Термоелектричните генератори, уреди што претвораат отпадна топлина во електрична енергија, се сметаат за ветувачка технологија за индустрија, нослива електроника и енергетска ефикасност. Но нивниот развој досега беше бавен, затоа што бара истовремена оптимизација на материјали, геометрија и внатрешна архитектура на уредот.
Истражувачки тим од Националниот институт за материјали во Јапонија претстави нова алатка базирана на машинско учење, наречена TEGNet, објавена во списанието Nature. Моделот предвидува перформанси со точност поголема од 99% и го намалува времето за пресметки приближно 10.000 пати во однос на класичните симулации.
Кај термоелектричните системи не е доволно да се избере „добар“ материјал. Потребно е повеќе материјали да бидат меѓусебно компатибилни во преносот на топлина и електричен полнеж, а должината и пресекот на секој слој мора внимателно да се подесат. Токму оваа комбинација на параметри го прави процесот многу сложен и компјутерски скап.
TEGNet е обучен со податоци од конвенционални физички симулации, но потоа прави нови предвидувања за неколку милисекунди, наместо за десетици минути по дизајн. Дополнителна предност е модуларниот пристап: поединечни модели за материјали може да се комбинираат како „градежни блокови“ за посложени конфигурации.
Со овој пристап биле скенирани илјадници можни решенија и биле предложени оптимални геометрии за два експериментални прототипа. При тестирање, уредите постигнале ефикасност на претворање од 9,3% и 8,7%, резултати што се меѓу најдобрите за нивниот температурен опсег.
Значењето на резултатот е пошироко од една алатка: циклусот од идеја до дизајн може да се скрати од месеци на минути. Тоа отвора простор и за помали истражувачки групи, без голема компјутерска инфраструктура, побрзо да развиваат практични решенија за искористување отпадна топлина.
