电子产品世界

最近的一项研究表明，由人工智能设计的热电发电机的性能与现有的最佳设备相当。日本材料科学研究机构/筑波大学/《Nature》杂志

废热无处不在：汽车发动机、工业机械、家用电器，甚至人体都会产生废热。借助热电发电机，部分废热可转化为电能。这类装置结构紧凑、为固态器件，依靠温差直接发电，无需旋转涡轮和活动零部件。

但长期以来，研发高效率热电材料一直是工程领域的难题：需要通过耗时的仿真与繁复实验，筛选出导电性能好、同时抑制无效热传导的材料组合。

如今日本研究团队开发出一套人工智能工具，设计热电发电机的速度比传统方法快一万倍。研究实测发现，依据该 AI 方案制作的原型器件，性能与当下顶尖热电设备处于同一水平。

这项研究于 4 月 15 日发表在《Nature》，有望推动一项前景广阔却迟迟未能普及的清洁能源技术落地：大幅加快低成本热电材料与器件结构的研发，高效实现废热向电能的转化。日本筑波材料纳米结构研究中心副主任森孝雄带领团队完成了本次研究。

休斯顿大学德州超导中心主任任志峰并未参与该研究，他评价：“这项研究成果扎实，也预示了人工智能在未来这类技术设计中将扮演重要角色。”

热电发电机：实现废热变电能

热电发电机已有数十年应用历史，长期为航天器、偏远地区天然气管道、无人值守远程传感器供电，这类场景不便频繁更换电池。但受高昂成本与中等性能限制，其应用一直局限于小众领域。原本有望在炼油厂、钢铁厂及重工业大规模推广的愿景迟迟未能落地，海量废热资源仍未被利用。

大型发电厂普遍采用蒸汽热力系统：烧水驱动涡轮发电，大规模工况下效率很高，但依赖运动部件、维护成本高，且对工作温度要求高，不适合零散、中低温废热回收场景。

而热电发电机恰好适配这类场景。其小型固态结构可从发动机排气管、工业锅炉、服务器机柜、高性能电子设备表面回收零散低热，这些场景传统涡轮设备根本无法适用。

但热电发电机技术发展长期受限于缓慢繁琐的设计流程：科研人员必须同时找到两种特性兼顾的材料 —— 导电效率高、又尽量抑制无益的热量传导。

找到这种稀缺材料匹配组合，是利用塞贝克效应的关键：两种半导体存在温差时，便可驱动电流产生。传统方式下，科研人员仅评估一种结构配置，就要通过低速物理仿真耗费数天甚至数周时间筛选。

AI 大幅提速热电发电机设计

这套全新 AI 研发方法彻底改变了低效筛选模式。研究团队推出开源工具TEGNet，基于神经网络框架训练而成，可拟合描述热电材料热流与电荷输运的复杂物理方程。模型无需反复从头求解方程，而是自主学习材料特性，并将其视作可自由组合的模块化单元。科研人员得以在毫秒级时间内，快速筛选数千种器件结构并预判性能。

新加坡科技研究局科学家曹静、香港中文大学 Ady Suwardi 在《Nature》评论文章中写道：“这种超高速度让研究人员能够穷尽遍历设计参数，发掘传统方法容易遗漏的最优器件构型。”

为验证实用性，森孝雄团队利用 TEGNet 优化了两类发电机结构：一类为分段单偶结构，堆叠多种热电材料，让每种材料在专属最优温区高效工作；另一类搭配N 型与 P 型互补半导体，热量流经即可产生电能。

AI 遍历数千种结构后，筛选出性能潜力优异的器件几何构型。研究团队采用放电等离子烧结工艺制作原型：利用电流脉冲将粉末材料快速压实为高密度固态器件。在工业废热典型工况温度下，两种设计的能量转换效率均达到约9%。

这个数字看似并不惊人，但所有热发电技术都存在效率天然上限，由冷热端温差决定，即热力学卡诺极限。在该理论约束范围内，森孝雄团队的 AI 新设计，已跻身同温区性能最优的热电发电机行列。

而在热电技术领域，哪怕效率小幅提升，也足以决定废热回收项目是否具备经济可行性。

AI 助力发掘低成本热电材料

材料与制造成本是热电技术另一大瓶颈。行业长期依赖碲化铋等半导体材料，其中碲元素储量稀缺，且高性能器件需要精密晶体生长与微观结构调控，拉高了制造难度与成本。

森孝雄表示，TEGNet 筛选出的部分 AI 设计方案，可采用更简易的制造工艺，部分甚至完全不用碲化铋。因涉及产业合作细节暂未完全公开，但初步成本测算显示：这类新设计有望让热电发电机在工业废热场景下首次具备商业化经济价值。

森孝雄称：“从预估成本来看，我们有望在热电发展史上，首次实现具备工业竞争力的发电成本。”

关键词： 人工智能 热发电机