Ведущие мировые вузы и IT-компании выпускают алгоритмы, способные моделировать материалы и прогнозировать их характеристики. Платформа MatterGen, представленная Microsoft в конце 2023 года, генерирует функциональные неорганические материалы с заданными характеристиками. Модели MACE, созданные кембриджскими учеными, помогают понять поведение веществ на атомном уровне с квантовой точностью, предсказывая свойства кристаллов, поверхностей и молекулярных координационных соединений. Алгоритм DuctGPT, разработанный в Эймсской лаборатории, специализируется на пластичных материалах, выдерживающих экстремальные условия.
Искусственный интеллект в металлургии: ученые готовят уникальную базу знаний для обучения алгоритмов
Алгоритмы искусственного интеллекта способны моделировать структуру и свойства сложных химических соединений, но качество результатов напрямую зависит от данных, на которых обучали модель. Компания «Норникель» и Институт общей и неорганической химии им. Н.С. Курнакова РАН соберут базу для обучения ИИ на основе массива экспериментальных данных, накопленных за десятилетия.
«Норникель»
Материаловедение нередко называют «алхимией XXI века». Если так, то новым философским камнем несомненно становятся модели искусственного интеллекта.
Известный инструмент GNoME от Deepmind работает не как «дизайнер» структур, а как точный фильтр. Он ищет новые материалы, перебирая различные комбинации. К ноябрю 2023 года система нашла уже более 2,2 млн новых кристаллов, в том числе 380 тыс. достаточно стабильных соединений, которые могут стать основой сверхпроводников, аккумуляторов и других перспективных материалов и устройств.
Еще один любопытный пример — большие языковые модели AlloyGPT и AlloyBERT, созданные исследователями Университета Карнеги-Меллон. Эти инструменты генерируют ответы через «выученные» корреляции между составом, структурой и свойствами сплавов. Они предлагают новые сплавы и указывают ключевые характеристики материалов.
В России тоже имеются подобные разработки. В 2025 году вышла MetalGPT-1 — большая языковая модель с открытым исходным кодом, которая разбирается в металлургических «рецептах» и процессах, потому что обучена на массиве валидированных научных результатов и экспериментальных данных. А ученые из Сколтеха и МФТИ разрабатывают методы поиска новых сплавов и предсказания их свойств на базе машинного обучения.
Чтобы модели ИИ могли проектировать новые материалы под практические задачи, необходимо обучать алгоритмы на массивах реальных экспериментальных данных. Такие базы есть у исследовательских институтов Российской академии наук.
Архивы экспериментов
Институт общей и неорганической химии им. Н.С. Курнакова РАН занимается созданием новых материалов, теоретической и экспериментальной неорганической химией уже более ста лет (а свою историю он отсчитывает от химической лаборатории М.В. Ломоносова, основанной почти три века назад!). За десятилетия исследований в подразделениях института накопился массив уникальных экспериментальных данных, в том числе по веществам и материалам, содержащим металлы платиновой группы, исследования которых сегодня активно ведутся в Платиновом центре ИОНХ РАН. Также в последние годы институт ведет большую работу по созданию и применению моделей ИИ для решения материаловедческих задач — для этих целей в нем был открыт Центр цифрового материаловедения.
Как один из ведущих российских центров изучения благородных металлов, ИОНХ РАН накопил тысячи результатов исследований сплавов, координационных соединений, различных материалов, анализа их составов, структур и характеристик: электрических, механических и каталитических.
Эта база теперь ляжет в основу новой ИИ-платформы Центра палладиевых технологий «Норникеля». ИОНХ РАН предоставит свои экспериментальные данные и компетенции в области химического материаловедения, а компания — компетенции в области искусственного интеллекта и накопленные знания о структуре материалов на основе палладия и других металлов платиновой группы.
Центр палладиевых технологий —специализированное подразделение, цель которого раскрыть индустриальный потенциал палладия и создать новые рынки спроса на металл для поддержки цен и объемов продаж. Инфраструктура Центра позволяет изучать преимущества использования палладия во всех классах материалов и в любых концентрациях для ускорения вывода новых разработок на рынок и обучения моделей ИИ в новых неорганических материалах и сплавах. Уже сегодня его ученые могут прогнозировать свойства по кристаллической структуре. Расширение базы данных и создание ИИ-платформы позволит генерировать принципиально новые материалы на базе палладия.
Палладий — металл платиновой группы под атомным номером 46, открытый еще в начале XIX века. Долгое время потенциал палладия оставался недооцененным, но потом ему нашли применения в ювелирных изделиях и катализаторах. Как показали новейшие эксперименты, направлений применения палладия гораздо больше.
От электрохимии до новой энергетики: в одних областях палладий может стать более дешевой альтернативой традиционным материалам, в других — стать основой новых технологий.
«Россия — крупнейший производитель палладия в мире. Расширение промышленных применений этого металла — прямой путь к росту заказов на металл и устойчивости доходов горно-металлургической отрасли страны. Новые рынки сбыта — это и рабочие места в науке, и загрузка российских высокотехнологичных производств, и укрепление позиций страны в цепочках поставок критических материалов», — говорит Дмитрий Изотов, директор Центра палладиевых технологий «Норникеля».
Что будет уметь ИИ-платформа, обученная на данных ИОНХ РАН
Сначала модель начнет работать с неорганическими веществами и материалами — сплавами, солями и координационными соединениями. А на следующем этапе — с металлорганическими каркасами, двумерными материалами и аморфными системами.
По запросу ИИ-платформа сможет генерировать новые палладий-содержащие материалы под конкретную технологию. Для сбора информации система будет опираться на результаты многослойного поиска информации из специализированных источников. Она сможет учитывать вид материала (порошок, тонкая пленка или сплав), условия его эксплуатации (температура, среда, давление), наличие аналогов и даже экономические показатели вроде ожидаемого объема рынка. Само проектирование материала будет происходить по моделям и алгоритмам, обученным на экспериментальных данных от института.
Нейросетевые модели никогда не заменят экспериментальные исследования, но они значительно сокращают время поиска перспективных соединений. По оценкам создателей, новая ИИ-платформа сможет ускорить разработку новых материалов на 30-50%.
Институт Курнакова станет хабом для систематизации научных данных. Вероятно, к проекту присоединятся и другие российские научные организации, имеющие экспериментальные базы. Сотрудничество с институтом — еще один этап в долгосрочном проекте «Норникеля» по системному формированию основы для обучения прикладных нейросетей.