Inteligencia artificial acelera 10.000 veces el diseño de dispositivos que convierten calor residual en electricidad
Un sistema de redes neuronales llamado TEGNet ha logrado modelar el rendimiento de generadores termoeléctricos con más del 99% de precisión mientras reduce el tiempo de cálculo aproximadamente 10.000 veces comparado con sistemas convencionales, según un estudio publicado en la revista Nature. El avance podría impulsar el desarrollo de dispositivos que transforman calor de desecho en electricidad sin emisiones de dióxido de carbono.
Investigadores han desarrollado TEGNet, un sistema basado en inteligencia artificial que revoluciona el diseño de generadores termoeléctricos (TEG, por sus siglas en inglés), dispositivos capaces de convertir calor residual directamente en electricidad sin piezas móviles ni emisiones de dióxido de carbono, según un artículo publicado por Li y colaboradores en la revista Nature.
Los generadores termoeléctricos tienen aplicaciones que van desde alimentar dispositivos portátiles hasta recuperar calor producido por procesos industriales, lo que podría representar un papel fundamental para abordar los desafíos energéticos globales, según explica Jing Cao, del Instituto de Investigación e Ingeniería de Materiales de la Agencia para la Ciencia, Tecnología e Investigación de Singapur y del Departamento de Ciencia e Ingeniería de Materiales de la Universidad Nacional de Singapur.
Sin embargo, optimizar los diseños de estos dispositivos ha sido una tarea extremadamente compleja que ha impedido que alcancen su potencial completo, según Cao. El nuevo sistema TEGNet aborda este problema mediante el uso de redes neuronales que modelan el rendimiento de los generadores termoeléctricos con una precisión superior al 99%, mientras reduce el tiempo computacional aproximadamente 10.000 veces en comparación con los sistemas predictivos convencionales, según el estudio.
Más allá de acelerar el diseño de generadores termoeléctricos, TEGNet produce modelos específicos para cada material de los componentes de estos dispositivos, que pueden ensamblarse virtualmente de manera modular, según la investigación. Esta característica permite la exploración rápida de diversas arquitecturas de dispositivos, lo que representa un avance significativo en el campo.
Los generadores termoeléctricos funcionan convirtiendo diferencias de temperatura en electricidad mediante el efecto Seebeck, un fenómeno físico que ocurre en ciertos materiales semiconductores. Hasta ahora, el proceso de diseño y optimización de estos dispositivos requería simulaciones computacionales extremadamente costosas en términos de tiempo y recursos, lo que limitaba la capacidad de los investigadores para explorar diferentes configuraciones y materiales.
La capacidad de TEGNet para reducir drásticamente el tiempo de cálculo mientras mantiene una precisión superior al 99% podría acelerar significativamente el desarrollo de aplicaciones prácticas de esta tecnología. Desde la recuperación de calor en plantas industriales hasta la alimentación de sensores y dispositivos electrónicos portátiles, los generadores termoeléctricos optimizados mediante inteligencia artificial podrían contribuir a mejorar la eficiencia energética en múltiples sectores.
El enfoque modular del sistema, que permite combinar virtualmente diferentes materiales y configuraciones, representa un cambio fundamental en cómo se diseñan estos dispositivos. En lugar de depender de procesos de prueba y error que consumen tiempo y recursos, los investigadores pueden ahora explorar rápidamente miles de posibles diseños para identificar las configuraciones más eficientes para aplicaciones específicas.
La investigación se produce en un momento en que la recuperación de energía térmica residual se considera cada vez más importante para mejorar la eficiencia energética global. Según estimaciones de la industria, grandes cantidades de calor se desperdician en procesos industriales, vehículos y sistemas de generación de energía, representando una oportunidad significativa para la recuperación energética mediante tecnologías como los generadores termoeléctricos.
El desarrollo de TEGNet ilustra cómo la inteligencia artificial está transformando el campo de la ciencia de materiales y el diseño de dispositivos. Al combinar modelos de aprendizaje automático con conocimientos fundamentales de física y ciencia de materiales, los investigadores pueden ahora abordar problemas de optimización que anteriormente eran computacionalmente prohibitivos.
La publicación del estudio en Nature, una de las revistas científicas más prestigiosas del mundo, subraya la importancia del avance. El sistema TEGNet podría servir como modelo para aplicar técnicas similares de inteligencia artificial al diseño de otros tipos de dispositivos energéticos y electrónicos, acelerando potencialmente el desarrollo de tecnologías limpias necesarias para la transición energética global.
