DOI: https://doi.org/10.1038/s41586-026-10223-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41986625
تاريخ النشر: 2026-04-15
المؤلف: Airan Li وآخرون
الموضوع الرئيسي: المواد والأجهزة الحرارية الكهربائية المتقدمة
نظرة عامة
تقدم هذه القسم تطوير وتطبيق TEGNet، وهو محاكي شبكة عصبية مصمم للتنبؤ بأداء مولدات الطاقة الحرارية (TE) بدقة تزيد عن 99% مع تقليل الوقت الحاسوبي إلى 0.01% فقط من الوقت المطلوب من قبل الحلول التقليدية القائمة على العناصر المحدودة. يُظهر TEGNet مرونة قوية عبر أنظمة المواد المختلفة ويسهل الاستكشاف السريع لمعماريات الأجهزة المتنوعة. حققت تحسينات التجارب لمولدات الطاقة الحرارية المقترنة من MgAgSb/Bi0.4Sb1.6Te3 وMg3Bi1.4Sb0.6-MgAgSb كفاءة تحويل بلغت 9.3% و8.7%، على التوالي، مما يضعها في موقع تنافسي ضمن الأدبيات الحالية.
تؤكد الأبحاث على تعقيد تصميم مولدات الطاقة الحرارية عالية الأداء، مما يتطلب ليس فقط اختيار مواد متقدمة ولكن أيضًا مراعاة دقيقة للعوامل الهندسية والمعمارية. يتم قياس أداء المواد الحرارية بواسطة الرقم غير البعدي، \( zT = \frac{S^2 \sigma T}{\kappa} \)، حيث تمثل \( S \)، \( \sigma \)، و\( \kappa \) معامل سيبيك، الموصلية الكهربائية، والموصلية الحرارية، على التوالي. يتناول TEGNet تحديات طرق التصميم التقليدية من خلال تمكين التنبؤات السريعة بناءً على هندسة الجهاز، مما يسهل تحسين الأجهزة الحرارية بكفاءة. بينما يتفوق TEGNet في استكشاف مساحة التصميم، يُعترف بأنه لا يزال لا يشمل جميع جوانب تصميم مولد الطاقة الحرارية، مما يترك مجالًا للتحسينات المستقبلية التي يمكن أن تدمج ظواهر فيزيائية أكثر تعقيدًا. بشكل عام، يبرز هذا العمل الإمكانات التحويلية للذكاء الاصطناعي في تقدم الأبحاث الحرارية وتنفيذ الأجهزة.
طرق
في هذه الدراسة، شملت تخليق المواد إعداد MgAgSb وMg₃Bi₁.₄Sb₀.₆ من خلال عملية طحن كروية تمت في جو من الأرجون لمدة 5 ساعات، باستخدام مطحنة SPEX 8000D. تم الحفاظ على تركيبة MgAgSb عند 0.625 wt%. بالإضافة إلى ذلك، تم تخليق Bi₀.₄Sb₁.₆Te₃ عن طريق صهر المواد المكونة عند 1,273 كلفن في أنبوب كوارتز لمدة 12 ساعة، تلاها طحن كروي للكتلة الناتجة لمدة ساعة واحدة. تضمنت المواد الخام المستخدمة في هذه العمليات قطع مغنيسيوم عالية النقاء (99.95%)، ومساحيق فضة (99.99%)، وكرات أنتيومون (99.999%)، وكرات بزموت (99.999%)، وكرات تيلوريوم (99.999%)، ومساحيق إنديوم (99.99%).
نقاش
يقدم قسم النقاش في ورقة البحث معمارية TEGNet، وهو نموذج شبكة عصبية مصمم لتسريع عملية تصميم مولدات الطاقة الحرارية (TE) من خلال استبدال المحاكيات القائمة على العناصر المحدودة التي تستغرق وقتًا طويلاً. يتضمن تصميم مولد الطاقة الحرارية التقليدي حل معادلات تفاضلية جزئية حرارية-كهربائية مرتبطة (PDEs) باستخدام برامج مثل COMSOL أو ANSYS، والتي تتطلب حسابات مكثفة، خاصة عند تغيير الأبعاد وظروف الحدود. يبسط TEGNet هذا من خلال التركيز على الأداء العام للإنتاج، باستخدام الأبعاد وظروف الحدود كمدخلات للتنبؤ بالمخرجات الرئيسية—جهد الخرج \( V_0 \) وتدفق الحرارة من الجانب البارد \( Q_0 \)—دون الحاجة إلى توزيعات داخلية مفصلة. تم تدريب النموذج باستخدام بيانات تم توليدها من محاكيات COMSOL، محققًا دقة عالية مع معامل تحديد \( R^2 \) يبلغ 0.9997 و0.9998 لـ \( V_0 \) و\( Q_0 \) على التوالي، عند حجم عينة مثالي يبلغ 1,200.
تم التحقق من قدرات التنبؤ السريع لـ TEGNet مقابل نتائج COMSOL، مما يظهر توافقًا ممتازًا في القدرة الناتجة \( P \) وكفاءة التحويل \( \eta \)، مع قيم \( R^2 \) تبلغ 0.9997 و0.9993، على التوالي. تسمح قابلية تركيب معمارية TEGNet بتصميم فعال لمولدات الطاقة الحرارية المقسمة والمقترنة من نوع n-p، مما يسهل استكشاف تكوينات متنوعة دون الحاجة إلى موارد حسابية واسعة. على سبيل المثال، مكن TEGNet تصميم مولد مقسم مع كفاءة تحويل مقاسة بلغت 9.3% عند 593 كلفن، مما يبرز تطبيقه العملي. بشكل عام، يمثل TEGNet تقدمًا كبيرًا في تصميم مولدات الطاقة الحرارية، حيث يجمع بين النمذجة المدفوعة بالبيانات والمبادئ الفيزيائية لتبسيط عملية التطوير مع الحفاظ على دقة تنبؤية عالية.
DOI: https://doi.org/10.1038/s41586-026-10223-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41986625
Publication Date: 2026-04-15
Author(s): Airan Li et al.
Primary Topic: Advanced Thermoelectric Materials and Devices
Overview
This section presents the development and application of TEGNet, a neural network emulator designed to predict the performance of thermoelectric (TE) generators with over 99% accuracy while significantly reducing computational time to just 0.01% of that required by traditional finite-element solvers. TEGNet demonstrates strong versatility across various material systems and facilitates the rapid exploration of diverse device architectures. The experimental optimization of segmented MgAgSb/Bi0.4Sb1.6Te3 and Mg3Bi1.4Sb0.6-MgAgSb n-p paired TE generators achieved conversion efficiencies of 9.3% and 8.7%, respectively, positioning them competitively within the existing literature.
The research underscores the complexity of designing high-performance TE generators, which necessitates not only the selection of advanced materials but also careful consideration of geometric and architectural factors. The performance of TE materials is quantified by the dimensionless figure of merit, \( zT = \frac{S^2 \sigma T}{\kappa} \), where \( S \), \( \sigma \), and \( \kappa \) represent the Seebeck coefficient, electrical conductivity, and thermal conductivity, respectively. TEGNet addresses the challenges of traditional design methods by enabling rapid predictions based on device geometry, thus facilitating efficient optimization of TE devices. While TEGNet excels in exploring the design space, it is acknowledged that it does not yet encompass all aspects of TE generator design, leaving room for future enhancements that could integrate more complex physical phenomena. Overall, this work highlights the transformative potential of AI in advancing thermoelectric research and device implementation.
Methods
In this study, the synthesis of materials involved the preparation of MgAgSb and Mg₃Bi₁.₄Sb₀.₆ through a ball milling process conducted in an argon atmosphere for 5 hours, utilizing a SPEX 8000D mill. The composition of MgAgSb was maintained at 0.625 wt%. Additionally, Bi₀.₄Sb₁.₆Te₃ was synthesized by melting the constituent materials at 1,273 K in a quartz tube for 12 hours, followed by a subsequent ball milling of the resultant ingot for 1 hour. The raw materials employed in these processes included high-purity Mg turnings (99.95%), Ag powders (99.99%), Sb shots (99.999%), Bi shots (99.999%), Te shots (99.999%), and In powders (99.99%).
Discussion
The discussion section of the research paper presents the TEGNet architecture, a neural network model designed to expedite the design process of thermoelectric (TE) generators by replacing time-consuming finite-element simulations. Traditional TE generator design involves solving coupled thermo-electrical partial differential equations (PDEs) using software like COMSOL or ANSYS, which is computationally intensive, especially when varying dimensions and boundary conditions. TEGNet simplifies this by focusing on overall output performance, using dimensions and boundary conditions as inputs to predict key outputs—output voltage \( V_0 \) and cold-side heat flow \( Q_0 \)—without the need for detailed internal distributions. The model was trained using data generated from COMSOL simulations, achieving high accuracy with a coefficient of determination \( R^2 \) of 0.9997 and 0.9998 for \( V_0 \) and \( Q_0 \), respectively, at an optimal sample size of 1,200.
TEGNet’s rapid prediction capabilities were validated against COMSOL results, demonstrating excellent agreement in output power \( P \) and conversion efficiency \( \eta \), with \( R^2 \) values of 0.9997 and 0.9993, respectively. The architecture’s composability allows for efficient design of segmented and n-p paired TE generators, facilitating the exploration of various configurations without the need for extensive computational resources. For instance, TEGNet enabled the design of a segmented generator with a measured conversion efficiency of 9.3% at 593 K, showcasing its practical application. Overall, TEGNet represents a significant advancement in TE generator design, combining data-driven modeling with physical principles to streamline the development process while maintaining high predictive fidelity.