Экспертное заключение подготовлено по итогам сессии ФБТ-2025 «Принципы создания материалов и технологий нового поколения».
Представьте мир, где создание нового материала занимает не десятилетия, а месяцы, и даже дни. Где искусственный интеллект не просто предсказывает свойства сплавов, но и «изобретает» их под конкретные задачи — от жаропрочных лопаток турбореактивных двигателей до биосовместимых имплантов. Где разработка стали для космического корабля и корпуса подводной лодки осуществляется на одной цифровой платформе, обеспечивая экономию бюджетных средств. Это не фантастика — это ближайшее будущее материаловедения, если мы сможем достичь прорыва в трех основных направлениях: научимся транслировать методы цифрового моделирования на технологии синтеза и производства не только материалов, но и конечной продукции, преодолеем пропасть между лабораторией и заводом, а также устраним разрозненность данных. Современная промышленность напоминает гонку, где побеждает тот, кто быстрее превращает данные в продукты. Но как ускорить разработку, если проверка долговечности материала требует 30 лет испытаний? Как избежать дублирования исследований, когда авиационные и судостроительные институты десятилетиями создают идентичные сплавы, не подозревая о работе друг друга? И главное — как заставить цифровые модели работать не на бумаге, а в цехах, где даже незначительное изменение доли тех или иных веществ или небольшие отличия в обработке могут радикально изменить свойства материала?
Цифровая революция в материаловедении.
Разработка новых материалов переживает трансформацию, где искусственный интеллект, цифровые двойники и роботизированные лаборатории переплетаются с традиционными методами исследований. Как отметил Артём Аганов (Сколтех), классический метод проб и ошибок уступает место целенаправленному поиску соединений с заданными свойствами: алгоритмы предсказывают кристаллические структуры, свойства и даже методы синтеза материалов [1]. Используя большие наборы данных и алгоритмы самообучения, подходы, основанные на искусственном интеллекте, могут выявить сложные взаимосвязи между структурами и свойствами материалов, что приведет к революции в таких областях, как хранение энергии, аэрокосмическая промышленность и здравоохранение [2]. Но несмотря на кажущуюся всесильность ИИ, эффективность его применения очень сильно зависит от доступности и качества наборов данных, что становится серьезным барьером [2]. Кроме того, важно доводить новые материалы до стадии промышленного производства. По словам Георгия Плотникова (ООО «Центротех-Инжиниринг», ГК «Росатом»), для ускорения данного процесса расширяется применение цифровых двойников, и они ставят перед собой амбициозную цель по обеспечению точности совпадения с экспериментом не менее 95% (по сравнению с текущими мировыми показателями 80-85%). Однако, даже такая точность недостаточна для отказа от физических экспериментов, которые могут занимать более 30 лет.
Перспективы и методы ускорения экспериментальной проверки.
По словам Алексея Кудрявцева (НИЦ «Курчатовский институт») Разработка новых конструкционных материалов включает 2 этапа: определение базовой химической композиции в зависимости от требуемых условий и обоснование работоспособности этого материала. Другими словами, это стадии теоретических поисковых исследований и экспериментальной валидации, соответственно. Современные методы моделирования позволяют сократить первый этап. Второй этап — синтез и испытания, в том числе в реальных условиях эксплуатации. Ускорить синтез материалов позволяют современные автоматизированные системы, дополненные искусственным интеллектом. Одним из примеров подобных решений является, например, представленная на Форуме будущих технологий (ФБТ) платформа Росатома, которая позволяет моделировать поведение материалов на микро- и макроуровнях, смешивать компоненты с применением лазера и, как итог, синтезировать до 10 составов в сутки, предоставляя их для дальнейших испытаний [3]. Однако, даже самые точные алгоритмы нуждаются в экспериментальном подтверждении, а ресурсные испытания занимают десятилетия. В частности, Алексей Кудрявцев привел в пример вышедший из строя около 15 лет назад трубопровод после 30 тысяч часов работы, при рассчитанном сроке эксплуатации в 100 тысяч. Это оказалось связано с проявлением в среде условий, о существовании которых никто до этого не знал, и они привели к резкому изменению свойств материала. Тем не менее, существуют технологии ускоренных исследований, в частности, Курчатовский институт разработал метод проверки материалов на ускорителях тяжелых ионов, заменяющий 30-летние циклы реакторных тестов 2–3 годами экспериментов [4,5]. Но пока такие методы не дают 100% гарантии. Во-первых, эти результаты необходимо проверить традиционными испытаниями, в том числе с целью обоснования достоверности ускоренных исследований, приведения к традиционным и дальнейшей регламентации. Во-вторых, как видно в данном случае, механизмы ускоренных испытаний имеют пока частный характер с ограниченной областью применения. Другой важной проблемой является моделирование поведения материалов при различных конструкционных воздействиях, осуществляемых для производства конечной продукции, влияние которых на структуру кристаллической решетки может радикально изменить свойства изделия.
Разрозненность данных — главный барьер для консолидации усилий.
Будущее методов цифрового моделирования — за междисциплинарным сотрудничеством ученых-материаловедов, специалистов по информатике и инженеров из различных отраслей. Это сотрудничество необходимо для преодоления технических проблем и раскрытия всего потенциала искусственного интеллекта в материаловедении [6]. Разрозненность данных — главный барьер для прорыва. Мы уже отметили необходимость большого объема зарегистрированных наблюдений для алгоритмов машинного обучения, моделей искусственного интеллекта и цифровых двойников. Помимо этого, стоит отметить, что многие отрасли сегодня ведут самостоятельные разработки. При этом, как говорит Павел Мазалов (НИЦ «Курчатовский институт»), все чаще возможно встретить ситуацию, когда сталь, разработанная, например, для авиации или космических аппаратов, прекрасно подходит по свойствам для судостроения и наоборот. Но из-за отсутствия коммуникаций, взаимодействия, а также ведомственных барьеров конструкторы не могут использовать эти наработки. Решение — единая база данных, объединяющая информацию всех отраслей. Как заявила Виктория Дуюнова, модератор сессии, такая платформа позволит:
- Снизить затраты на НИОКР за счет исключения дублирования.
- Ускорить поиск аналогов для критических материалов (например, при санкционных ограничениях).
- Выявлять «белые пятна» — направления, где нужны принципиально новые решения.
Но проблема не только в консолидации, но и в детализации. Как отметил Георгий Плотников, даже незначительные различия в режимах прокатки или термообработки делают материалы уникальными. База должна включать не только химический состав, но и параметры производства. Кроме того, не менее серьезным является вопрос разграничения прав пользования такой базой и сохранения коммерческой тайны, в случае необходимости.
Рекомендации для органов государственной власти:
1. Разработка национальной межотраслевой базы данных результатов исследований материалов и федеральной программы обмена данными между промышленными компаниями и научно-исследовательскими учреждениями. Это позволит увеличить количество данных для обучения алгоритмов с использованием искусственного интеллекта, повысить точность предиктивных моделей и, как следствие, снизить затраты на разработки.
2. Разработка и систематизация стандартов ускоренных испытаний, что позволит ускорить внедрение новых материалов и ускорить общий прогресс в разработке за счет высвобождающегося времени. Кроме того, в целях достижения технологического лидерства и дальнейшей экспансии на мировые рынки необходима валидация данных методов в международном правовом поле, для чего целесообразно создание совместных лабораторий со странами, представляющими для нас потенциальные рынки сбыта (например, по линии БРИКС).
3. Внедрение Национальной базы данных материалов с открытым доступом для всех конструкторов и исследователей. При этом необходимо проработать стандарты описания материалов, включая параметры производства, а также продумать механизмы защиты коммерческой тайны. Консолидация информации от всех отраслей позволит существенно снизить затраты на НИОКР за счет исключения дублирования, а также сформирует базис для новых междисциплинарных исследований.
Список источников:
1. Pyzer-Knapp, E.O., Manica, M., Staar, P. et al. Foundation models for materials discovery — current state and future directions. // npj Comput Mater, 11(61), 2025.
https://doi.org/10.1038/s41524-025-01538-0
2. Zuccarini С., Ramachandran K., Jayaseelan D. D.. Material discovery and modeling acceleration via machine learning. // APL Mater, 12(9), 2024, 090601.
https://doi.org/10.1063/5.0230677
3. «Росатом» представил на форуме будущих технологий уникальную разработку для создания новых материалов в интересах промышленности //
https://niirosatom.ru/press-center/news/rosatom-predstavil-na-forume-budushchikh-tekhnologiy-unikaln... 21.02.2025
4. Федин П. А., Прянишников К. Е., Зиятдинова А. В. Имитационные эксперименты на тяжелоионном ускорителе ТИПР // Ядерная физика и инжиниринг, Т. 14, № 5, 2023, 498-503. DOI 10.56304/S207956292205058X
5. В России придумали уникальный метод проверки материалов для реакторов АЭС //
https://ria.ru/20200926/reaktor-1577802435.html 26.09.2020
6. Papadimitriou I., Gialampoukidis I., Vrochidis S., Kompatsiaris I.. AI methods in materials design, discovery and manufacturing: A review // Computational Materials Science, Volume 235, 2024, 112793.
https://doi.org/10.1016/j.commatsci.2024.112793.
Экспертные аналитические заключения по итогам сессий деловой программы Форума и любые рекомендации, предоставленные экспертами и опубликованные на сайте Фонда Росконгресс являются выражением мнения данных специалистов, основанном, среди прочего, на толковании ими действующего законодательства, по поводу которого дается заключение. Указанная точка зрения может не совпадать с точкой зрения руководства и/или специалистов Фонда Росконгресс, представителей налоговых, судебных, иных контролирующих органов, а равно и с мнением третьих лиц, включая иных специалистов. Фонд Росконгресс не несет ответственности за недостоверность публикуемых данных и любые возможные убытки, понесенные лицами в результате применения публикуемых заключений и следования таким рекомендациям.
