В современной глобальной гонке технологий способность самостоятельно создавать уникальные материалы с заданными свойствами становится фундаментом технологического суверенитета. Сегодня США, Китай и страны Евросоюза уже планомерно создают национальные цифровые библиотеки материалов будущего. Россия, в свою очередь, делает ставку на создание полных производственных циклов — от добычи полезных ископаемых до выпуска готовой высокотехнологичной продукции.
Экономический потенциал внедрения искусственного интеллекта в эту сферу огроем. По сведениям MarketIntelo, объем рынка ИИ в сегменте разработки материалов в 2025 году достиг 2 миллиардов долларов, а к 2034 году, согласно прогнозам, вырастет до 17,9 миллиарда долларов (при среднегодовом темпе роста в 28%). Параллельно растет и рынок специализированных платформ, который, по данным MarketsandMarkets, может увеличиться со 170,4 млн долларов в 2025 году до 410,4 млн долларов к 2030 году. Эксперты уверены: генеративный интеллект станет локомотивом прогресса для авиации, космонавтики, энергетики и микроэлектроники.
Для России внедрение таких инноваций стало приоритетом в рамках национального проекта «Новые атомные и энергетические технологии», запущенного в 2025 году. Стратегия проекта направлена на достижение полной независимости в энергетике, что невозможно без собственной сырьевой базы и быстрого создания новых конструкционных материалов. Главным препятствием здесь выступает фактор времени.
Классический путь создания нового сплава — это долгий и трудоемкий процесс: ученые подбирают состав методом проб и ошибок, создают образцы и годами испытывают их в реакторных условиях. Такой цикл может растягиваться на 5–10 лет. В современных реалиях подобная инертность недопустима, так как задержки в разработке материалов могут отложить строительство новых реакторов и создание космических двигателей на десятилетия. Решение нашли специалисты «Росатома» в концепции цифрового материаловедения.
Суть метода заключается в создании виртуальных прототипов. С помощью компьютерного моделирования ученые заранее проверяет, как материал поведет себя при экстремальных нагрузках: сверхвысоких температурах, радиационном облучении или резких перепадах температур. Искусственный интеллект анализирует сотни тысяч комбинаций химических элементов, предсказывая их механические и тепловые свойства. Это позволяет отсеивать заведомо проигрышные варианты еще до начала лабораторных работ, сокращая сроки разработки в пять-десять раз. Мы переходим от эпохи «ручного» подбора к эре научно обоснованного прогнозирования.
Практические успехи уже налицо. Одним из ярких примеров стала работа над составом материала для перспективного реактора на быстрых нейтронах под сверхкритическим давлением. Задача требовала проверки около 250 тысяч вариантов легирования. Если бы ученые использовали традиционный метод, на это ушли бы жизни нескольких поколений исследователей. ИИ справился за две недели, а полученный результат позже подтвердили в реальных лабораторных тестах.
Другой успех связан с производством углеродного волокна, необходимого для облегчения конструкций. Алгоритмы помогли оптимизировать технологические параметры так, что удалось добиться стабильной прожности по всей длине волокна. Это позволило создавать более легкие детали из отечественного углеволокна без ущерба для их надежности.
Однако цифровая модель не может существовать в отрыве от реальности. Чтобы избежать ошибок, вызванных исключительно виртуальными данными, ИИ необходимо постоянно «обучать» на реальных образцах. Поэтому развитие технологий включает создание автоматизированных линий высокопроизводительного синтеза. Такая установка сможет выпускать до 20 различных образцов в сутки, замыкая цикл: от научной гипотезы через синтез и испытания к корректировке модели.
Сегодня научные группы «Росатома» работают над созданием тугоплавких сплавов, используя методы мультимасштабного моделирования — от анализа электронной структуры до изучения макромеханики. Эти разработки критически важны для первой стенки термоядерных реакторов, диверторов и двигателей нового поколения для авиации и космоса.
При этом руководство понимает: даже самый совершенный софт бесполезен без квалифицированных кадров. В рамках нацпроекта решаются задачи по подготовке специалистов всех уровней — от школьников до ведущих исследователей. Эффективность такой системы подтверждается академическими успехами: за полтора года реализации проекта защищено более 10 диссертаций, включая докторские. Так, например, 37-летний Михаил Панин, руководитель отдела в одном из научных институтов «Росатома», защитил докторскую диссертацию, посвященную процессам формирования сложных углеродных композитов.
Переход к цифровому материаловедению — это не просто смена инструментов, а новая научная парадигма. Главная цель сегодня — расширение базы проверенных данных и подготовка ученых, для которых «цифровой двойник» материала станет таким же привычным инструментом, как микроскоп или спектрометр.
