Η αναζήτηση υλικών που μετατρέπουν τη χαμένη θερμότητα σε ηλεκτρισμό γίνεται συνήθως με αργές δοκιμές και διαδοχικούς υπολογισμούς. Μια νέα μελέτη στο npj Computational Materials δείχνει πώς η γενετική τεχνητή νοημοσύνη μπορεί να λειτουργήσει ως φίλτρο σε έναν τεράστιο χώρο πιθανών κρυσταλλικών δομών, χωρίς όμως να παρακάμπτει την ανάγκη για αυστηρό φυσικό έλεγχο.
Από 6.400 υποψήφιες δομές σε τέσσερις ενώσεις
Οι ερευνητές δημιούργησαν 6.400 υποψήφιες δομές με ένα generative μοντέλο, εκπαιδευμένο στη βάση MatHub-3d. Μετά την αφαίρεση διπλοτύπων και την εφαρμογή περιορισμών στη στοιχειομετρία και στα στοιχεία, έμειναν 1.461 συνθέσεις για τα επόμενα στάδια.
Η διαδικασία συνεχίστηκε ιεραρχικά. Μοντέλα μηχανικής μάθησης περιόρισαν γρήγορα τον χώρο αναζήτησης, ενώ υπολογισμοί θεωρίας συναρτησιακού πυκνότητας (DFT) έλεγξαν τη χαλάρωση της δομής, τη σταθερότητα και το ενεργειακό χάσμα. Από τα αρχικά υποψήφια υλικά προέκυψαν 64 που έδειχναν αρκετά υποσχόμενα για πιο λεπτομερή μελέτη.
Το τελικό στάδιο, με υπολογισμούς φωνονίων και δυνάμεων μεταξύ ατόμων τρίτης τάξης, εντόπισε τέσσερις δυναμικά σταθερές και προηγουμένως μη αναφερθείσες ενώσεις: DyTlTeSe, Li₂In₄Cu₂Te₈, Na₃CaP₃ και Si₂Cu₃AgS₆.
Τι σημαίνει θερμοηλεκτρικό υλικό
Τα θερμοηλεκτρικά υλικά μπορούν να παράγουν ηλεκτρική τάση όταν υπάρχει διαφορά θερμοκρασίας ανάμεσα στις δύο πλευρές τους. Η ιδέα είναι ελκυστική για την αξιοποίηση απορριπτόμενης θερμότητας σε βιομηχανικές εγκαταστάσεις, κινητήρες ή ηλεκτρονικά συστήματα, επειδή δεν απαιτεί κινούμενα μέρη.
Η απόδοσή τους εξαρτάται από μια δύσκολη ισορροπία: το υλικό πρέπει να μεταφέρει καλά το ηλεκτρικό φορτίο, αλλά να εμποδίζει όσο γίνεται τη μεταφορά θερμότητας μέσα από το κρυσταλλικό πλέγμα. Οι ερευνητές χρησιμοποίησαν, μεταξύ άλλων, την αδιάστατη παράμετρο ZT για να εκτιμήσουν αυτή την απόδοση.
Στους υπολογισμούς τους, τα Na₃CaP₃ και Si₂Cu₃AgS₆ εμφάνισαν προβλεπόμενες τιμές ZT 1,59 και 2,24 αντίστοιχα στους 700 K, όταν συνυπολογίστηκαν η σκέδαση από παραμορφωτικό δυναμικό και η σκέδαση από οπτικά πολώνια. Πρόκειται για υπολογιστικές προβλέψεις και όχι για μετρήσεις μιας έτοιμης συσκευής.
Το κρίσιμο βήμα είναι έξω από την προσομοίωση
Η μελέτη δείχνει μια πιο πρακτική εκδοχή της «αντίστροφης σχεδίασης»: αντί να ξεκινά από γνωστά υλικά και να εξετάζει μία-μία τις παραλλαγές τους, το σύστημα παράγει δομές που θα μπορούσαν να ταιριάζουν σε έναν στόχο και στη συνέχεια τις περνά από διαδοχικά αυστηρότερα φίλτρα.
Αυτό μειώνει τον υπολογιστικό χρόνο, αλλά δεν αποδεικνύει από μόνο του ότι οι ενώσεις μπορούν να παρασκευαστούν, να παραμείνουν σταθερές σε πραγματικές συνθήκες ή να αποδώσουν το ίδιο σε μια λειτουργική γεννήτρια. Χρειάζονται εργαστηριακή σύνθεση, πειραματικές μετρήσεις και έλεγχος της συμπεριφοράς τους σε θερμοκρασίες και περιβάλλοντα που συναντώνται σε εφαρμογές.
Το ουσιαστικό αποτέλεσμα, επομένως, δεν είναι ότι η AI «βρήκε» ήδη ένα νέο ενεργειακό υλικό για την αγορά. Είναι ότι προσφέρει έναν τρόπο να μετατραπεί η αναζήτηση σε διαχειρίσιμο πρόβλημα: από χιλιάδες υποθετικές δομές σε λίγους υποψηφίους που αξίζει να δοκιμαστούν στο εργαστήριο.