Ярославль, Ярославская область, Россия
Ярославль, Ярославская область, Россия
Ярославль, Ярославская область, Россия
Ярославль, Ярославская область, Россия
ВАК 5.2.3 Региональная и отраслевая экономика
В статье проведён комплексный анализ глобальных технологических, рыночных и институциональных трендов развития цифрового инверсного проектирования полимерных материалов, ориентированного на применение в аддитивных технологиях. Показано, что традиционные эмпирические методы разработки полимеров не соответствуют современным требованиям промышленности, характеризующимся ростом сложности изделий, сокращением жизненных циклов продукции и необходимостью быстрого вывода материалов с заданными свойствами на рынок. Особое внимание уделено концепции инверсного проектирования, в рамках которой исходной точкой разработки выступают целевые эксплуатационные характеристики, а подбор структуры и состава материала осуществляется с использованием вычислительного моделирования и методов искусственного интеллекта. В работе рассмотрены ключевые технологические драйверы цифрового материаловедения, включая методы машинного обучения, генеративные модели, графовые нейронные сети и обработку естественного языка для формализации инженерных требований. Проанализирована роль платформенных решений, реализующих замкнутый цифровой цикл «запрос — модель — материал», а также их интеграция с CAD/CAE-, PLM- и ELN-системами, и роботизированными лабораториями. Отдельное внимание уделено экономическим аспектам развития рынка, включая снижение издержек на НИОКР, ускорение коммерциализации новых материалов и демократизацию доступа к материаловедческим компетенциям для малого и среднего бизнеса. Выявлены основные барьеры развития рынка цифрового инверсного проектирования полимеров, связанные с ограниченностью данных, проблемой интерпретируемости моделей искусственного интеллекта и разрывом между лабораторными и промышленными условиями. Сформулированы перспективные направления развития, включая автономные R&D-контуры, расширение подходов на композитные и функциональные материалы, а также интеграцию экологических и регуляторных критериев. Полученные результаты могут быть использованы для формирования стратегий развития цифровых платформ проектирования материалов и оценки инвестиционного потенциала отрасли.
цифровое инверсное проектирование; цифровая трансформация промышленности; рынок полимерных материалов; аддитивные технологии; экономика инноваций; искусственный интеллект в промышленности; платформенные бизнес-модели; научно-исследовательские и опытно-конструкторские работы (НИОКР); высокотехнологичные рынки
1. Воеводина, Е. И. Области применения технологий искусственного интеллекта в бизнесе / Е. И. Воеводина, В. А. Кваша, А. Д. Бурыкин // Мягкие измерения и вычисления. – 2022. – Т. 61, № 12. – С. 75–83. DOI: https://doi.org/10.36871/2618-9976.2022.12.006; EDN: https://elibrary.ru/FDTDBE
2. Воеводина, Е. И. Современные системы поддержки принятия решений и проблемы использования в них нейронных сетей / Е. И. Воеводина, Ю. М. Гуляева, Д. Е. Варахтин [и др.] // Экономика и управление: проблемы, решения. – 2023. – Т. 2, № 2(134). – С. 69–74. DOI: https://doi.org/10.36871/ek.up.p.r.2023.02.02.008; EDN: https://elibrary.ru/WTRBXL
3. Кичатов, К. Г. Применение цифровых инструментов для создания полимеров с заданными свойствами / К. Г. Кичатов, Т. Р. Просочкина, Р. Ф. Хамадалиев [и др.] // Башкирский химический журнал. – 2023. – Т. 30, № 2. – С. 56–59. – DOI:https://doi.org/10.17122/bcj-2023-2-56-59. EDN: https://elibrary.ru/RPZCOY
4. Кудрявцев, И. В. Исследование технологии послойного синтеза при создании изделий из термопластичных полимеров с заданными свойствами / И. В. Кудрявцев, К. Д. Кузнецова, Д. С. Котов // Оптические технологии, материалы и системы («Оптотех 2022») : сборник докладов конференции, Москва, 05–10 декабря 2022 года. – Москва : МИРЭА – Российский технологический университет, 2022. – С. 321–324. EDN: https://elibrary.ru/LGRAQQ
5. Объем мирового рынка полимеров к 2030 году [Электронный ресурс]. – URL: https://www.icrowdru.com/2024/08/27/объем-мирового-рынка-полимеров-к-2030-год/ (дата обращения: 24.11.2025).
6. СИБУР. Объем производства полимеров в России [Электронный ресурс]. – URL: https://www.sibur.ru/ru/ (дата обращения: 20.10.2025).
7. Audus, D. J. Polymer informatics: Opportunities and challenges / D. J. Audus, J. J. de Pablo // ACS Macro Letters. – 2017. – Vol. 6, No. 10. – P. 1078–1082. DOI: https://doi.org/10.1021/acsmacrolett.7b00228
8. Butler, K. T. Machine learning for molecular and materials science / K. T. Butler, D. W. Davies, H. Cartwright [et al.] // Nature. – 2018. – Vol. 559. – P. 547–555. DOI: https://doi.org/10.1038/s41586-018-0337-2; EDN: https://elibrary.ru/YIGQRV
9. Citrine Informatics. AI-driven materials design and inverse design platforms [Электронный ресурс]. – URL: https://citrine.io/resources/ (дата обращения: 26.11.2025).
10. Copolymer informatics with multi-task deep neural networks [Электронный ресурс]. – URL: https://www.researchgate.net/publication/350456853 (дата обращения: 25.11.2025).
11. Court, C. J. Auto-generated materials discovery pipelines using text mining / C. J. Court, J. M. Cole // Advanced Materials. – 2018. – Vol. 30, No. 20. – Art. 1704944.
12. European Commission. Digital Product Passport under the Ecodesign Regulation [Электронный ресурс]. – URL: https://environment.ec.europa.eu/topics/circular-economy/digital-product-passport_en (дата обращения: 26.11.2025).
13. Gibson, I. Additive Manufacturing Technologies / I. Gibson, D. Rosen, B. Stucker. – Springer, 2021. – 498 p. DOI: https://doi.org/10.1007/978-3-030-56127-7
14. Gilmer, J. Neural message passing for quantum chemistry / J. Gilmer, S. S. Schoenholz, P. F. Riley [et al.] // Proceedings of ICML. – 2017. – P. 1263–1272.
15. Häse, F. Next-generation experimentation with self-driving laboratories / F. Häse, L. M. Roch, A. Aspuru-Guzik // Trends in Chemistry. – 2019. – Vol. 1, No. 3. – P. 282–291. DOI: https://doi.org/10.1016/j.trechm.2019.02.007
16. Jain, A. The Materials Project: A materials genome approach to accelerating materials innovation / A. Jain, S. P. Ong, G. Hautier [et al.] // APL Materials. – 2013. – Vol. 1, No. 1. – Art. 011002. DOI: https://doi.org/10.1063/1.4812323
17. Kearnes, S. Molecular graph convolutions: moving beyond fingerprints / S. Kearnes, K. McCloskey, M. Berndl [et al.] // Journal of Computer-Aided Molecular Design. – 2016. – Vol. 30. – P. 595–608. DOI: https://doi.org/10.1007/s10822-016-9938-8; EDN: https://elibrary.ru/WKOUDW
18. Kim, C. Polymer informatics: Current status and critical next steps / C. Kim, T. J. Webb, J. J. de Pablo // Materials Science and Engineering R. – 2021. – Vol. 147. – Art. 100627.
19. Kuenneth, C. PolyBERT: a chemical language model for polymer property prediction / C. Kuenneth, G. Ramakrishnan, M. Häse [et al.] // Nature Communications. – 2023. – Vol. 14. – Art. 4098. DOI: https://doi.org/10.1038/s41467-023-39809-3; EDN: https://elibrary.ru/BSEGUD
20. Materials Genome Initiative [Электронный ресурс]. – URL: https://www.mgi.gov (дата обращения: 26.11.2025).
21. McKinsey & Company. The future of materials informatics and R&D digitalization [Электронный ресурс]. – URL: https://www.mckinsey.com/industries/chemicals/our-insights (дата обращения: 27.11.2025).
22. McKinsey & Company. The state of the chemicals industry: Time for bold action and innovation [Электронный ресурс]. – URL: https://www.mckinsey.com/industries/chemicals/our-insights/the-state-of-the-chemicals-industry-time-for-bold-action-and-innovation (дата обращения: 27.11.2025).
23. Ngo, T. D. Additive manufacturing (3D printing): A review of materials, methods, applications / T. D. Ngo, A. Kashani, G. Imbalzano [et al.] // Composites Part B. – 2018. – Vol. 143. – P. 172–196. DOI: https://doi.org/10.1016/j.compositesb.2018.02.012; EDN: https://elibrary.ru/YEXMXZ
24. OECD. Advanced materials for sustainability and industrial competitiveness [Электронный ресурс]. – URL: https://www.oecd.org/innovation/advanced-materials/ (дата обращения: 27.11.2025).
25. Olson, G. B. Designing a new material world // Science. – 2000. – Vol. 288, No. 5468. – P. 993–998. DOI: https://doi.org/10.1126/science.288.5468.993; EDN: https://elibrary.ru/DHMIZJ
26. polyOne Data Set: 100 million hypothetical polymers including 29 properties [Электронный ресурс]. – URL: https://zenodo.org/records/7766806 (дата обращения: 25.11.2025).
27. Precedence research. Polymers Market Strengthen industrial application with bio-based materials, lightweight thermoplastics, and Asia-Pacific scale [Электронный ресурс]. – URL: https://www.precedenceresearch.com/polymers-market (дата обращения: 27.11.2025).
28. Rajan, K. Materials informatics: The materials “gene” and big data // Annual Review of Materials Research. – 2015. – Vol. 45. – P. 153–169. DOI: https://doi.org/10.1146/annurev-matsci-070214-021132; EDN: https://elibrary.ru/XPRLCL
29. Schmidt, J. Recent advances and applications of machine learning in solid-state materials science / J. Schmidt, M. R. G. Marques, S. Botti, M. A. L. Marques // npj Computational Materials. – 2019. – Vol. 5. – Art. 83. DOI: https://doi.org/10.1038/s41524-019-0221-0; EDN: https://elibrary.ru/HLYIMU
30. Schwaller, P. Molecular transformer: A model for uncertainty-calibrated chemical reaction prediction / P. Schwaller, T. Laino, T. Gaudin [et al.] // ACS Central Science. – 2019. – Vol. 5, No. 9. – P. 1572–1583. DOI: https://doi.org/10.1021/acscentsci.9b00576; EDN: https://elibrary.ru/JHDODZ
31. Training data set for the property predictors [Электронный ресурс]. – URL: https://www.nature.com/articles/s41467-023-39868-6/tables/1 (дата обращения: 25.11.2025).
32. Tshitoyan, V. Unsupervised word embeddings capture latent knowledge from materials science literature / V. Tshitoyan, J. Dagdelen, L. Weston [et al.] // Nature. – 2019. – Vol. 571. – P. 95–98. DOI: https://doi.org/10.1038/s41586-019-1335-8
