ШТУЧНИЙ ІНТЕЛЕКТ У МАТЕРІАЛОЗНАВСТВІ: ЗМІНИ У ВІДКРИТТІ ТА РОЗРОБЦІ МАТЕРІАЛІВ
DOI:
https://doi.org/10.32782/3041-2080/2025-5-17Ключові слова:
штучний інтелект, матеріалознавство, нова концепція дизайну матеріалів, обробка зображень, склад, структура, алгоритми комп’ютерного зоруАнотація
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 і помилок» 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.
Посилання
Samarasinghe S. Neural Networks for Applied Sciences and Engineering. Auerbach Publications, Taylor and Francis group, New York, 2006. P. 570. https://doi.org/10.1201/9780849333750.
Alzubaidi L., Zhang J., Humaidi A. et al. Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions, J. Big Data. 2021. 8, 53. https://doi.org/10.1186/s40537-021-00444-8
Raccuglia P., Elbert K., Adler Ph. et al. Machine-learning-assisted materials discovery using failed experiments, Nature. 2016. 533, P. 73–76. https://doi.org/10.1038/nature17439
Peivaste I., Belouettar S., Mercur Fr. et al. Artificial intelligence in materials science and engineering: Current landscape, key challenges, and future trajectories. Composite Structures. 2025. V. 372. P. 119419 https://doi.org/10.1016/j.compstruct.2025.119419
Mueller T., Gilad Kusne A., Ramprasad R. Machine learning in materials – recent progress and emerging applications. Reviews in Computational Chemistery (John Wiley & Sons, Inc, Baltimore MD. 2016. P. 291. https://doi.org/10.1002/9781119148739.ch4
Mobarak M. H., Mimona M. A., Islam M. A. et al. Scope of machine learning in materials research. A Review. Appl. Surf. Sci. Adv. 2023. 18, 100523. https://doi.org/10.1016/j.apsadv.2023.100523
LeSar R. Materials informatics: An emerging technology for materials development. Stat. Anal. Data Min.: ASA Data Sci. J. 2009. 1, 372. https://doi.org/10.1002/sam.10034
Ford E., Maneparambil K., Rajan S. et al. Machine learning-based accelerated property prediction of two- phase materials using microstructural descriptors and finite element analysis. Comput. Mater. Sci. 2021. 191, 110328 https://doi.org/10.1016/j.commatsci.2021.110328
Choudhary K., DeCost Br., Chen C. et al. Recent advances and applications of deep learning methods in materials science, Nature. 2022. 59. 8. https://doi.org/10.1038/s41524-022-00734-6
Zuccarini C., Ramachandran K., Jayaseelan D. et al. Stress distribution analysis in zirconium diboride and silica carbide (ZrB2-SiC) based TPS under hypersonic flight conditions using machine learning driven approach. Ultra-High Temperature Ceramics: Materials for Extreme Environment Applications. 2021. URL: https://crimsonpublishers.com/rdms/pdf/RDMS.000999.pdf
Tran V.Q. Using artificial intelligence approach for investigating and predicting yield stress of cemented paste backfill. Sustainability 15, 2023. 2892. https://doi.org/10.3390/su15042892
Granzner M., Strauss A., Reitererat M. et al. Data-driven condition assessment and life cycle analysis methods for dynamically and fatigue-loaded railway infrastructure components. Infrastructures. 2023. 8 (11), 162. https://doi.org/10.3390/infrastructures8110162
Toshiba розробляє перший у світі штучний інтелект, здатний виконувати 3D-вимірювання, використовуючи лише фотографії з монокулярної камери з об’єктивом-змітом. URL: https://www.global.toshiba/ww/technology/corporate/rdc/rd/topics/21/2111-02.html
Балашова Л. Метінвест запровадив ШІ для контролю якості продукції на «Запоріжсталі». Forbes Ukraine. 2024. URL: https://metinvestholding.com/ua/media/news/metnvest-zaprovadiv-sh-dlya-kontrolyu-yakost-produkc-na-zaporzhstal-forbes-ukraine
Zhao F., Zhang Z., Ye Y. et al. Machine learning guided prediction of dynamic energy release in high- entropy alloys. Mater. Des. 2024. 246. http://dx.doi.org/10.1016/j.matdes.2024.113339
Jordan M. I., Mitchell T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science V. 349, Is. 6245. P. 255–260. URL: https://www.cs.cmu.edu/~tom/pubs/Science-ML-2015.pdf
Cantor B., Chang I., Knight P. et al. Microstructural Development in Equiatomic Multicomponent Alloys. Materials Science and Engineering: A, 2004. 375. P. 213–218. https://doi.org/10.1016/j.msea.2003.10.257
Yeh J.-W., Chen S.-K., Line S.-J. et al. Nanostructured high-entropy alloys with multiple principal elements: Novel alloy design concepts and outcomes. Advanced Engineering Materials. 2004. V. 6, Is. 5. P. 299–303. https://doi.org/10.1002/adem.200300567
Miracle A., Brenner D., Detor D. et al. Defining pathways for realizing the revolutionary potential of high entropy alloys. 2021. URL: https://www.tms.org/portal/portal/Publications/Studies/heaPathways/heaPathways.aspx.
Kattner U. The calphad method and its role in material and process development. Tecnol. Em Metal. Mater. E Min., 2016. V.13. N. 1. P. 3–15. http://dx.doi.org/10.4322/2176-1523.1059
Raabe D., Tasan C., Springer H. et al. From high-entropy alloys to high-entropy steels. Steel research international. 2015. V. 86, Is. 10. P. 1127–1138. https://doi.org/10.1002/srin.201500133
Wang Y., Li D., Parent L. et al. Improving the wear resistance of white cast iron using a new concept. High-entropy microstructure Wear. 2011. V. 271. Is. 9–10. P. 1623–1628. https://doi.org/10.1016/j.wear.2010.12.029
Wang Y. P., Li D. Y., Parent L., Tian H. Performances of hybrid high-entropy high-Cr cast irons during sliding wear and air-jet solid-particle erosion. Wear, 2013. V. 301. Is. 1–2. P. 390–397. https://doi.org/10.1016/j.wear.2012.12.045
Pasini W., Bellе M., Pereira L., F. R. et al. Analysis of carbides in multi-component cast iron design based on high entropy alloys concepts. Materials Research. 2021.V. 24. N. 2. http://dx.doi.org/10.1590/1980-5373-mr-2020-0398
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.




