可组合的神经网络模型，加速热电发电机设计

热电技术可将废热直接转化为电能，是节能减排的重要途径。但要造出高性能热电发电机，光有好材料还不够——还需优化材料组合、器件结构（如腿长、截面积）和连接方式（如分段式、n-p对式），这通常依赖耗时耗力的有限元仿真（如COMSOL软件），每次调整参数都要重新建模解方程，效率极低。本文创新性地开发了TEGNet——一种轻量级神经网络模拟器。它不模拟内部温度/电压分布，只精准预测用户最关心的两个核心输出：冷端输出电压V₀和冷端热流Q₀。训练时用COMSOL生成少量（1200组）高质量数据，之后即可实现“秒级”预测：单次计算仅需0.25秒，速度是COMSOL的万分之一（2237秒→0.25秒）。TEGNet具备两大关键优势：一是‘可组合性’——不同材料对应的独立TEGNet模型，可通过物理规则（如串联电流相等、能量守恒）灵活拼接，轻松模拟复杂结构，如MgAgSb/Bi₀.₄Sb₁.₆Te₃分段式发电机（效率9.3%）或Mg₃Bi₁.₄Sb₀.₆–MgAgSb n-p配对发电机（效率8.7%）；二是‘强泛化性’——一套框架适配十余种主流热电材料（如SnSe、GeTe、PbTe等），无需为每种材料从头训练。它还能方便纳入接触电阻等实际损耗因素，且不需重训模型。实验证明，TEGNet指导设计的器件性能达到国际领先水平。该工作表明，AI不是取代物理原理，而是与之结合：用数据驱动加速设计探索，把材料研发成果更快落地为实用器件，为热电领域开辟了高效、可扩展的新范式。