Об эксперте: Артур Асланян — руководитель направления развития процессов и сервисов «СИБУР ПолиЛаб». Занимается цифровизацией научно-исследовательских процессов и внедрением технологий искусственного интеллекта в разработку полимерных материалов. Специализируется на анализе данных, моделировании свойств продукции и создании цифровых инструментов для ускорения вывода новых решений на рынок.
На этапе генерации идей современные цифровые решения помогают анализировать массивы мировых патентов, научных публикаций, новостей и нормативно-технической документации, находить перспективные направления и ниши применения полимерных решений и переходить от догоняющей модели разработки к прогнозной. Вместо ручного анализа эксперты центров «СИБУР ПолиЛаб» используют LLM-инструменты, которые структурируют знания и ускоряют принятие решений.
Кроме того, ученые работают с большими данными, формирующимися на всех этапах производства полимеров — от пиролиза и синтеза до экструзии, лабораторных испытаний и переработки в готовые изделия. Эти массивы включают параметры производственных линий, рецептуры, результаты испытаний и данные центров «СИБУР ПолиЛаб». На их основе создаются модели, которые позволяют выстраивать прогнозную зависимость между составом, условиями переработки и конечными свойствами материала.
Разработка материалов по заданным характеристикам
Один из наиболее показательных примеров — генератор рецептур полипропиленовых пленок. Модель по заданным требованиям к характеристикам (прочности, прозрачности, модулю упругости и другим параметрам) и с учетом конкретной производственной линии формирует оптимальное послойное строение пленки, рассчитывает процентное содержание компонентов, толщину слоев и прогнозируемые свойства.
Аналогичных подход сейчас начинает использоваться в другом направлении — разработке модели прогнозирования параметров цветности продукции при вовлечении вторичного сырья. Модель анализирует исторические данные о характеристиках вторичных материалов и доле их использования в первичном полимере, что позволяет заранее оценивать влияние вторичного сырья на внешний вид и качество конечного продукта. В данный момент происходит обучение модели для получения более высокой точности прогнозирования конечных параметров.
Цифровой контроль качества на всем жизненном цикле продукта
Отдельное направление — управление свойствами готовых изделий. Сейчас прорабатываются решения по защите продукции от контрафакта с использованием специальных маркеров и цифровых инструментов контроля, доступных участникам всей цепочки — от переработчиков до конечных потребителей.
Мы рассматриваем искусственный интеллект как практический инструмент, который уже сегодня меняет подходы к разработкам, позволяя не только ускорять процессы, но и с высокой точностью прогнозировать свойства конечного продукта. Ключевыми вызовами внедрения ИИ остаются доверие к результатам моделей, работа с конфиденциальными данными и качество исходной информации. Для их преодоления делается ставка на обучение сотрудников, встраивание ИИ-инструментов в рабочие ритуалы, развитие внутренних RAG-решений и автоматизацию сбора данных.
Ускорение научного поиска и вывода технологий на рынок
Развитие искусственного интеллекта в прикладных исследованиях опирается на системную работу по цифровизации научных подразделений. Так, в научно-исследовательском центре «СИБУР Инновации» тестируются гипотезы в области ИИ-подходов для ускоренного проектирования катализаторов и новых материалов: модели анализируют массивы экспериментальных данных, выявляют взаимосвязи между составом, структурой и характеристиками веществ, помогают прогнозировать эффективность каталитических систем и сокращать объем трудоемких лабораторных испытаний.
Такой подход позволяет переходить от длительного подбора решений к более точному и управляемому научному поиску, формируя основу для ускоренного вывода технологических решений и укрепления собственной исследовательской базы.
Источник новости: hi-tech.mail.ru
