AI가 열전 발전기 설계를 1만 배 빠르게 설계

일본 츠쿠바 물질·나노아키텍처 연구센터의 Takao Mori 팀이 Nature(4월 15일)에 발표한 TEGNet은 열전 발전기(Thermoelectric Generator, TEG) 설계를 기존 방식 대비 약 1만 배 빠르게 수행하는 신경망 기반 도구다. 기존 설계는 Seebeck 효과—두 반도체 양단의 온도차가 전류를 유도하는 현상—를 극대화하기 위해 "전기는 잘 통하고 열은 차단하는" 희귀한 물질 조합을 탐색해야 했고, 단일 구성을 평가하는 데에도 수일에서 수주의 물리 시뮬레이션이 필요했다. TEGNet은 열 흐름과 전하 수송을 지배하는 복잡한 편미분방정식을 매번 풀어내는 대신, 물질의 거동을 학습한 뒤 이를 모듈형 컴포넌트로 취급해 조합 가능한 설계 공간을 밀리초 단위로 스크리닝한다. 세그먼트형 unicouple과 n-type/p-type 반도체 쌍 두 구조 모두 산업 폐열 수준의 온도 구간에서 약 9% 변환 효율을 달성해, Carnot 한계를 고려하면 동급 최고 수준의 성능을 낸 셈이다.

엔지니어 관점에서 이 연구가 흥미로운 지점은 "방정식을 풀지 않고, 방정식의 답을 근사하는" 신경망 서로게이트(surrogate) 모델 패턴이 또 하나의 실증 사례를 얻었다는 것이다. 유체역학, 반도체 소자 시뮬레이션, 분자동역학 등 고비용 수치해석에 의존해온 영역들이 비슷한 방식으로 재편되고 있으며, TEGNet처럼 물리법칙을 내재화한 학습 모델은 "전체 공간 탐색 → 유망 후보 실측 검증"이라는 새로운 R&D 워크플로우를 표준화하고 있다. 특히 이 연구는 비스무트 텔루라이드처럼 희소·고가인 텔루륨 기반 소재를 회피한 대안 설계까지 AI가 발굴했다는 점에서, 데이터 기반 최적화가 단순한 속도 향상을 넘어 공급망·제조공정 제약까지 설계 변수로 통합할 수 있음을 보여준다. 서버 랙, 고성능 전자기기의 발열 회수처럼 소프트웨어 엔지니어와 직접 맞닿는 응용 시나리오(데이터센터 폐열 에너지 하베스팅 등)에도 영향이 확산될 여지가 크다.

실무 개발자가 가져갈 시사점은 세 가지다. 첫째, TEGNet은 공개(publicly available) 도구이므로, 에너지·소재 분야와 접점이 있는 엔지니어라면 모델 아키텍처와 학습 데이터 구성 방식을 직접 들여다볼 가치가 있다—물리 기반 서로게이트 모델을 자기 도메인에 이식할 때의 레퍼런스가 된다. 둘째, "모듈형 컴포넌트 조합 + 대규모 스크리닝 + 소규모 실물 검증"이라는 패턴은 AutoML, 하이퍼파라미터 탐색, 아키텍처 서치와 구조적으로 동일하므로, 기존 ML 인프라 경험을 과학 계산 영역으로 확장하는 진입점이 될 수 있다. 셋째, 산업 폐열 회수가 경제성을 확보하기 시작하면 엣지 디바이스, IoT 센서, 원격 설비 모니터링처럼 "배터리 교체가 비현실적인" 시스템에서 TEG 기반 상시 전원이 선택지로 올라온다—펌웨어·저전력 프로토콜·에너지 수확 회로 설계 경험이 향후 5~10년 사이 수요가 늘어날 영역이라는 점을 염두에 둘 만하다.