Как устроен конвейер создания материалов с использованием ИИ?
Автор: Главред Комиссия РСХ по цифровизации | Опубликовано: 2026-07-20 | Обновлено: 2026-07-20
Контекст: ИИ для синтеза новых материалов, конвейер создания материалов, новый операционный контур R&D
Почему традиционный поиск материалов слишком медленный
Одна из ключевых проблем разработки новых материалов — не недостаток идей, а разрыв между практически бесконечным числом возможных составов и ограниченным числом экспериментов, которые лаборатория способна выполнить.
Небольшое изменение состава создаёт новый набор свойств и новый сценарий проверки.
Каждая гипотеза требует синтеза, измерений, анализа и следующего цикла.
Материал должен быть не только эффективным, но и доступным, стабильным и воспроизводимым.
Разработка нового материала редко начинается с удачной формулы. Обычно исследователи входят в огромное пространство возможных молекул, кристаллических структур и рецептур, где даже небольшое изменение состава может одновременно повлиять на прочность, проводимость, стабильность, токсичность, стоимость и технологичность. Число комбинаций растёт настолько быстро, что последовательный лабораторный перебор охватывает лишь ничтожную часть вариантов. В результате многие потенциально ценные решения остаются незамеченными не потому, что они принципиально недоступны, а потому, что до них не успевают дойти.
Традиционный цикл устроен последовательно. Учёный формулирует гипотезу, выбирает несколько кандидатов, готовит образцы, проводит синтез, измеряет свойства и анализирует результат. Следующая итерация снова требует ручного выбора гипотезы, а накопленное знание часто используется неполно. Каждая итерация может занимать дни или недели, а для сложных материалов — месяцы. Требуются реагенты, оборудование, время специалистов и повторные испытания. Даже отрицательный результат полезен для науки, но в большинстве лабораторий он плохо структурирован, редко публикуется и не всегда становится доступным следующей команде.
Проблема усиливается тем, что материал должен быть не просто интересным с научной точки зрения. Для промышленного применения он обязан одновременно соответствовать десяткам ограничений: сохранять свойства в реальных условиях, воспроизводимо синтезироваться, использовать доступное сырьё, вписываться в существующий процесс и выдерживать требования безопасности. Кандидат с выдающимся расчётным показателем может оказаться слишком дорогим, нестабильным или практически несинтезируемым. Поэтому путь от научной гипотезы до работающего продукта обычно значительно длиннее, чем путь до первой публикации.
Узкое место традиционного R&D — не только скорость лаборатории. Не менее важно, сколько времени уходит на выбор следующего эксперимента и сколько накопленных данных при этом остаётся неиспользованным.
В традиционной модели значительная часть времени уходит не на сам эксперимент, а на выбор того, что проверять дальше. Исследователь вынужден опираться на опубликованную литературу, собственный опыт и ограниченный набор расчётов. Такой подход хорошо работает в знакомой области, но хуже обнаруживает неожиданные комбинации. Человеческая интуиция помогает отсекать бессмысленные варианты, однако она же тяготеет к уже известным классам веществ и проверенным маршрутам синтеза.
Медленным оказывается и обмен знаниями между этапами. Расчётная группа, лаборатория синтеза и команда испытаний нередко используют разные форматы данных и по-разному описывают один результат. Параметры неудачных опытов остаются в журналах, таблицах и локальных файлах. Поэтому новая серия экспериментов иногда повторяет уже пройденный путь, вместо того чтобы продолжать его с накопленного уровня.
Искусственный интеллект меняет прежде всего масштаб и порядок поиска. Модель способна сопоставить большие массивы публикаций, патентов, результатов моделирования и лабораторных измерений, а затем предложить ограниченный список кандидатов для физической проверки. Генеративные системы идут дальше: они не только ранжируют известные варианты, но и проектируют структуру под заданное свойство. Алгоритмы последовательной оптимизации используют результаты каждого эксперимента, чтобы выбрать следующий — наиболее информативный, а не просто очередной.
Это не отменяет лабораторию. Прогноз остаётся гипотезой, пока материал не синтезирован, его структура не подтверждена, а свойства не измерены. Но цифровой поиск позволяет перенести дорогой физический перебор в вычислительную среду и оставить лаборатории те эксперименты, которые с большей вероятностью дадут новое знание. Именно поэтому современные проекты объединяют модели, планирование синтеза, роботизированное оборудование и обратную связь в единый контур.
В четырёх проектах, рассмотренных далее, используются разные технологии и исследуются разные классы материалов. Однако за ними просматривается общий принцип: задать целевое свойство, сформировать пространство кандидатов, отфильтровать его вычислительно, синтезировать наиболее перспективные варианты, проверить результат и вернуть новые данные в систему. Так традиционная цепочка проб и ошибок постепенно превращается в обучающийся конвейер научных экспериментов.
Содержание
MatterGen: генерация материала от заданного свойства
MatterGen меняет исходную логику поиска: вместо перебора базы известных кристаллов модель получает требование к будущему материалу и генерирует новые структуры, которые потенциально ему соответствуют.
В основе MatterGen лежит диффузионная модель, которая постепенно формирует типы атомов, их координаты и периодическую решётку. После дополнительной настройки генерацию можно направлять ограничениями по химическому составу, симметрии, механическим, электронным или магнитным свойствам. Это и есть inverse design: сначала задаётся функция материала, затем ищется подходящая структура.
Ключевое доказательство проекта — не число виртуальных кандидатов, а эксперимент. Совместно с Shenzhen Institutes of Advanced Technology исследователи синтезировали предложенный моделью кристалл TaCr₂O₆. Его структура в основном соответствовала прогнозу, хотя эксперимент выявил частичное смешение тантала и хрома. Измеренный объёмный модуль составил 169 ГПа при заданной цели 200 ГПа.
Сильная сторона MatterGen — способность продолжать создавать новые кандидаты под заданное свойство там, где обычный скрининг исчерпывает конечную базу структур. В публикации Nature модель более чем вдвое увеличила долю стабильных, уникальных и новых материалов относительно сравниваемых генеративных подходов.
Ещё одно отличие — работа с несколькими требованиями одновременно. MatterGen может направлять генерацию не только к высокой жёсткости или заданной ширине запрещённой зоны, но и к сочетанию свойств и ограничений. В исследовании модель, например, использовали для поиска магнитных материалов с высокой магнитной плотностью и одновременно сниженным риском цепочки поставок. Для промышленного R&D это важнее оптимизации одного показателя: реальный материал почти всегда должен удовлетворять нескольким противоречивым условиям.
Генеративная модель может предложить физически реализуемый кристалл, близкий к заданному свойству. Но один успешный синтез ещё не подтверждает промышленную воспроизводимость, масштабирование или экономику материала: MatterGen создаёт сильную гипотезу, окончательное доказательство по-прежнему производит лаборатория.
Project Photoresist: знания, моделирование и синтез
Сильная сторона Project Photoresist — не отдельная генеративная модель, а сквозной процесс, который соединяет поиск научных данных, проектирование молекул, экспертный отбор, планирование реакции и роботизированный синтез.
IBM искала новые фотоактивные генераторы кислоты — PAG, необходимые для фотолитографии при производстве микросхем. Исходная задача была многокритериальной: снизить экологический риск молекулы, сохранив высокую светочувствительность. Deep Search помог собрать сведения из научных и патентных массивов, а вычислительное моделирование — дополнить свойства, для которых экспериментальных меток было недостаточно.
Генеративная модель, предварительно обученная на более широком наборе катионных молекул, создала около 2 000 вариантов за пять часов [npj Computational Materials подтверждает немного другие данные - около 3 000 вариантов за шесть часов, Главред]. Но рейтинг ИИ не считался окончательным решением. В контур включили Expert-in-the-Loop: химики оценивали новизну, правдоподобие и практическую ценность структур, сокращая список до кандидатов, пригодных для дальнейшей работы.
Затем задача перешла от дизайна к получению вещества. Система ретросинтетического планирования предложила маршруты реакции, после чего облачная платформа RoboRXN выполнила синтез в автоматизированном реакторе. IBM сообщает, что новый PAG был найден и синтезирован менее чем за год; компания также указывала на три отобранных кандидата к концу 2020 года.
Архитектура проекта важна тем, что каждый инструмент решал свою задачу. Deep Search превращал разрозненные документы в машиночитаемые знания, моделирование компенсировало дефицит измеренных свойств, генеративная модель расширяла химическое пространство, эксперты отсекали непрактичные структуры, а RoboRXN проверял, можно ли превратить цифровую гипотезу в реальное вещество.
Ускорение возникает, когда поиск знаний, генерация, человеческая экспертиза и лабораторная автоматизация работают как единый конвейер. Однако открытые материалы IBM не раскрывают полный набор сравнительных испытаний, промышленную экономику и внедрение PAG в серийный фотолитографический процесс.
AI-Chemist: автономный экспериментальный цикл
AI-Chemist показывает следующий уровень автоматизации: система не только предлагает состав, но и сама анализирует сырьё, выбирает эксперимент, синтезирует образец, измеряет результат и использует его в следующем цикле.
Исходной задачей было получение катализатора выделения кислорода из воды с использованием элементов, доступных в марсианских метеоритах. Робот сначала определял элементный состав образцов методом лазерно-искровой спектроскопии. Затем расчёты квантовой химии и молекулярной динамики для десятков тысяч высокоэнтропийных гидроксидов сформировали данные для нейросети, прогнозировавшей активность миллионов возможных комбинаций.
После вычислительного отбора система переходила к физическому циклу: готовила исходные растворы, синтезировала катализатор, проводила структурную характеризацию и электрохимические испытания. Результаты возвращались в модель, поэтому следующий состав выбирался не случайно, а с учётом уже накопленных измерений. За шесть недель AI-Chemist нашёл рецептуру, полный ручной перебор которой авторы оценивали примерно в две тысячи лет.
Полученный катализатор работал при плотности тока 10 мА/см² более 550 000 секунд с перенапряжением 445,1 мВ. Это важнее самой «марсианской» постановки: кейс демонстрирует замкнутую связь между теоретическими расчётами, машинным обучением и роботизированным экспериментом.
Особенно показателен выбор следующего эксперимента. Система не пыталась физически проверить миллионы вариантов, а использовала расчётные данные и результаты уже выполненных опытов, чтобы последовательно сужать область поиска. Для промышленной лаборатории именно это создаёт основной эффект: роботизация ускоряет операции, но экономию экспериментального бюджета даёт интеллектуальный выбор того, какой состав проверять дальше.
Автономная лаборатория может оптимизировать состав внутри заранее определённого класса материалов и выполнять полный цикл без ручного переноса данных между стадиями. Но это не универсальный робот-учёный: научная цель, пространство составов, методы анализа и критерии успеха были заранее заданы исследователями.
Organic Laser Emitters: распределённая сеть лабораторий
Этот проект показывает, что замкнутый цикл поиска материалов не обязан находиться в одном здании: общий AI-планировщик может координировать специализированные лаборатории в разных странах как единую систему.
Исследователи искали органические молекулы для твердотельных лазеров — материалов, где необходимо совместить возможность синтеза, оптические свойства и работу в твёрдой плёнке. Шесть команд распределили между собой генерацию кандидатов, химический синтез, очистку, спектроскопию и испытания. Облачный AI-планировщик получал новые результаты и назначал следующие наиболее информативные эксперименты.
Лаборатории работали асинхронно: каждой не требовалось ждать завершения всего цикла на другой площадке. Единый сервер отслеживал уже изученные области и снижал риск дублирования близких молекул. За двухмесячную кампанию сеть выявила 21 новый материал, превзошедший известные сравнительные образцы по показателю усиления излучения.
Лучший результат не остался виртуальным. Выбранную молекулу получили в граммовом количестве, после чего проверили стимулированное излучение в тонкоплёночном устройстве. Тем самым цепочка дошла от цифрового выбора и автоматизированного синтеза до испытания на уровне прототипа.
Организационная инновация была не менее важна, чем химическая. Каждая площадка сохраняла собственную специализацию и оборудование, но передавала результаты в общий формат. Благодаря этому сеть могла непрерывно учиться на поступающих данных и направлять новый эксперимент туда, где его можно выполнить быстрее и качественнее. Такой подход особенно важен для корпоративного R&D, где синтез, аналитика и испытания часто уже распределены между разными центрами.
Общая цифровая инфраструктура способна объединить лаборатории с разным оборудованием в единый design–make–test–analyze-контур. Но проект пока доказывает исследовательскую масштабируемость сети, а не серийное производство лазерного материала или экономику промышленного продукта.
Стратегические выводы для руководства
Рассмотренные проекты показывают не замену химика искусственным интеллектом, а изменение самой архитектуры R&D. ИИ позволяет быстрее формировать и отбирать гипотезы, однако результат возникает только тогда, когда вычислительный поиск связан с качественными данными, физическим экспериментом и обратной связью.
MatterGen показывает возможности генеративного inverse design; Project Photoresist — интеграцию данных, моделирования, экспертного отбора и автоматизированного синтеза; AI-Chemist — работу замкнутого экспериментального цикла; проект Organic Laser Emitters — возможность объединять в такой цикл несколько специализированных лабораторий. Вместе эти кейсы показывают направление развития, но пока не доказывают промышленную экономику, серийное производство или универсальность подобных систем.
Ключевая ценность ИИ поэтому возникает не в отдельной модели, а в контуре: данные > гипотеза > вычислительный отбор > эксперимент > новые данные > следующий эксперимент.
Для руководителя отсюда следует важное различие. Покупка генеративной модели сама по себе ещё не создаёт ускоренного R&D. Узкими местами становятся качество и сопоставимость экспериментальных данных, формализация критериев успеха, возможность синтеза предложенного кандидата, скорость лабораторной проверки и способность возвращать результаты экспериментов обратно в цифровой контур.
Наиболее зрелый подход объединяет несколько типов инструментов: генеративные модели предлагают кандидатов, предиктивные и физические модели оценивают их свойства и устойчивость, алгоритмы планирования определяют наиболее информативный следующий эксперимент, а лаборатория проверяет гипотезу физически. Не максимальная автономность, а скорость и воспроизводимость цикла обучения становится важнейшей характеристикой такой системы.
Поэтому практический вопрос для химической компании сегодня звучит не «может ли ИИ придумать новый материал?», а «можем ли мы построить процесс, в котором каждый проведённый эксперимент улучшает выбор следующего?» Именно здесь проходит граница между эффектной демонстрацией ИИ и технологией, способной устойчиво сокращать сроки и стоимость разработки новых материалов.
Ключевой вывод состоит не в том, что ИИ заменяет традиционный поиск материалов, а в том, что меняется сама модель R&D. Последовательный процесс «гипотеза > эксперимент > анализ > следующая гипотеза» превращается в замкнутый обучающийся контур, где данные, модели и результаты экспериментов постоянно уточняют выбор следующего шага. Именно в этом общем направлении сходятся MatterGen, Project Photoresist, AI-Chemist и распределённые лаборатории: конкурентное преимущество создаёт уже не отдельная ИИ-модель, а способность компании быстрее и точнее проходить полный цикл от гипотезы до экспериментально подтверждённого результата.
Навигация по статьям и мероприятиям
Связанные материалы:
Связанные мероприятия:
