Генерация материалов: как ускорить разработку новых сплавов и композитов

Одно из перспективных направлений использования искусственного интеллекта — разработка новых материалов. По оценке MarketIntelo, в 2025 году рынок ИИ в этом сегменте составил $2 млрд, и аналитики прогнозируют его увеличение до $17,9 млрд к 2034 году при среднегодовых темпах роста 28,0%. Рынок специализированных платформ материаловедческого ИИ MarketsandMarkets оценивает в $170,4 млн в 2025 году с потенциалом роста до $410,4 млн к 2030 году (CAGR 19,2%). Аналитики сходятся в том, что развитие материаловедения с помощью генеративного интеллекта приведет к прогрессу, в частности, в аэрокосмической, энергетической и электронной отраслях, а также реализации масштабных программ различных стран.

Можно даже утверждать, что сегодня технологический суверенитет в значительной степени определяется способностью самостоятельно создавать материалы с заданными свойствами. Без них не будет новых разработок и открытий. США, Европейский союз, Китай ведут системную работу по формированию национальных баз данных материалов нового поколения.

Россия, взяв курс на импортозамещение, не только восстанавливает знания и опыт советских ученых, но и формирует новые технологические цепочки, преимущественно делая ставку на полные циклы: от добычи сырья до изготовления конечного продукта.

В 2025 году стартовал национальный проект «Новые атомные и энергетические технологии». Его ключевая цель — укрепление позиций России в атомной сфере и технологическая независимость в новых энергетических направлениях. Достичь ее без собственной минерально-сырьевой базы и полного цикла производства: от руды до готового изделия — невозможно. Ключевой фактор — время, то есть скорость разработки новых конструкционных и функциональных материалов.

Традиционный метод разработки новых сплавов, который использовался долгие годы, — это эмпирический подбор состава, изготовление лабораторных образцов, длительные испытания в реакторных условиях. Цикл занимает от пяти до десяти лет. Действовать по такому расписанию сегодня не представляется возможным. Требуются новые подходы, чтобы строительство перспективных реакторов и космических двигателей не отодвинулось на десятилетия. Ученые «Росатома» подобрали ключ к решению этой проблемы — цифровое материаловедение.

По данному направлению создаются виртуальные прототипы материалов, моделируются их поведение, свойства, состояния в экстремальных условиях: нейтронного облучения, сверхвысоких температур, термоциклирования. Неудачные варианты составов отсеиваются еще до того, как первые образцы будут изготовлены в лаборатории. За счет этого значительно экономятся ресурсы и время.

ИИ здесь выступает инструментом для глубокой и быстрой аналитики, а также базой накопленного опыта, которая постоянно пополняется. Алгоритмы перебирают сотни тысяч комбинаций элементов, прогнозируют механические свойства, тепловые и радиационные характеристики, выявляют неочевидные, но перспективные легирующие добавки, которые разработчик мог бы упустить или потратить на подбор драгоценное время. Благодаря новому подходу сроки сокращаются в пять-десять раз.

Это не революция, а закономерное, с учетом совершенствования вычислительных инструментов, развитие подходов к проектированию материалов: мы переходим от «ручного» подбора материала к научно обоснованному прогнозированию его состава с целевым набором характеристик.

Уже есть конкретные результаты. Первый касается разработки состава материала для перспективного реактора на быстрых нейтронах сверхкритического давления. Задача требовала перебора примерно 250 тыс. вариантов легирования. Традиционными экспериментальными методами такой объем мы перебирали бы до следующего поколения ученых. Применение ИИ позволило найти оптимальный состав за две недели. А уже после подтвердили правоту прогноза в лаборатории.

Второй пример связан с технологией производства углеродного волокна, критически важного для снижения массы конструкций. Искусственный интеллект использовался для выбора и оптимизации технологических параметров производства. Удалось существенно снизить разброс прочностных характеристик по длине волокна и повысить эффективность производства. Как следствие, мы значительно облегчили конструкции из отечественного углеволокна, не потеряв прочности.

Любая, даже самая совершенная цифровая модель требует валидации. Искусственный интеллект обучается на данных, и если «кормить» его только виртуальными симуляциями, он даст красивый, но потенциально ошибочный прогноз. Критически важно обрабатывать нужное количество реальных образцов для уточнения и калибровки моделей. Поэтому разработка включает не только софт, но и автоматизированную линию высокопроизводительного синтеза новых сплавов. Она будет способна производить до 20 образцов с разным составом в сутки. Что это значит? Разрабатываемая линия объединит основные этапы технологического цикла создания материалов: гипотезу — синтез — испытания — коррекцию.

В настоящее время научные коллективы «Росатома» нацелены на создание тугоплавких сплавов с улучшенными характеристиками и технологий их обработки, используя методы мультимасштабного моделирования: от электронной структуры до макроскопической механики. Новые сплавы сегодня требуются для создания термоядерных реакторов (первая стенка, дивертор), авиационных двигателей нового поколения и в космической технике, включая ядерные установки.

Но мы помним, что ИИ — это только алгоритм, и технологические прорывы невозможны без опережающей подготовки специалистов. Поэтому с помощью национального проекта «Новые атомные и энергетические технологии» системно решаются задачи кадрового обеспечения — от профориентации школьников до программ повышения квалификации исследователей, работающих с цифровыми инструментами и уникальными установками.

За полтора года реализации нацпроекта на основе выполненных научно-исследовательских работ защищено более 10 диссертаций, в том числе докторских. Например, начальник отдела разработки новых типов углерод-углеродных композиционных материалов научного института «Росатома» в Москве Михаил Панин в возрасте 37 лет защитил докторскую диссертацию по разработке технологических процессов формирования армирующих структур полимерных и углерод-углеродных композиционных материалов. Такие примеры подтверждают эффективность системы подготовки высококвалифицированных специалистов, заложенной в основу федерального проекта.

Использование искусственного интеллекта и методов цифрового материаловедения — это новый, но закономерный переход от эмпирики к научно обоснованному подходу в прогнозировании материалов. Главная задача сегодня — системно наращивать компетенции, расширять банк верифицированных данных и готовить научные кадры, для которых цифровой двойник материала станет столь же естественным инструментом, как микроскоп или спектрометр.