Что AI действительно может изменить в химическом R&D — на примере разработки полиуретанового герметика
Классический цикл разработки нового химического продукта построен вокруг серии лабораторных экспериментов. Изменили рецептуру — выполнили синтез — измерили свойства — скорректировали состав — повторили цикл.
За двадцать лет промышленного R&D я убедился, что значительная часть затрат приходится не на сами эксперименты, а на поиск перспективного направления исследований. Именно этот этап сегодня можно существенно ускорить с помощью цифровых инструментов.
В качестве pet-проекта я собрал полный цифровой конвейер разработки низкомодульного полиуретанового герметика.
В него вошли четыре основных этапа.
1. Анализ рынка.
Автоматизировано извлечение данных из технических спецификаций (TDS) конкурентов с последующей физической валидацией полученных параметров. Проверка диапазонов позволяет автоматически выявлять значения, противоречащие физическому смыслу.
2. Предварительный анализ патентных ограничений.
Проведен AI-assisted анализ опубликованных патентов Sika и Dow для оценки возможных технических ограничений и поиска альтернативных инженерных решений. Это не является полноценным Freedom-to-Operate исследованием и не заменяет работу патентного поверенного.
3. Планирование экспериментов.
Вместо классического перебора факторов использован план Бокса–Бенкена (Box–Behnken Design), позволивший сократить матрицу лабораторных экспериментов с 27 до 15 синтезов без потери информативности.
4. Поиск перспективных рецептур.
На синтетическом датасете построена суррогатная модель, после чего выполнен Grid Search по пространству параметров. В результате найдена наиболее перспективная область рецептурного пространства, удовлетворяющая заданным требованиям модели.
Важно подчеркнуть несколько принципиальных ограничений.
Все расчеты выполнены на синтетических данных. До проведения реального лабораторного синтеза никакие прогнозируемые свойства нельзя считать подтвержденными.
AI в данном проекте не заменяет химию. Он помогает раньше отбросить заведомо слабые инженерные гипотезы и сократить объем дорогостоящих лабораторных итераций там, где математическая модель имеет физическое обоснование.
Именно в этом я вижу основную ценность Industrial AI: не в генерации красивых графиков, а в снижении стоимости инженерного поиска до начала реальных экспериментов.