Правильность выбора материалов для конкретных инженерных и конструкторских задач приобрела первостепенную важность. От правильности выбора зависят ключевые показатели изделия: прочность, вес, износоустойчивость, безопасность и, конечно же, цена. Классические подходы к решению данной задачи основывались преимущественно на опыте и интуиции инженера, однако подобные подходы имели существенные недостатки: долгий цикл тестирования, отсутствие учета множества факторов одновременно и значительные материальные затраты.

С развитием технологий машинного обучения появилась возможность кардинально изменить ситуацию. Теперь стало возможным быстро и эффективно обрабатывать огромные объемы данных, получать точные прогнозы и рекомендации по материалам, минимизируя человеческий фактор и увеличивая скорость выхода готовых изделий на рынок.

Инструменты машинного обучения представляют собой совокупность специализированных алгоритмов и методов, предназначенных для автоматического извлечения полезных закономерностей из данных. Они позволяют выявить зависимости, провести классификацию и сделать прогнозы, значительно упрощая многие рутинные задачи, стоящие перед специалистами разных областей [1].

Среди основных инструментов машинного обучения выделяется линейная и логистическая регрессия, которая используется для выявления прямой зависимости между переменными. Она широко применяется в материаловедении для описания зависимостей между различными характеристиками материала (например, плотностью, прочностью, температурой плавления) и итоговыми техническими параметрами изделия (вес, сопротивление нагрузкам). Логистическая регрессия подходит для бинарных ситуаций («пригоден-непригоден»), что полезно при оценке соответствия материала заявленным характеристикам и техническим требованиям.

Следующий инструмент машинного обучения – деревья решений и случайные леса. Они  применяются для разделения набора данных на классы согласно определенным правилам. Каждый узел дерева задаёт условие, которое помогает принять решение о принадлежности элемента к определенному классу. Данный инструмент особенно полезен при выборе материалов, поскольку позволяет систематизировать многочисленные признаки и учитывать особенности внешней среды и режимов эксплуатации. Случайные леса (Random Forests) объединяют несколько деревьев решений, каждое из которых построено на случайно выбранных подмножествах признаков исходных данных. Такой подход повышает стабильность и точность моделей, предотвращая переобучение.

Нейронные сети как инструмент имитируют структуру нервной системы человека, состоящую из отдельных узлов (нейронов), соединенных друг с другом. Простейшие нейронные сети (однослойные перцептроны) подходят для простых задач, тогда как многослойные нейронные сети обладают большими возможностями и могут находить сложные нелинейные зависимости. Нейронные сети часто используют для моделирования деформаций, разрушения материалов и расчета структурных напряжений. Их способность обобщать позволяет строить надежные прогностические модели даже при наличии неполных данных.

Глубокие нейронные сети отличаются наличием многих слоев и возможностью автоматически извлекать иерархические признаки из сырых данных. Эти сети демонстрируют отличные результаты в задачах, связанных с обработкой изображений, звуком и текстом, что актуально при анализе микроструктур материалов и диагностике дефектов. Глубокая сверточная нейронная сеть способна проанализировать фотографии поверхности материала и выявить дефекты или аномалии, невидимые человеческому глазу. Подобные технологии активно внедряются в автомобилестроении и авиации для контроля качества продукции.

          Существуют методы, которые группируют объекты по сходству признаков, выделяя группы схожих материалов или элементов. Такие методы полезны при сортировке данных и предварительной обработке перед построением моделей [2].

Классификация направлена на разделение объектов на заранее известные категории; это удобно при отборе материалов по установленным спецификациям. Типичным примером классификации является выделение подходящих марок стали для строительства мостов, учитывая такие параметры, как предел прочности, вязкость и химический состав.

Удачным считается подход генеративных состязательных сетей (GAN). Эта группа моделей состоит из двух конкурирующих частей: генератора и дискриминатора. Генератор учится создавать реалистичные образцы, пытаясь обмануть дискриминатор, который стремится отличить реальные образцы от поддельных. Подобный подход эффективен при генерации синтетических образцов материалов, ранее неизвестных, однако потенциально выгодных для использования.

Применение машинного обучения в инженерии и промышленном дизайне потенциально выгодно. Оно сокращает время на принятие решений о материале, повышает качества прогнозов по свойствам материалов, оптимизирует расходы ресурсов и снижение общих затрат, уменьшает число ошибок и дефектов.

Примером успешного применения машинного обучения стал случай компании Airbus, которая с помощью нейронных сетей смогла выбрать сверхлегкий углепластиковый композит для фюзеляжа пассажирского лайнера A350XWB, что снизило общую массу самолета на 2 тонны и увеличило дальность полета.

          В целом, машинное обучение открыло новые горизонты в сфере подбора материалов для различных сфер промышленности, строительства и технологий. Стоит рассмотреть ключевые преимущества использования машинного обучения в подборе материалов.

Одно из важнейших преимуществ машинного обучения — это возможность точного прогнозирования свойств материалов и их поведения в различных условиях эксплуатации. Традиционные методы часто основываются на ограниченном объеме данных и личном опыте эксперта, что может привести к ошибкам и неправильным решениям. Машинное обучение позволяет оценивать гораздо большее количество переменных и обнаруживать скрытые закономерности, недоступные простым наблюдениям [2;3].

Например, компания Rolls-Royce применяла алгоритмы машинного обучения для подбора материалов лопаток турбин реактивных двигателей. После тщательного анализа множества факторов, включая температуру, механические напряжения и усталость металла, специалисты смогли разработать новый композитный материал, который обеспечил прирост ресурса двигателей на 20% и снизил потребление топлива.

Еще одно важное преимущество машинного обучения — существенное сокращение времени и затрат на проведение тестов и эксперименты. Ранее для проверки материала требовалось проводить лабораторные испытания, что было дорого и долго. Машинное обучение позволяет быстро моделировать различные сценарии и подбирать оптимальный материал, минуя этапы дорогостоящего тестирования. К примеру, американская компания Ford Motor Company применила машинное обучение для быстрого подбора материалов кузовных панелей автомобиля Mustang. В ходе анализа оказалось, что замена обычного алюминия на специально разработанный сплав позволила снизить вес автомобиля на 10 кг, что привело к увеличению динамики разгона и экономии топлива.

Алгоритмы машинного обучения минимизируют вероятность ошибок, возникающих из-за субъективных предпочтений и ограничений человеческих способностей. Подбор материалов, основанный на результатах анализа огромных объемов данных, гарантирует высокое качество продукции и минимальное количество отказов. Например, крупнейший производитель самолетов Boeing использовал машинное обучение для подбора подходящего сплава для крыльев коммерческих авиалайнеров. Программа сравнила сотни различных сплавов, учла нагрузку крыла, климатические условия эксплуатации и физические характеристики материала, подобрав оптимальное решение, которое повысило прочность конструкции и сократило количество аварийных происшествий.

Также машинное обучение позволяет индивидуально подходить к каждому проекту, учитывая конкретные нужды клиента и внешние условия эксплуатации. Например, для одних клиентов важны высокие показатели теплоустойчивости, другим необходим легкий вес, третьим важна низкая стоимость. Алгоритм может быстро подобрать подходящий материал, балансируя эти запросы. Концерн BMW разработал гибридный автомобиль i3, оснащённый батареями с оптимальным материалом катода. Алгоритм машинного обучения подобрал такое сочетание материалов, которое позволило добиться максимальной емкости аккумулятора при минимальной массе, что сделало автомобиль лидером по запасу хода среди электрических авто премиум-класса.

Возможность учитывать экологические факторы при выборе материалов – один из положительных аспектов машинного обучения является. Например, алгоритм может выбрать наименее токсичный материал или произвести расчеты, направленные на минимизацию выбросов углекислого газа при производстве. Например, Nike использовала машинное обучение для выбора экологичного материала обуви. Компания получила подробную оценку по нескольким параметрам, включая воздействие на окружающую среду и углеродный след. В результате Nike представила коллекцию спортивной обуви с минимальным воздействием на природу, получив признание от организаций защиты экологии.

Алгоритмы машинного обучения работают и с огромными наборами данных, создавая уникальную базу знаний о поведении материалов в различных условиях. Это даёт возможность специалистам оперативно реагировать на изменения требований рынка и осваивать новые рынки сбыта. К примеру, китайская компания Huawei применила машинное обучение для анализа сотен материалов корпусов смартфонов. Новый материал, подобранный алгоритмом, оказался устойчивым к повреждениям, влагозащитным и сохранял отличную передачу сигнала. Благодаря этому смартфоны Huawei получили высокую оценку потребителей и заняли лидирующую позицию на рынке мобильных телефонов.

Рассмотрев преимущества, можно сказать, что машинное обучение в подборе материалов играет важную роль для создания оптимального решения, которое будет отвечать по всем требованиям надежность, получит весомое конкурентное преимущество.

Машинное обучение продолжает демонстрировать выдающиеся результаты в различных областях, становясь незаменимым инструментом для компаний и исследователей. Далее представлены яркие примеры успешного применения ML в бизнесе, медицине, транспорте и других секторах, подробно раскрывающие механизмы успеха и ценность этих решений.

Если рассмотреть другие сферы применения машинного обучения, то стоит отметить ее влияние на медицину. Так один из самых наглядных примеров – диагностика злокачественных новообразований кожи. Группа ученых из Стэнфордского университета создала алгоритм на основе свёрточных нейронных сетей (CNN), обучив его на обширном наборе изображений родинок и опухолей. Результат превзошёл ожидание: программа оказалась столь же эффективной, как и опытные дерматологи, диагностируя меланому с точностью до 95%.

Уже как несколько лет люди по всему миру поражаются беспилотными автомобилями, а ведь это всё алгоритмы машинного обучения, которые непрерывно анализируют окружающее пространство, принимая решения о торможении, повороте, перестроении и управлении скоростью. Так, Tesla Motors сделала огромный шаг вперёд в развитии беспилотных автомобилей, представив технологию Autopilot. Постоянное обновление моделей позволяет Tesla улучшать алгоритмы на основании опыта всех владельцев, собирая статистику и исправляя ошибки. Автопроизводителю удалось резко снизить количество ДТП, вызванных человеческими ошибками, сделав вождение безопасным и комфортным

СберБанк России реализовал крупный проект по внедрению машинного обучения для выдачи кредитов малым и средним предпринимателям.  В последние годы Сбербанк России сосредоточился на внедрении передовых технологий машинного обучения (ML) для повышения эффективности работы с клиентами малого и среднего бизнеса (МСБ). Главной задачей было создание надежного и быстрого кредитного конвейера, способного обеспечивать точное принятие решений по выдаче займов, минимизируя кредитные риски и повышая лояльность клиентов.

До внедрения ML-кредитования работники Сбербанка пользовались стандартными системами скоринга, анализирующими небольшой набор данных заемщика (доход, возраст, семейное положение и т.д.). Но такой подход имел много минусов: устаревшие данные, субъективность сотрудников, невозможность учета нестандартных обстоятельств, влияющих на платежеспособность предпринимателя.

Решение пришло с появлением новых технологий. Сбербанк начал собирать и обрабатывать огромный объем данных о каждом клиенте МСБ, используя внутренние и сторонние источники. К примеру, помимо кредитной истории анализировались бухгалтерская отчетность, налоговые декларации, обороты по счету, отраслевые индексы, региональные особенности, динамика доходов, расходы на персонал и аренду, платежи контрагентам и многое другое. Помимо анализа данных о компаниях, Сбербанк внедрил возможность прямого подключения банковских счетов клиентов к системе оценки. В режиме реального времени происходит мониторинг оборотов, платежей и прочих финансовых потоков, что дополнительно повышает точность оценки финансового здоровья компании.

Уже спустя полгода после полного запуска системы Сбербанк получил первые позитивные результаты:

• Зафиксировано снижение дефолта по кредитам на 15%. Это произошло благодаря своевременному выявлению неблагополучных заемщиков и повышению точности принятия решений.
• Процесс подачи заявки и одобрения займа сократился с нескольких рабочих дней до считанных часов. В особо срочных случаях клиенту предоставляется кредит за полчаса.
• Через год после внедрения ML-алгоритма количество одобренных кредитов выросло на 20%. Это связано с тем, что появились возможности одобрять кредиты там, где раньше принимался отрицательный вердикт из-за недостатка информации.
• Согласно опросам, клиенты стали чаще отмечать простоту и удобство получения кредита в банке, доверяя его автоматизированной системе оценки.

Опыт Сбербанка свидетельствует о высокой эффективности применения машинного обучения в банковской сфере. Технология позволяет значительно повысить точность оценки рисков, сократить операционные расходы и увеличить количество обслуживаемых клиентов. Важно отметить, что подобный подход помогает банкам перейти от статичной схемы анализа заемщиков к активной работе с большим количеством переменных, что улучшает качество предоставляемых услуг и укрепляет позиции на рынке.

Также российская компания «Яндекс» давно осознала потенциал машинного обучения  и активно внедряет его во многие свои сервисы, улучшая качество взаимодействия с пользователями и расширяя собственные возможности. Основной упор сделан на персонализацию услуг, повышение релевантности поиска и продвижение рекламных кампаний.

Поисковая система Яндекс всегда находилась в авангарде борьбы за первенство на российском рынке поиска. Одним из первых шагов к доминированию стала реализация собственного поисковика, который был настроен на русский язык и понимал запросы пользователей лучше зарубежных аналогов. Позже Яндекс перешел к глубокой персонализации поиска, когда каждый запрос пользователя привязывается к профилю его предпочтений.

Что изменилось с приходом машинного обучения: раньше результаты поиска выстраивались по классической формуле ранжирования документов (PageRank, BM25 и другие алгоритмы). Теперь же поисковая система дополняется моделями машинного обучения, которые анализируют поведенческие сигналы пользователя (клики, скроллинг, возврат к поиску), личные предпочтения и даже эмоциональную окраску текста. Пользователю предлагаются персонализированные результаты, что делает поиск более удобным и быстрым. Например, если пользователь ищет рецепт блюда и недавно смотрел кулинарные шоу, система покажет рецепты с учётом любимых ингредиентов и кухни.

Пользователей интернета беспокоит не только качество поиска, но и защита от мошенничества и опасных сайтов. Яндекс внедрил в свои сервисы алгоритмы машинного обучения для выявления угроз и блокировки нежелательной информации. Например, антиспам-система анализирует письма электронной почты, фильтруя их по признакам мошенничества (например, использование шаблонных фраз, фальшивых адресов отправителей, сомнительные вложения).

Также Яндекс активно развивает рекламный бизнес, предлагая бизнесу возможность размещать контекстную рекламу. Система «Директ» использует машинное обучение для подбора целевой аудитории, настраивая рекламную кампанию на нужную аудиторию. Кроме того, предлагается отдельная услуга «Яндекс Аудитории», где с помощью ML проводится сегментация аудитории и подготовка профилей пользователей для размещения рекламы.

Дополнительно Яндекс предложил своим партнёрам и рекламодателям уникальное решение — технологию Look-alike, которая на основе данных о существующих покупателях находит похожих пользователей, тем самым увеличивая конверсию рекламных кампаний.

Яндекс развивается, так, голосовой помощник Алиса стал ярким примером интеграции машинного обучения в повседневную жизнь россиян. Эта система позволяет общаться с компьютером естественным языком, запрашивая помощь в выполнении повседневных задач, таких как заказ такси, поиск рецепта или консультации по расписанию общественного транспорта. Особенностью Алисы является постоянное обучение на диалогах с пользователями. Чем больше общается Алиса, тем умнее она становится. Её ответы становятся понятнее, точнее и индивидуальнее. Алгоритмы машинного обучения анализируют каждое общение, выделяя шаблоны и создавая универсальный опыт взаимодействия.

Сервис Яндекс.Карты и Навигатор также активно используют машинное обучение. С каждым днём система учёта дорожных ситуаций совершенствуется: загруженность улиц, пробочные зоны, оптимальные маршруты — всё это определяется на основе живых данных с телефона пользователя. Смартфон определяет ваше местоположение и движение, делится информацией о дорожной ситуации, а алгоритм машинного обучения принимает решение, какую дорогу вам предложить.

Применяя ML в своём бизнесе, компания вышла на лидерские позиции в области поиска, рекламы, геоуслуг и персональных ассистентов. При этом не забывает о постоянной доработке алгоритмов, усиливая их новыми данными и функциональностью.

Также стоит рассмотреть Газпром нефть. Это одна из крупнейших российских нефтяных компаний, включила в свою стратегию интенсивное использование технологий машинного обучения  для повышения эффективности добычи и переработки углеводородов. Внедрение этих технологий позволило значительно усовершенствовать процессы разведки месторождений, добычу нефти и её последующую переработку.

Нефтяная отрасль традиционно сопряжена с большими рисками и неопределённостями. Цена ошибки в добыче или переработке крайне высока, поэтому важно использовать современные технологии для повышения точности прогнозов и снижения потерь.

Процесс начинается с огромного массива данных, поступающего от приборов и датчиков, установленных на месторождениях и нефтеперерабатывающих заводах. Вся информация консолидируется в единую базу данных, доступную для обработки и анализа.

Алгоритм машинного обучения проходит несколько стадий: сбор данных, подготовка данных, построение модели, оценка и проверка и эксплуатация [4].

Несколько успешных инициатив в Газпромнефти заслуживают отдельного внимания:

1. Операция мониторинга скважины: Используется ML для оценки технического состояния скважин и выявления отклонений от нормативных параметров. Регулярный мониторинг позволяет заранее планировать техническое обслуживание и ремонт, избегая непредвиденных остановок.
2. Прогноз запасов: Специальные алгоритмы ML позволили компании прогнозировать остаток нефти на конкретном участке месторождения, что помогает оптимизировать программу освоения и рационально распределять ресурсы.
3. Анализ производства на НПЗ: Внедрена система прогнозирования загрузки завода и его энергоэффективности, что существенно снизило энерго- и ресурсопотери [5].

Благодаря правильному управлению процессом добычи и правильной оценке оставшихся запасов нефти, производительность ряда месторождений выросла на 10-15%. Раннее предупреждение о выходе из строя оборудования и правильное распределение ремонтных бригад привели к сокращению простоев и снижению капитальных вложений на ремонт и восстановление. Логистика и доставка нефти оптимизирована на основе ML-предсказаний, что позволило минимизировать запасы и повысить мобильность флота танкеров.

Газпром нефть выступает хорошим примером того, как российские компании могут успешно использовать технологии машинного обучения для повышения эффективности и сокращения затрат.

Машинное обучение активно испольщуется и в Mail.Ru Group (ныне VK Group) – одна из крупнейших российских IT-компаний, владеющей популярными площадками и сервисами, такими как социальные сети ВКонтакте и Одноклассники, почтовая служба Mail.ru, игровой портал My.Games и другие проекты. Компания активно занимается внедрением технологий машинного обучения для улучшения качества своих сервисов, повышения уровня удобства пользования и усиления конкуренции на рынке.

Началом активного внедрения ML в Mail.Ru Group можно считать начало 2010-х годов, когда компания приступила к созданию собственной инфраструктуры для обработки больших данных и анализа пользовательской активности. Первым успешным проектом стало внедрение ML для персонализации ленты новостей социальной сети ВКонтакте. Благодаря обучению на больших объемах данных, алгоритм научился показывать пользователям наиболее интересующие их посты, что увеличило вовлечение аудитории и среднее время пребывания на сайте.

Следующим этапом стало развитие механизмов рекомендаций контента и друзей в социальных сетях. Команда Mail.Ru Group разработала модели, которые анализировали привычки пользователей, круг общения и предпочитаемый контент, создавая персональные рекомендации для подписчиков.

Позже компания перешла к использованию ML для решения задач анти-спама и борьбы с фишингом. В почте Mail.ru был разработан собственный антифрод-инструмент, который ежедневно анализирует миллионы писем, выявляя подозрительные сообщения и защищая пользователей от мошенничества.

Одной из главных задач Mail.Ru Group остаётся защита пользователей от несанкционированного доступа и фишинга. Ежедневно отправляются миллиарды сообщений, значительная часть которых носит мошеннический характер. ML-системы анализируют данные писем, выискивая характерные признаки злоумышленников (определённая структура писем, IP-адреса, регулярность отправки и другие признаки), предотвращая атаки и обеспечивая комфортное пользование сервисом.

Компания также активно использует ML для таргетированной рекламы и персонализации услуг. Сервис myTarget, принадлежащий Mail.Ru Group, собирает и анализирует данные пользователей (интересы, активность, предпочтения), предоставляя рекламодателям возможность точечно нацеливаться на целевую аудиторию. Это значительно повышает эффективность рекламных кампаний и увеличивает доход компании.

Социальные сети ВКонтакте и Одноклассники активно пользуются технологиями ML для рекомендаций контента, улучшения функций поиска и чата, персонализации интерфейса и борьбы с дезинформацией. Одно из последних новшеств — внедрение голосового помощника Алиса, умеющего вести осмысленную беседу и помогать пользователям решать бытовые задачи.

Сервисы Delivery Club и Яндекс.Еда (совместный проект Mail.Ru Group и Яндекса) активно применяют ML для прогнозирования времени доставки, оптимизации маршрутов и информирования пользователей о статусе заказа. Благодаря постоянным обновлениям и детализированному анализу данных удаётся сократить время доставки и повысить уровень удовлетворения клиентов.

Сейчас Mail.Ru Group активно проводит исследования в области искусственного интеллекта и машинного обучения, ставя перед собой амбициозные цели:

– Улучшить качество распознавания речи и развивать голосовых ассистентов;

– Совершенствовать алгоритмы антифрода и усилить защиту пользователей;

– Улучшить алгоритмы рекомендаций контента и рекламу, делая их более полезными и интересными для пользователей [1].

Таким образом, Mail.Ru Group является отличным примером успешной интеграции машинного обучения в деятельность крупной компании, что подтвердило правильность выбранной стратегии и показало большие перспективы для дальнейшего развития.

Эти примеры убедительно свидетельствуют о том, что машинное обучение становится важнейшим драйвером роста и конкурентоспособности в самых разных отраслях. Применение ML в настоящее время находится на начальной стадии, и впереди ждут ещё более интересные открытия и технологии, меняющие привычную жизнь и бизнес навсегда [4].

Хотя машинное обучение обладает огромным потенциалом в области подбора материалов и проектирования, существуют серьезные препятствия, мешающие полному раскрытию его возможностей. Многие организации сталкиваются с нехваткой качественного и достаточного количества данных для обучения моделей машинного обучения. Без полноценных и репрезентативных наборов данных трудно построить надежную модель, способную давать полезные рекомендации. Особенно остро эта проблема проявляется в узкоспециализированных областях, таких как проектирование уникальных материалов для космической промышленности или медицинского оборудования. Когда реальные данные труднодоступны, возможно создание синтетических наборов данных с помощью специальных генераторов, таких как Generative Adversarial Networks (GAN). Хотя синтетические данные не заменят реальный мир, они могут стать полезным дополнением к существующим наборам.

Некоторые алгоритмы машинного обучения, такие как глубокие нейронные сети, сложно объяснить. Почему именно эта комбинация материалов рекомендована системой? Часто остается неясным. Невозможность объяснить выводы препятствует принятию решений и вызывает недоверие со стороны специалистов. Создаются интерпретируемые модели, такие как деревья решений или ансамбли случайных лесов, позволяющие легче проследить ход рассуждений и обосновать финальное решение.

Работа с крупными моделями машинного обучения требует значительных вычислительных ресурсов, которые далеко не каждая организация может позволить себе приобрести или арендовать. Затраты на обучение моделей, обработку больших объемов данных и поддержание инфраструктуры приводят к финансовым проблемам и замедлению темпов внедрения ML. В данном случае использование облачных платформ (Google Cloud, Яндекс Диск) позволяет организациям масштабировать вычислительные мощности в зависимости от потребностей, оплачивая ровно столько, сколько необходимо. Организациям больше не требуется закупать собственное железо.

Различные проблемы, возникающие при внедрении машинного обучения в материаловедение и инженерию, вполне решаемы при грамотном подходе. Современная наука и технический прогресс предоставляют разнообразные инструменты и подходы для преодоления указанных препятствий, делая машинное обучение доступным и эффективным решением для практических задач.

В будущем мы можем ожидать дальнейшее усиление роли машинного обучения в процессах подбора материалов, так как накапливаются большие наборы данных, улучшается доступность мощных вычислительных ресурсов и повышается зрелость интерпретируемых моделей. Это откроет путь к качественно новому уровню инженерного дела и создаст предпосылки для следующего этапа технологического развития человечества.

Машинное обучение становится ключевым инструментом в совершенствовании методов разработки промышленных материалов, значительно расширяя возможности инженеров и ученых. В данной статье рассмотрены теоретические основы и практические аспекты применения машинного обучения для оптимизации характеристик материалов, повышения их долговечности и снижения экономических затрат. Оно позволяет эффективно обрабатывать огромные объемы данных, выявляя тонкие закономерности и скрытые зависимости, недоступные традиционному анализу. Благодаря машинному обучению создаются инновационные материалы с уникальными физическими и химическими свойствами, способные выдерживать экстремальные условия эксплуатации [4].

Важнейшие задачи, такие как выбор оптимального состава материала, прогнозирование долговечности и анализ усталостных повреждений, успешно решаются с помощью алгоритмов машинного обучения. В перспективе ожидается дальнейшее распространение машинного обучения в промышленности, что приведёт к появлению новых поколений материалов с беспрецедентными свойствами, способствующими устойчивому развитию и росту экономического благосостояния.