可组合神经仿真器加速热电发电机设计

将废热转化为有用的电能

每天都有大量来自汽车发动机、工业厂房乃至家用电器的热量白白散失到空气中。热电发电机提供了一种将这些被浪费的热直接转为电能的方法，而且没有任何机械运动部件。但设计这些器件出乎意料地复杂：形状、尺寸和材料布局的微小变化，可能决定了一件中规中矩的装置和一个芯片级电厂之间的差别。该研究展示了一种名为 TEGNet 的定制人工智能系统，如何作为这些器件的超快速“仿真器”运行，让工程师在电脑上试验成千上万种设计想法，其所需时间相当于传统方法测试单个设计所花时间的一小部分。

为什么热电器件难以设计

热电发电机由许多小的固体柱状体或“腿”构成，夹在热侧与冷侧之间。当一端比另一端更热时，电压会出现，如果以合适方式连接这些腿，它们就能形成有用的电源。难点在于每种材料对温度的响应不同，且这些腿既要传导电流又要传导热量。要实现高效率，设计者必须选择相容的材料，决定每根腿应有多长多厚，并以巧妙的组合布置不同材料。传统上，每一个新设计都需要在计算机上求解复杂的物理方程，这一过程每例可能需要数小时，当材料与形状同时变化时，很快就变得难以管理。

教神经网络模拟物理

研究人员将 TEGNet 构建为一个精简的神经网络，学习去模仿那些费时的物理仿真。TEGNet 不再每次都直接求解底层方程，而是接受几个关键输入——热电腿的尺寸、热侧和冷侧的温度以及电流——并即时预测两个重要输出：产生的电压和通过器件的热流。为训练网络，团队先使用商业有限元求解器生成参考数据，然后让 TEGNet 学习这些模式。对于给定材料，约 1,200 个精心挑选的样本就能使 TEGNet 与原始求解器达到优于 99.9% 的一致性，同时运行速度快约一万倍。训练完成后，它可以反复使用，而无需重新进行代价高昂的仿真。

用简单模块构建复杂器件

TEGNet 的真正威力来自它可“组合”以处理更复杂器件的能力。在实际发电机中，不同材料可能在同一根腿内分段叠加以覆盖宽温度范围，或者以正负腿成对重复排列。由于所有这些部件共享相同电流，作者可以将多个针对特定材料的 TEGNet 模型像积木一样组合：单个腿分别预测，然后用基本的能量守恒和电路规则将它们的电压与热流拼接在一起。采用这种方法，团队快速探索了诸如 MgAgSb、Bi–Sb–Te 合金以及镁基化合物等高性能材料的分段与配对多种可能性——这些情况用传统工具会非常慢。

从筛选设计到实际硬件

在 TEGNet 的预测指导下，研究人员制造并测试了真实的热电发电机，以验证 AI 驱动的设计是否如预期般表现。对于一款由 MgAgSb 与 Bi–Sb–Te 材料连接而成的分段腿发电机，他们实现了 9.3% 的能量转换效率，使其成为同类领先装置之一。在另一个例子中，他们利用该仿真器调整由镁基化合物制成的 n 型与 p 型腿的相对横截面积，发现最优设计偏离了通常的“等面积”经验法则。所得配对器件在约 600 K 时达到了 8.7% 的效率，并且与其他用于收集低品位热的最先进模块相比具有竞争力。

这对未来能源器件意味着什么

对非专业读者而言，主要信息是：在设计复杂能源器件时，AI 现在可以替代缓慢的物理仿真而不牺牲精度。TEGNet 并不取代对新材料的基础研究，也无法捕捉发电机内所有机械或时间相关的细节。相反，它作为一种高度精确的捷径，用于探索庞大的器件布局与材料组合空间。通过将几天的计算工作压缩到数秒内，这一方法可以帮助研究人员更快地将有前景的热电材料推进到能够把废热转化为有用电能的实际模块，从而推动固态发电更接近广泛应用。

引用: 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

关键词: 热电发电机, 废热回收, 神经网络仿真器, 器件设计优化, 能量收集