Об этом сообщила пресс-служба компании по итогам выступления ее представителя на отраслевом форуме.
Первое направление стратегии - применение машинного обучения для прогнозирования свойств материалов и виртуального скрининга катализаторов. Разработанный математический подход позволяет генерировать экспериментальные условия, что сокращает объем лабораторных и пилотных испытаний.
В настоящее время ученые корпорации работают над алгоритмом цифрового поиска постметаллоценовых катализаторов. Также ведутся проекты по созданию специальных полимеров и суперконструкционных пластиков в сотрудничестве с ведущими университетами.
Второе направление включает создание цифровых двойников промышленных установок. Задача - оптимизировать технологические режимы с помощью ИИ для предиктивного управления, снижения энергопотребления и экологической нагрузки.
Междисциплинарная работа ученых СИБУРа с физиками и математиками уже позволила кратно сократить вычислительную сложность моделей. Внедрение таких решений, как ожидается, на порядки уменьшит сроки проектирования и запуска производственных объектов.
Третье, наиболее перспективное направление, - анализ больших данных о поведении полимеров у клиентов. Информация собирается из различных сфер применения: от медицины до автомобилестроения.
Конечная цель этого направления - создать основу для автономного конструирования ИИ молекул с целевыми свойствами. Как отметил И. Зарипов, искусственный интеллект меняет саму логику научного поиска в химии.
Совместные проекты на стыке дисциплин позволяют решать задачи, недоступные отдельным командам. Такой подход открывает новые возможности в разработке катализаторов, полимерных материалов и масштабировании технологий.
Эта деятельность соответствует целям национального проекта «Новые материалы и химия». Она направлена на укрепление технологической независимости и защищенности производственных цепочек.
Внедрение искусственного интеллекта в материаловедение и химию считается одним из ключевых глобальных трендов научно-технического прогресса. Методы машинного обучения позволяют анализировать огромные массивы экспериментальных данных, выявляя скрытые закономерности «структура-свойство», что радикально сокращает традиционный цикл перебора вариантов при создании новых веществ.
Автор: А. Шевченко




























