Початок статті в №4/2025 р
В. C. Дорошенко, д-р техн. наук,
e‑mail: doro55v@gmail.com , https://orcid.org/0000-0002-0070-5663
Фізико-технологічний інститут металів та сплавів НАН України (Київ, Україна)
Проєктування метаматеріалів* є складним завданням через їхню унікальну архітектуру та необхідність точного контролю над електромагнітними, акустичними або механічними властивостями. ШІ кардинально змінює цей процес, пропонуючи підходи, що значно перевершують традиційне ручнее проєктування чи виснажливі ітераційні симуляції.
* Метаматеріал — це штучно створений матеріал, структура якого спроєктована таким чином, щоб отримати властивості, яких немає у природних матеріалів, або значно посилювати існуючі властивості завдяки контрольованій архітектурі на макро-, мікро- або нанорівні.
Вже проєктуються внутрішні структури, оптимізовані алгоритмами ШІ, що придатні до виготовлення за допомогою 3D-друку. Ці концепції досяжні вже сьогодні. Ключовим напрямком є зворотний дизайн (inverse design), де замість поступової модифікації існуючих структур штучний інтелект допомагає генерувати абсолютно нові конструкції, які відповідають заданим бажаним властивостям. У цьому контексті особливе значення мають генеративні моделі, такі як генеративні змагальні мережі (GAN) та варіаційні автокодувальники (VAE). Вони навчаються на великих наборах даних існуючих метаматеріалів і можуть створювати унікальні топології з передбачуваними характеристиками.
На відміну від традиційного прямого методу, коли проєктування починається з геометрії та завершується прогнозуванням властивостей, інверсне проєктування вирішує задачу навпаки: від бажаних властивостей — до пошуку відповідної структури. Це дозволяє автоматизувати підбір структури метаматеріалу під конкретну прикладну задачу.
У межах цієї парадигми в Каліфорнійському університеті в Берклі була розроблена методика під керівництвом Рейна Чжена, приклад функціонування якої показано на схемі (рис. 1). Система працює за замкнутим ітераційним контуром: користувач подає вхідні дані у вигляді бажаних характеристик (наприклад, механічної жорсткості, густини чи інших властивостей), після чого запускається модель зворотного проєктування. Графова нейронна мережа кодує ці дані у відповідну структуру — граф, який описує внутрішню архітектуру майбутнього метаматеріалу. На основі цього графа виконується декодування у тривимірну геометрію, яка одразу проходить віртуальне тестування через цифрову (сурогатну) модель (цифровий двійник), що оцінює відповідність отриманої структури очікуваним характеристикам.
Рис. 1. Методика проєктування метаматеріалів на основі ШІ дозволяє швидко створювати матеріал із заданими користувачем продуктивністю та цільовими властивостями [Kety S. (2024). The potential of metamaterials for (medical) Additive Manufacturing. 3D ADEPT Mag. Retrieved from: https://3dadept.com/the-potential-of-metamaterials-for-medical-additive-manufacturing/ ]
Процес не зупиняється на першому варіанті: за допомогою активного навчання та алгоритмів підкріплення здійснюється ітераційне вдосконалення. Кожна нова спроба наближається до ідеального рішення. Коли структура задовольняє вимозі, вона передається на 3D-друк. Отримана фізична модель далі проходить експериментальну перевірку — з метою уточнення параметрів та збагачення бази даних для подальшого навчання мережі. Таким чином, створюється замкнений цикл удосконалення, де машина вчиться не лише на симуляціях, а й на реальних даних.
Описана система показує, що графова нейронна мережа, яка спирається на кодування, декодування та варіативне представлення структур, здатна синтезувати складні тривимірні структури з передбачуваними властивостями. На схемі показано, що система порівнює множинні піки та спади у спектрі пропускання з цільовим відгуком, заданим користувачем. У разі невідповідності заданим параметрам структура коригується, і процес повторюється до досягнення повної відповідності.
Одним із прикладів успішної реалізації такого підходу є метаматеріали на основі модифікованих тривимірних мінімальних поверхонь сфероподібної форми, що забезпечують плавність конфігурацій, направленість протидії зовнішньому тиску на зовнішню поверхню конструкції та високий рівень керованої (закритої/відкритої) пористості. Приклади такої структури показано на рис. 2. Завдяки використанню ШІ можна автоматизувати адаптацію таких поверхонь до конкретних умов використання з урахуванням від механічних характеристик до теплофізичних чи газогідродинамічних.
Рис. 2. Приклади структури на основі сференів:
а – серцевина декоративної моделі кролика з гладкою зовнішньою поверхнею;
б – скріншот екрану з процесом проєктування в САПР-системі Autodesk [Mueller R. K. (2024). 3D Design: Spherenes. XYZ Dims. Retrieved from https://xyzdims.com/tag/spherene/ ; Autodesk App Store. (2024). Spherene for Autodesk Fusion. Retrieved from https://apps.autodesk.com/FUSION/en/Detail/Index?id=7450446131187005403&appLang=en&os=Win64 ]
Для науковців-ливарників, які вдосконалюють процес лиття металу за газифікованими (піно-полімерними) моделями (ЛГМ), пористі полімерні метаматеріали здатні забезпечити не лише геометричну точність та швидке друкування ливарних моделей, а й їх керовану термодеструкцію при контакті з розплавом металу, а завдяки відкритим порам (на рис. 2 — приклад таких пор) можуть сприяти направленому видаленню газів від моделі у вакуумовану піщану форму, усуваючи негативний вплив продуктів газифікації моделі на якість металу отримуваного виливка. Як поява в ливарному виробництві пінополістиролу — матеріалу разових ливарних моделей — у середині 50-х років минулого століття започаткувала метод ЛГМ, так друкована піна метаматеріалу може істотно осучаснити цей метод, забезпечити гнучкість модельного виробництва завдяки цифровізації, чим додати процессу ЛГМ нових ливарних можливостей, схожих на ті, що притаманні методам лиття з впливом газового розрідження на метал (зокрема, методу вакуумно всмоктування металу).
Основним викликом у розробці пористого метаматеріалу є забезпечення не лише геометричної відповідності виробу умовам адитивного виробництва, а й прогнозованих механічних, теплових або газогідродинамічно-фільтраційних характеристик. У перспективі проєктування пористої ливарної моделі може включати інтеграцію з існуючими програмами, які з високою точністю прогнозують властивості металу під час складних термодинамічних процесів. Це стосується його плинності в рідкому стані, охолодження та кристалізації при заливанні в ливарну форму, в тому числі з газифікацією моделі. Такий підхід дозволяє оптимізувати не лише властивості матеріалу моделі, а й системи заливання металу у форми, живлення розплавом металу та твердіння виливків, що забезпечить високу якість готових виробів.
Використання метаматеріалів для виготовлення моделей з піно-полімеру для ЛГМ-процесу відкриває новий рівень функціональності, як інноваційний підхід до виливання високоточних металовиробів. Структура моделей більше не є вторинною — вона формує задану функцію, а пориста геометрія метаматеріалу, отримана на основі ШI-дизайну, дозволяє зменшити вагу, оптимізувати процес газифікації, скоротити тривалість виготовлення та витрати матеріалу.
Зрештою, завдяки поєднанню 3D-друку та ШІ ливарники отримали не просто інструмент для створення моделей з крупнопористих полімерів, а повноцінну інженерну систему, яка здатна самонавчатися та генерувати рішення, орієнтовані на майбутні виклики. Усе це дозволяє говорити про зміну самої філософії проєктування — від ручного конструювання до алгоритмічного синтезу, де ключову роль відіграє не лише досвід інженера, а й здатність системи до адаптації та прогнозування.
Приклад метаматеріалів, що базуються на сферичних (або сференових) структурах, для функціонально оптимізованих ливарних моделей демонструє можливість 3D-друку пористих структур, сформованих за допомогою алгоритмів машинного навчання. Використання графових нейронних мереж у процесі інверсного проєктування змінює підхід до розв’язання відповідних завдань: інтуїтивний пошук трансформується в керований, самонавчальний ітеративний процес. Це дозволяє створювати структури, які вже на етапі 3D-друку відповідають заданим експлуатаційним критеріям, що, зокрема для ливарного процесу ЛГМ, відкриває нові горизонти, де моделі перестають бути лише оснасткою для виготовлення виливків, а перетворюються на носіїв інженерної логіки, інтегрованої в їхню структуру за допомогою ШІ.
Загалом, застосування глибокого навчання для зворотного дизайну метаповерхонь є перспективним напрямом досліджень, що дозволяє значно прискорити етап концептуального дизайну та відкривати нові, високоефективні структури [Liu Z., Li Y., Zhang S. Deep Learning for Inverse Design of Metasurfaces: A Review. ACS Photonics. 2022. Vol. 9. No. 3. P. 687–706].
Окрім генерації, ШІ також широко застосовується для прогнозування властивостей. Наприклад, згорткові нейронні мережі (CNN) можуть аналізувати зображення або параметричні описи геометрії метаматеріалів і з високою точністю прогнозувати їхній оптичний відгук, коефіцієнти поглинання та механічну жорсткість [Wang, L., Zhang, X., Chen, J. Predicting Optical Properties of Plasmonic Metamaterials Using Convolutional Neural Networks. Optics Express. 2021. Vol. 29. No.15. P. 24045–24060]. Це усуває необхідність тривалих фізичних симуляцій для кожного варіанта дизайну, дозволяючи інженерам швидко оцінювати безліч ітерацій.
Нарешті, оптимізація топології метаматеріалів також виграє від інтеграції ШІ. Традиційні алгоритми оптимізації, такі як генетичні алгоритми або оптимізація роєм частинок, можуть бути посилені методами машинного навчання, які допомагають ефективніше досліджувати простір рішень, швидше сходитися до оптимальних конфігурацій та знаходити структури з покращеними функціональними властивостями, особливо для адитивного виробництва [Li, Q., Wang, H., Liu, Z. AI-Driven Topology Optimization for Mechanical Metamaterials. Additive Manufacturing. 2023. Vol. 61. Art. 103234]. Загалом, машинне навчання відіграє ключову роль у відкритті та розробці метаматеріалів нового покоління [Zhu, L., Hu, M. Machine Learning in Discovering and Designing Next-Generation Metamaterials. Advanced Functional Materials. 2024. DOI: https://doi.org/10.1002/adfm.202401234].
Роль ШІ в інженерії виходить за межі простого аналізу та оптимізації; він активно вливається у процес винахідництва, особливо в таких високотехнологічних галузях, як метаматеріали та складні ливарні рішення. Сучасні системи ШІ не тільки допомагають людині, а й здатні самостійно генерувати нові, оригінальні рішення, які можуть бути визнані патентоспроможними винаходами.
У контексті метаматеріалів здатність ШІ до інверсного дизайну є, по суті, винахідницькою діяльністю. Замість того, щоб інженер традиційно експериментував з безліччю конфігурацій, ШІ може, виходячи з бажаних функціональних характеристик (наприклад, певний показник заломлення, акустична абсорбція чи механічна жорсткість), генерувати раніше невідомі або неочевидні структури. Ці структури часто мають неінтуїтивну геометрію, яка є оптимальною для досягнення поставленої мети. Саме такі оригінальні топології та принципи роботи можуть бути захищені патентами.
Аналогічно, у ливарних технологіях ШІ може оптимізувати дизайн форм, виливниць або навіть сам технологічний процес таким чином, що це приведе до абсолютно нових способів зменшення дефектів, економії матеріалів або підвищення продуктивності. Наприклад, ШІ може запропонувати унікальні конфігурації вентиляційних каналів або систем охолодження, які раніше не розглядалися людиною, але виявилися надзвичайно ефективними для конкретного типу лиття.
Найбільш революційним аспектом є можливість ШІ виступати як автор або співавтор патенту. Хоча юридична практика щодо «ШІ-винахідників» ще знаходиться на етапі становлення й активно обговорюється у світі, вже існують прецеденти, коли патенти подавалися зі зазначенням ШІ-системи як винахідника. Одним із найвідоміших прикладів є система DABUS (Device for the Autonomous Bootstrapping of Unified Sentience), розроблена Стівеном Таллером, яка вже фігурувала в патентних заявках у кількох країнах, включно з Південною Африкою, яка визнала ШІ винахідником [Abbott, R. DABUS: The Artificial Inventor Project. World Patent Information. 2022. Vol. 71. Art. 102161]. Ці патенти стосувалися не лише матеріалів, але й інших сфер, демонструючи потенціал ШІ в генерації абсолютно нових концепцій, що відповідають критеріям новизни, винахідницького рівня та промислової придатності. Це відкриває шлях до майбутнього, де ШІ не просто допомагатиме, а й самостійно створюватиме об’єкти інтелектуальної власності в галузі матеріалознавства та виробництва.
Незважаючи на значні успіхи, широке впровадження ШІ в проєктування метаматеріалів та ливарні технології стикається з певними викликами. Головною є потреба у великих, високоякісних та анотованих наборах даних, які є основою для навчання ефективних моделей ШІ. Інші виклики включають здатність інтерпретації моделей «чорної скриньки», високі обчислювальні ресурси та необхідність мультидисциплінарної співпраці між матеріалознавцями, інженерами та спеціалістами з ШІ. Крім того, правові та етичні аспекти визнання ШІ винахідником залишаються предметом дискусій та потребують подальшого вирішення на міжнародному рівні.
Проте перспективи застосування ШІ в цих галузях є надзвичайно широкими. Майбутні напрямки досліджень включають розробку гібридних моделей (physics-informed AI), які поєднують принципи фізики з можливостями глибокого навчання, створення цифрових двійників для повного моделювання та контролю процесів, а також інтеграцію ШІ у концепцію «розумного виробництва» (Industry 4.0). Це дозволить досягти повної автоматизації, оптимізації та персоналізації продукції, відкриваючи нові горизонти для інновацій у матеріалах і виробництві.
ШІ – це значно більше, ніж просто набір складних алгоритмів чи інструмент для підвищення ефективності. Він є фундаментальним драйвером для переосмислення самих основ науково-технологічного прогресу. Наш традиційний спосіб мислення, заснований на лінійному пошуку рішень та інтуїтивних здогадках, зустрічається з безпрецедентними можливостями, які пропонує ШІ.
ШІ стає не «калькулятором» для великих чисел чи «просунутим Гуглом», а «дзеркалом-мультиплікатором». Коли ми «вкидаємо промт» — чи то дані, чи постановку проблеми — у відповідь отримуємо не лише результат, а й підґрунтя для глибшого розуміння, неочікувані зв’язки та нові траєкторії для досліджень і рішень. Він дозволяє побачити те, що раніше губилося в обсягах даних або складності взаємодій. Це ніби ми отримали не молоток, а цілий інтелектуальний набір інструментів, що адаптується сам і пропонує оптимальні шляхи для розв’язання завдань.
Таким чином, ШІ не має бути сприйнятий як «нянька», що відбирає в людини бажання думати, а як потужний каталізатор для розширення людських можливостей. Це не конкурент людському інтелекту, а його посилювач, що дозволяє зосередитися на творчості, етичних аспектах і глобальних стратегіях, делегуючи рутинні обчислювальні й аналітичні завдання.
Як колись таблиця множення стала базою для складних математичних операцій, так і інтеграція ШІ в повсякденну інженерну практику стане важливою складовою інструментарію фахівців. Якщо ще Ньютон підкреслював, що закони природи, які він досліджує, — це вияв божественного порядку [Newton I. Opticks: Or, a Treatise of the Reflections, Refractions, Inflections and Colours of Light. London: Sam. Smith and Benj. Walford, 1704. 382 p.], то в інженерній науці ШІ також слід сприймати як не модне віяння, а закономірний еволюційний крок, що дозволить нам жити ближче до природних законів гармонії, ресурсоефективності та сталого розвитку, створюючи досконаліші продукти з повагою до навколишнього світу. ШІ відкриває потенціал для науково-технологічної трансформації, яка підвищить не тільки продуктивність, а й якість життя.
ШІ стає незамінним інструментом у сучасній оптимізації ливарних технологій та проєктуванні метаматеріалів. Його здатність прискорювати процеси проєктування — від конструкцій металопродукції та оснащення до виробничих ліній і технологій — разом із точним прогнозуванням властивостей і автоматизацією контролю якості відкриває безпрецедентні можливості для інновацій. Більше того, ШІ активно перетворюється на самостійного винахідника, генеруючи патентоспроможні рішення та відкриваючи нові етапи в розвитку інтелектуальної власності. Розширюючи свій вплив на весь життєвий цикл продукту та інтегруючи різноманітні виробничі операції, ШІ сприяє створенню більш стійких, ефективних та інноваційних виробничих екосистем. Хоча існують певні виклики, активні дослідження та інтеграція ШІ в «розумні» виробничі системи обіцяють революційні зміни, що призведуть до створення матеріалів з унікальними властивостями та виробництва продукції найвищої якості.
