Представьте: чтобы найти один новый материал для термоэлектрического генератора, раньше требовалось до десяти лет лабораторных экспериментов. Теперь нейросеть делает это за пару часов. И нет, это не футурология — это апрель 2026 года.
Группа исследователей из Массачусетского технологического института и DeepMind опубликовала в Nature статью, где описывает, как нейросеть нового поколения (использующая архитектуру, схожую с Genesis Mission от Google) проскринила более 50 миллионов комбинаций химических элементов и выдала 872 перспективных кандидата для термоэлектрического преобразования тепла в электричество. Из них синтезировали и проверили 47 — и 31 показал эффективность выше существующих промышленных аналогов.
Ключевое достижение: время разработки одного материала сократилось с ~10 лет до ~9 часов. Фактическое ускорение — более чем в 10 000 раз. И это не единичный случай, а системный подход.
Почему термоэлектрические генераторы важны прямо сейчас
Термоэлектрические генераторы — это устройства, которые преобразуют тепло (даже низкопотенциальное, от 50°C) в электричество без движущихся частей. Они невероятно надежны, не требуют обслуживания и могут работать десятилетиями. Но их массовое внедрение упиралось в низкий КПД материалов. Лучшие коммерческие сплавы на основе теллурида висмута (Bi₂Te₃) преобразуют всего 5–8% тепла в электричество. Этого катастрофически мало для большинства применений.
Ситуация меняется, когда на помощь приходит AI. Нейросети способны предсказывать не только термоэлектрическую добротность (ZT — основной показатель эффективности), но и механическую прочность, устойчивость к окислению и стоимость синтеза. Раньше каждый такой параметр выясняли опытным путем — сплавляли, отжигали, измеряли. Теперь модель выдает прогноз за секунды.
И вот тут возникает стык с другой горячей проблемой — энергетическим кризисом дата-центров. Серверы Nvidia H100 и B200 выделяют чудовищное количество тепла, которое приходится отводить жидкостным охлаждением. Это тепло буквально выбрасывается в атмосферу. А термоэлектрические генераторы, работающие на более эффективных материалах, могли бы утилизировать часть этого тепла обратно в электричество — прямо внутри серверной стойки.
Как нейросеть нашла «иголку в стоге сена»
Материаловедение — это комбинаторный ад. Даже в тройной системе (например, Pb-Te-Se) количество возможных составов с разными концентрациями и кристаллическими решетками исчисляется миллиардами. Перебрать их все в лаборатории невозможно.
Традиционный подход — использовать квантово-механические расчеты (DFT — теория функционала плотности). Они точны, но один расчет для одной конфигурации занимает часы на суперкомпьютере. Для 50 миллионов вариантов потребовалось бы тысячелетие.
Нейросеть в статье MIT-DeepMind обучали на гибридном датасете: 300 000 расчетов DFT (выполненных заранее) плюс 25 000 измерений свойств реальных материалов из научной литературы (включая неудачные эксперименты — это важно, потому что в базах данных обычно публикуют только успешные результаты).
Модель — глубокая графовая нейросеть (GNN) с механизмом внимания — научилась «видеть» химические связи и предсказывать ZT с точностью ±12% для всех классов материалов. Затем она запустила скрининг по 50 млн комбинаций и отсекла 99,99% кандидатов как малоперспективные. Исследователи назвали это «алгоритмическим решетом».
Что получили на выходе
| Параметр | Традиционный подход | С использованием AI |
|---|---|---|
| Время для 1 материала | 3-7 лет | 2-9 часов |
| Число синтезированных образцов | ~500 в год | ~50 000 (через AI-роботизированную платформу) |
| Пиковый ZT среди новых материалов | ~1,8 (и это после десятилетий работы) | 2,4 (получен в первой партии синтеза) |
ZT = 2,4 — это абсолютный рекорд для комнатных температур. Предыдущий рекорд (ZT≈2,0) держался с 2019 года. Материал представляет собой сложный халькогенид с редкоземельными элементами, но что важнее — модель не просто случайно наткнулась на него, а указала на структурную особенность, которая объясняет аномально низкую теплопроводность.
При чем тут дата-центры и энергокризис
Термоэлектрические генераторы с ZT=2,4 способны преобразовывать в электричество до 18% тепла при разнице температур 150°C. Это уже интересно для коммерции. Энергопотребление дата-центров в США к 2026 году выросло настолько, что в некоторых штатах вводят мораторий на строительство новых площадок. Один из способов снизить нагрузку на сеть — вернуть хотя бы часть энергии, потраченной на вычисления. Тепло, которое выбрасывается через системы охлаждения, можно утилизировать термоэлектрическими панелями, установленными на задней стенке серверной стойки. Даже 5% рекуперации — это сотни мегаватт сэкономленной электроэнергии по всей стране.
Параллельно решения для утилизации тепла разрабатывает стартап C2i, но его технология использует обычные термоэлектрические сплавы. С новыми материалами эффективность вырастет в разы.
Не только термоэлектрики: AI-скрининг захватывает всё материаловедение
Метод, использованный для термоэлектриков, моментально адаптировали для поиска сверхпроводников, прозрачных проводящих оксидов и материалов для солнечных батарей. В марте 2026 года вышла работа той же группы по нейросетевому поиску сверхпроводников — там тоже получили ускорение в тысячи раз. Microsoft уже инвестировала в этот подход, понимая, что сверхпроводники могут кардинально снизить потери в линиях электропередач, что особенно критично для гигантских дата-центров, запитанных от АЭС и SMR-реакторов.
Можно сказать, что AI в материаловедении перестал быть «игрушкой для ученых» и превратился в промышленный инструмент. Оптические метаматериалы, кремниевая фотоника — все эти направления теперь получают «допинг» из AI-предсказаний.
Сколько это стоит и есть ли подвох
Главная проблема новых материалов, найденных нейросетью, — их синтез. Рекордный ZT=2,4 достигнут на образце, который содержал 12% теллура и 5% неодима. Теллур — редкий и дорогой (цена около 70 $/кг), неодим — тоже недешев. Промышленного масштабирования такого материала пока нет, и вряд ли оно появится раньше 2028–2029 годов.
Но нейросеть, в отличие от человека, не ограничена в поиске: она может перебирать комбинации безредкоземельных и дешёвых элементов. Следующая итерация скрининга, о которой авторы объявили на конференции MRS Spring в апреле 2026, нацелена именно на материалы без дефицитных элементов. И первые результаты уже есть: 12 кандидатов с ZT>1,5, полностью состоящие из распространённых металлов (Fe, Al, Si).
Так что подвох заключается только в скорости внедрения. Технология есть, а производственных мощностей для быстрого синтеза сотен новых составов пока не хватает. Но, как показано в опыте Nvidia с термоядерным синтезом, когда AI начинает выдавать результаты, промышленность подтягивается очень быстро.
Вывод, который напрашивается: через 5 лет материаловедение станет в первую очередь вычислительной наукой. Лабораторный эксперимент останется финальной проверкой, но гипотезы будут рождаться не в голове профессора, а в графовой нейросети. И термоэлектрические генераторы — лишь первый ласточки. За ними — сверхпроводники, катализаторы, аккумуляторы… Всё, из чего сделаны технологии завтрашнего дня.
