Композиционные нейросетевые эмуляторы ускоряют проектирование термоэлектрических генераторов

Проектирование высокоэффективных термоэлектрических (ТЭ) устройств представляет собой сложную задачу, поскольку требует не только передовых материалов, но и оптимальных конфигураций, которые имеют решающее значение для максимизации характеристик устройств, однако их выявление по-прежнему связано с большими затратами времени и ресурсов1–5. В данной работе разработан TEGNet — эмулятор на основе нейронной сети, который прогнозирует характеристики ТЭ-генераторов с точностью более 99%, используя лишь 0,01% вычислительного времени, необходимого коммерческим конечно-элементным решателям. TEGNet демонстрирует высокую архитектурную универсальность для различных систем материалов и обеспечивает гибкое комбинирование эмуляторов, специфичных для отдельных материалов, что открывает возможности для быстрого и точного исследования разнообразных архитектур устройств. С помощью TEGNet были экспериментально оптимизированы сегментированные ТЭ-генераторы MgAgSb/Bi0.4Sb1.6Te3 и парные ТЭ-генераторы Mg3Bi1.4Sb0.6–MgAgSb с n–p-переходом; достигнуты коэффициенты преобразования 9,3 и 8,7% соответственно, что обеспечивает им конкурентно высокие позиции среди ранее представленных устройств6–10. Эта работа демонстрирует возможности искусственного интеллекта (ИИ) в проектировании ТЭ-генераторов и стимулирует дальнейшие исследования применения ИИ в термоэлектрике. Описан композиционный эмулятор на основе нейронной сети для ускорения проектирования термоэлектрических генераторов, способный прогнозировать характеристики генераторов с точностью более 99% и требующий лишь 0,01% времени по сравнению с коммерческими конечно-элементными решателями.