Каждый новый чип, каждый аккумулятор электромобиля, каждый элемент солнечной панели — это прежде всего материал. И чем быстрее развиваются микроэлектроника, энергетика и ИИ-инфраструктура, тем острее они упираются в одно и то же ограничение: существующие материалы перестают справляться с новыми требованиями. Индустрии нужны соединения более прочные, легкие, термостойкие и дешевые в производстве, а найти их становится все сложнее.
Раньше поиск таких материалов был уделом академических лабораторий: годы экспериментов, тысячи синтезированных образцов и в лучшем случае одно полезное открытие. Сегодня этот процесс превращается в технологическую гонку с совершенно другими скоростями и ставками.
В нее уже включились Microsoft и Google, но не только они. Рядом с технологическими гигантами в эту гонку все активнее входят компании, которые, казалось бы, должны быть далеки от алгоритмов, например горнодобывающие. Для них ИИ в материаловедении — это способ переосмыслить саму логику своего бизнеса: от добычи и переработки сырья к развитию компании по технологической бизнес-модели, создавая спрос за счет разработки и вывода на рынок новых материалов на базе своих металлов для разных отраслей промышленности.
От лаборатории к алгоритму: как ИИ и технологии меняют материаловедение
Еще недавно разработка новых материалов строилась в основном вокруг длительных лабораторных экспериментов, последовательной проверки гипотез и ручного подбора соединений. Создание нового сплава, покрытия или катализатора могло занимать годы: исследователям приходилось синтезировать сотни вариантов материалов, чтобы найти комбинацию с нужными свойствами.
Теперь этот подход постепенно меняется. Искусственный интеллект позволяет моделировать структуру и поведение материалов еще до реального синтеза, сокращая количество экспериментов и ускоряя поиск перспективных соединений.
Одними из главных драйверов этого направления стали Google и Microsoft. Проект GNoME от Google DeepMind использует ИИ для генерации и проверки новых кристаллических структур, а платформа MatterGen от Microsoft ориентирована на создание материалов с заранее заданными характеристиками. В обоих случаях речь идет уже не просто об анализе существующих данных, а о генеративном подходе, при котором алгоритмы предлагают новые соединения под конкретные задачи.
Параллельно цифровое материаловедение начинает выходить за пределы фундаментальной науки и переходить в промышленность. Так, Toyota совместно с университетами и национальными лабораториями развивает роботизированные системы для ускоренного поиска материалов для энергетики и катализаторов, а Hyundai Steel использует машинное обучение для обратного проектирования стальных сплавов под заданные механические свойства.
Постепенно ИИ становится для индустрии не вспомогательным инструментом анализа, а полноценной системой проектирования материалов под конкретные технологические процессы и требования производства. «Использование технологий искусственного интеллекта уже сегодня позволяет быстрее и эффективнее анализировать патентные базы и научные статьи. На этапе генерации гипотез это дает ускорение процесса на 30–40%. Использование больших языковых моделей для генерации новых соединений позволяет на начальной стадии выбирать из миллиона различных комбинаций узкий перечень наиболее перспективных соединений для последующего синтеза и проверки свойств в реальных условиях. Этот подход значительно ускоряет цикл разработки и в конечном итоге получение материала с наилучшими характеристиками и в сжатые сроки», — отмечает Дмитрий Изотов, директор Центра палладиевых технологий «Норникеля».
Главная проблема отрасли — нехватка реальных данных
Несмотря на быстрый прогресс AI-driven materials science (материаловедения, управляемого искусственным интеллектом), главным ограничением отрасли остается нехватка качественных экспериментальных данных. Большинство существующих мировых платформ работают с материалами в виде идеальных кристаллических соединений: они описывают кристаллические структуры и свойства соединений в «идеальных» условиях, но слабо учитывают реальные технологические процессы.
Из-за этого компании все чаще приходят к выводу, что ключевым ресурсом нового цифрового материаловедения становятся не только алгоритмы, но и собственные базы экспериментальных данных. Речь идет о десятках тысяч измерений состава, структуры, механических, электрических и химических свойств материалов, накопленных научными институтами и промышленными лабораториями за многие годы исследований.
Как отмечает Дмитрий Изотов, алгоритм способен сгенерировать формулу, которая окажется нежизнеспособной в реальных условиях. «Генеративный ИИ может проектировать материалы, которые, например, требуют экстремальных условий и, соответственно, не могут быть синтезированы. Именно поэтому важна лабораторная и экспериментальная база данных. Она позволяет тестировать гипотезы, отсекать невозможные варианты на начальных стадиях, накапливать данные и дообучать на них модели».
Именно поэтому крупные промышленные игроки начинают выстраивать партнерства с университетами и исследовательскими центрами для формирования специализированных датасетов.
ИИ для реального производства: как бизнес ищет материалы под конкретные задачи
Постепенно цифровое материаловедение переходит от фундаментальных исследований к прикладным промышленным задачам. Если первые проекты в этой области были сосредоточены в основном на поиске новых соединений и моделировании их свойств, то теперь ИИ все чаще используют для разработки материалов под конкретные технологические процессы — от микроэлектроники и энергетики до покрытий, сенсоров и промышленных катализаторов.
Во многом это связано с повышением требований к самим материалам. В микроэлектронике производителям нужны сверхтонкие проводящие покрытия, сохраняющие свойства при миниатюризации компонентов и росте вычислительных нагрузок. В энергетике и химической промышленности растет спрос на новые катализаторы и материалы для высокотемпературных процессов. В машиностроении — на более легкие и прочные сплавы с заранее заданными характеристиками. Разработка таких материалов традиционными методами требует большого количества экспериментов и может занимать годы.
На этом фоне компании начинают создавать собственные платформы цифрового материаловедения. Один из таких проектов развивает Центр палладиевых технологий «Норникеля». Совместно с ИОНХ РАН компания создает датасет для обучения ИИ-платформы генерации новых материалов.
В рамках проекта «Норникель» работает с данными о микроструктуре различных материалов на основе палладия, а академический партнер предоставляет информацию о составах неорганических веществ и материалов на основе драгоценных металлов, включая их структуру и физико-химические характеристики. Предполагается, что такие данные помогут в дальнейшем использовать алгоритмы ИИ для поиска и разработки новых материалов.
В основе платформы — атомарное, физико-химическое моделирование и алгоритмы генеративного искусственного интеллекта, дообученные на реальных экспериментальных данных. Центр палладиевых технологий уже сегодня работает над повышением достоверности прогнозирования прикладных свойств по их кристаллической структуре. Создание датасета с академическими партнерами позволит генерировать новые материалы путем обучения алгоритмов на массиве реальных экспериментальных данных.
Дмитрий Изотов:
«Центр палладиевых технологий «Норникеля» реализует программу прикладных разработок новых материалов для разных отраслей промышленности. Одним из элементов этой работы стала лаборатория новых материалов и искусственного интеллекта, оснащенная оборудованием для синтеза и исследования материалов.
Сфокусированная на работе с металлами платиновой группы, лаборатория используется не только для экспериментальной проверки гипотез, но и для формирования баз данных для обучения алгоритмов искусственного интеллекта, которые могут применяться для генерации новых материалов с заданными свойствами».
Платформа «Норникеля» будет ориентирована прежде всего на кристаллические неорганические материалы — сплавы и химические соединения, а в дальнейшем охват может быть расширен на двумерные материалы, металлоорганические комплексы и аморфные системы. Среди потенциальных направлений применения — катализаторы, функциональные покрытия, сенсоры и материалы для микроэлектроники.
Одним из прикладных сценариев рассматривается поиск альтернатив золоту в микроэлектронике. Сегодня золото широко используется в покрытиях контактных площадок и проводящих элементах, однако по мере миниатюризации устройств растет потребность в новых материалах, способных сохранять свойства при уменьшении толщины покрытий. В этом контексте исследуются палладий-содержащие материалы, которые могут применяться в защитных и проводящих слоях для различных типов электроники.
Будущее материаловедения — автономные лаборатории и материалы «под заказ»
Следующим этапом развития цифрового материаловедения могут стать практически автономные циклы разработки новых материалов. В такой модели ИИ анализирует научные публикации и экспериментальные данные, моделирует материал с заданными характеристиками, предлагает методику синтеза, а роботизированная лаборатория автоматически проводит испытания и передает результаты обратно в систему.
«Сегодня мы уже реализуем отдельные элементы данной цепочки, а именно: компьютерное моделирование процессов, протекающих в кристаллической решетке материала (например, оптимизация размера и морфологии микрочастиц палладиевых соединений для максимального оптического поглощения в перовскитных солнечных элементах), а в целевой картине мы должны распространить данный подход на весь процесс разработки нового продукта», — отмечает Дмитрий Изотов.
Именно в этом направлении развиваются многие проекты цифрового моделирования. Компании выстраивают цифровой контур разработки — от анализа данных и прогнозирования свойств до синтеза и тестирования материалов в автоматизированном режиме. Такой подход должен сократить количество дорогостоящих экспериментов и ускорить вывод новых материалов на рынок.
➤ Подписывайтесь на телеграм-канал «РБК Трендов» — будьте в курсе последних тенденций в науке, бизнесе, обществе и технологиях.