Бизнес-контекст
В материаловедении создание новых материалов связано с большим количеством лабораторных экспериментов. Каждый синтез требует времени, реактивов, оборудования, работы исследователей и последующей проверки свойств полученного материала.
Проблема в том, что пространство возможных параметров синтеза большое. Можно менять состав, условия, пропорции, температуру, растворители и другие факторы. При этом далеко не каждая комбинация приводит к материалу с полезными свойствами.
Для исследовательской команды это означает, что значительная часть времени уходит на перебор гипотез. Часть экспериментов оказывается неэффективной, а поиск перспективных вариантов может занимать месяцы.
Типовые проблемы:

• много возможных параметров синтеза;
• лабораторные эксперименты дорогие и долгие;
• свойства материала становятся понятны только после синтеза и измерений;
• часть экспериментов не даёт полезного результата;
• сложно быстро понять, какие комбинации параметров стоит проверять в первую очередь;
• обратная задача сложнее прямой: нужно не только предсказать свойства, но и подобрать параметры под целевой результат.

До автоматизации
До применения ML-подхода процесс строился вокруг ручного научного поиска.
Исследователь:

• выбирал параметры синтеза;
• проводил эксперимент;
• получал материал;
• измерял его свойства;
• сравнивал результат с ожиданиями;
• корректировал гипотезу;
• запускал следующий эксперимент.

Такой подход работает, но требует большого количества итераций. Чем больше вариантов параметров, тем сложнее быстро найти комбинации, которые действительно стоит проверять в лаборатории.

После автоматизации
ML-модель добавляет предварительный расчётный слой перед физическим экспериментом.
На вход подаются:

• параметры синтеза;
• признаки материала;
• табличные экспериментальные данные;
• известные результаты прошлых синтезов;
• целевые свойства материала.

На выходе система формирует:

• прогноз свойств материала;
• оценку перспективности выбранных параметров;
• предсказание структурных характеристик;
• прогноз параметров пористости;
• прогноз адсорбционных и других целевых свойств;
• рекомендации по параметрам для дальнейшей проверки;
• возможные варианты синтеза под заданные целевые свойства.

Вместо того чтобы проверять все гипотезы только в лаборатории, исследователь получает предварительный ML-фильтр. Он помогает сузить пространство поиска и выбрать более перспективные эксперименты.

Как работает ИИ
ИИ используется для поиска связи между параметрами синтеза и свойствами материала.
Сначала решается прямая задача: по параметрам синтеза и признакам материала модель предсказывает его свойства. Для этого используются табличные данные, feature engineering и модели машинного обучения, хорошо работающие на структурированных экспериментальных данных.
После этого решается обратная задача: если известно желаемое свойство материала, нужно подобрать параметры синтеза, которые могут к нему привести. Для этого применяется оптимизационный подход, в том числе генетический алгоритм.
То есть система работает в двух направлениях:

• прямая задача: параметры синтеза → прогноз свойств;
• обратная задача: желаемые свойства → поиск параметров синтеза.

Это особенно важно для R&D, потому что бизнесовая ценность находится не только в предсказании, но и в ускорении поиска новых перспективных материалов.

Бизнес-эффект
Главная ценность решения — сокращение количества неэффективных лабораторных экспериментов.
Исследовательская команда получает:

• предварительную оценку свойств до физического синтеза;
• возможность быстрее отбирать перспективные варианты;
• сокращение числа экспериментов “вслепую”;
• более управляемый поиск материалов с заданными характеристиками;
• инструмент для проверки гипотез до затрат на лабораторный цикл;
• ускорение R&D-процесса;
• основу для обратного дизайна материалов.

Даже если ML-модель не заменяет эксперимент, она помогает решать более практичную задачу: не проверять все возможные комбинации подряд, а выбирать те, у которых выше шанс дать нужный результат.

Где применимо ещё
Такой подход применим в научных и инженерных задачах, где нужно прогнозировать свойства объектов до дорогого физического эксперимента.
Примеры применимости:

• материаловедение;
• прогнозирование свойств новых материалов;
• металлорганические каркасные материалы;
• подбор параметров синтеза;
• адсорбционные материалы;
• фильтрационные материалы;
• химические исследования;
• R&D в промышленности;
• обратный дизайн материалов;
• оптимизация лабораторных экспериментов;
• прогнозирование свойств по табличным данным;
• отбор перспективных гипотез до физической проверки.

Результат
Результат — ML-подход, который помогает прогнозировать свойства металлорганических каркасных материалов и подбирать параметры синтеза под целевые характеристики.
Кейс показывает применение машинного обучения не только в бизнес-процессах, но и в исследовательских задачах, где цена эксперимента высока, а пространство возможных решений слишком велико для ручного перебора.
Это пример R&D-задачи, где ИИ используется как инструмент ускорения научного поиска: сначала сузить область перспективных вариантов с помощью модели, затем проверять лучшие гипотезы в лаборатории.

Стек
Python, PyTorch, XGBoost, Plotly, табличные данные, feature engineering, градиентный бустинг, нейросетевые модели, генетический алгоритм, оптимизационные методы.