Штучний інтелект у матеріалознавстві: зміни у відкритті та розробці матеріалів

У огляді висвітлено трансформаційний вплив штучного інтелекту в різних галузях матеріалознавства. Показано, що у сучасному матеріалознавстві спостерігається інтенсивна інтеграція зі штучним інтелектом (ШІ), що кардинально змінює парадигми наукових досліджень та технологічних розробок. Ця синергія відкриває нові горизонти для прогнозування властивостей матеріалів, оптимізації складу та структури. Використання методів машинного навчання (МН), зокрема глибинного навчання (ГН), пришвидшує процеси відкриття нових функціональних матеріалів за рахунок того, що дає змогу аналізувати величезні масиви експериментальних даних та результатів комп’ютерного моделювання, ідентифікувати приховані закономірності та встановлювати кореляції між складом, структурою та макроскопічними властивостями. Застосування ШІ в матеріалознавстві включає низку ключових напрямів. Алгоритми МН успішно використовуються для прогнозування термодинамічної стабільності та механічних характеристик сплавів, а також для моделювання процесів синтезу та обробки матеріалів. Моделі ГН демонструють високу ефективність у розпізнаванні мікроструктур за зображеннями, отриманими за допомогою електронної мікроскопії, що сприяє автоматизації аналізу та контролю якості. Крім того, методи ШІ є незамінними для виявлення оптимальних умов кристалізації, що забезпечує спрямований дизайн матеріалів із заданими властивостями. Таким чином, ШІ виступає не просто як інструмент, а як каталізатор прогресу, що дає змогу перейти від емпіричних методів «спроб іпомилок» до раціонального, цілеспрямованого проєктування матеріалів. Ця тенденція є вирішальною для майбутнього розвитку матеріалознавства, оскільки вона значно скорочує час і ресурси, необхідні для комерціалізації інноваційних технологій.

This review highlighted the transformative impact of artificial intelligence in various fields of materials science. It is shown that modern materials science is undergoing intense integration with artificial intelligence (AI), which fundamentally changes the paradigms of scientific research and technological development. This synergy opens up new horizons for predicting material properties, and optimizing their composition and structure. The use of machine learning (ML) methods, particularly deep learning (DL), accelerates the processes of discovering new functional materials by allowing the analysis of vast arrays of experimental data and computational modeling results, identifying hidden patterns, and establishing correlations between composition, structure, and macroscopic properties. The application of AI in materials science includes several key areas. ML algorithms are successfully used for predicting the thermodynamic stability and mechanical properties of alloys, as well as for modeling material synthesis and processing. DL models show high efficiency in recognizing microstructures from images obtained with electron microscopy, which contributes to the automation of analysis and quality control. Furthermore, AI methods are indispensable for identifying optimal crystallization conditions, ensuring the directed design of materials with desired properties. Thus, AI acts not just as a tool, but as a catalyst for progress, allowing a transition from empirical «trial and error» methods to rational, goaloriented material design. This trend is crucial for the future development of materials science, as it significantly reduces the time and resources required for the commercialization of innovative technologies.