Enerji dönüştürme sistemlerinin kalbi sayılan termodinamik çevrimlerin tasarımında çığır açacak yeni bir yapay zeka yaklaşımı geliştirildi. Cornell Üniversitesi'nden araştırmacıların öncülük ettiği bu çalışma, geleneksel tasarım yöntemlerinin sınırlarını aşmayı hedefliyor.
Mevcut termodinamik çevrim tasarım yöntemleri büyük ölçüde uzman bilgisine dayanıyor ve genellikle tüm olasılıkları tek tek deneme yaklaşımını benimsiyor. Bu durum hem verimsizlik yaratıyor hem de ölçeklenebilirlik sorunları ortaya çıkarıyor, dolayısıyla yüksek performanslı çevrimlerin keşfini kısıtlıyor.
Yeni geliştirilen sistem, termodinamik çevrimleri graf yapıları halinde kodlayarak işe başlıyor. Bu yaklaşımda sistem bileşenleri düğümler, aralarındaki bağlantılar ise kenarlar olarak temsil ediliyor. Tüm bu yapı belirli gramatikal kısıtlamalara uygun şekilde oluşturuluyor.
Sistemin en dikkat çekici özelliği iki seviyeli hiyerarşik yapısı. Üst düzeyde çalışan 'yönetici' modül yapısal evrimi keşfediyor ve aday konfigürasyonlar öneriyor. Alt düzeydeki 'işçi' modül ise bu önerilen yapıların parametrelerini optimize ediyor ve performans geri bildirimini sağlıyor.
Bu yenilikçi yaklaşım, derin öğrenme tabanlı termofiziksel vekil modeller kullanarak kararlı graf çözümlemesi ve küresel parametrelerin eş zamanlı çözümünü mümkün kılıyor. Sonuç olarak sistem, insan müdahalesi olmadan yüksek performanslı enerji dönüştürme çevrimleri tasarlayabiliyor.