Bi–Sb–Te-material uppnådde de en omvandlingseffektivitet på 9,3 %, vilket placerar den bland de ledande enheterna i sitt slag. I ett annat fall använde de emulatorn för att finjustera de relativa tvärsnittsareorna för n-typ och p-typ ben gjorda av magnesiumbaserade föreningar och upptäckte att den optimala designen avviker från den vanliga tumregeln om "lika area". Den resulterande parade enheten nådde 8,7 % effektivitet nära 600 K och stod sig väl i jämförelse med andra moderna moduler som utvinner låggradig värme.

Vad detta betyder för framtida energienheter

För en icke-specialist är huvudbudskapet att AI nu kan ersätta långsamma fysiksimuleringar när man utformar komplexa energienheter, utan att offra noggrannheten. TEGNet ersätter inte grundforskning om nya material, och fångar inte heller varje mekanisk och tidsberoende detalj i en generator. Istället fungerar det som en högprecisionsgenväg för att utforska det enorma utrymmet av möjliga enhetsupplägg och materialkombinationer. Genom att förkorta dagars beräkningsarbete till sekunder kan detta tillvägagångssätt hjälpa forskare att snabbare gå från lovande termomaterial till praktiska moduler som omvandlar spillvärme till användbar elektricitet, och föra fast tillståndsbaserad kraftproduktion närmare bred tillämpning.

Citering: 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

Nyckelord: termogeneratorer, återvinning av spillvärme, neuralt nätverksemulator, enhetsdesignoptimering, energiskördning