Введение

16 января 2024 года два лидера индустрии — Synopsys (кремниевое проектирование и EDA) и Ansys (математическое и компьютерное моделирование, многодисциплинарные исследования) — объявили о подписании окончательного соглашения о слиянии [1]. После восемнадцати месяцев интенсивной регуляторной проверки сделка получила финальное одобрение от Государственной администрации по регулированию рынка Китая (SAMR) 14 июля 2025 года и была официально закрыта 17 июля 2025 года [2][3][4]. Стоимость приобретения составила приблизительно 35 млрд долларов США [1][2], что сделало её одной из крупнейших в истории индустрии промышленного программного обеспечения. Это событие ознаменовало качественно новый этап консолидации рынка, где электроника и физика окончательно перестали существовать изолированно, а искусственный интеллект стал связующим звеном между ними.

Настоящий обзор посвящён стратегическим мотивам сделки, техническому портфелю Ansys, финансовой динамике до и после слияния, а также перспективам развития объединённого портфеля решений.

1. Стратегические мотивы сделки

1.1. Интеграция электроники и физики

Главный стратегический импульс сделки — ответ на мегатренды современного проектирования. Как отметил генеральный директор Synopsys Сассин Гази: «На протяжении десятилетий Synopsys обеспечивала прорывы в проектировании кремния и IP, которые двигали инновации в чипах. Теперь, с лидирующими решениями Ansys в области системного моделирования и анализа в составе Synopsys, мы можем максимизировать возможности проектировочных команд в целом, зажигая их инновации от кремния до систем» [4].

Продукты всё чаще эволюционируют в интеллектуальные системы — способные обучаться, рассуждать, взаимодействовать, адаптироваться и действовать. Будь то хирургический робот, автономный дрон, электромобиль или центр обработки данных — все эти системы работают на кремнии, определяются программным обеспечением и насыщены ИИ. Объединение компетенций Synopsys в области полупроводникового проектирования с широким портфелем Ansys в области математического и компьютерного моделирования (решение нестационарных нелинейных уравнений в частных производных) позволяет предложить разработчикам комплексные решения, охватывающие весь жизненный цикл продукта — от отдельного транзистора до готовой системы [1][4].

1.2. Расширение адресного рынка

Сделка позволила Synopsys увеличить совокупный адресный рынок (TAM) примерно в 1,5 раза — до 31 млрд долларов [1][5]. Это открывает доступ к новым, быстрорастущим сегментам, включая автомобильную, аэрокосмическую, промышленную и высокотехнологичную отрасли [4][5].

1.3. Финансовые синергии

Как отмечает аналитическое агентство Futurum Group, «сделка обещает расширение маржи и увеличение свободного денежного потока» [5]. Операционная маржа Ansys (45% на скорректированной основе) превышает аналогичный показатель Synopsys (40%), что даёт немедленный импульс к росту прибыльности объединённой компании [3][5].

2. Технический портфель Ansys: архитектура, решатели и технологии компьютерного инжиниринга

Ansys — один из мировых лидеров в области математического и компьютерного моделирования, предлагающий платформу для решения нестационарных нелинейных задач в механике, гидродинамике, электродинамике, акустике и смежных дисциплинах. Продуктовый портфель Ansys охватывает весь жизненный цикл разработки — от концептуального проектирования до цифровых (виртуальных) испытаний и эксплуатационной поддержки. В основе экосистемы лежат решатели, поддерживающие многодисциплинарные исследования (в том числе связанные задачи, хотя полностью связанные мультифизические постановки в реальной промышленности встречаются редко) и работающие как на CPU, так и на GPU.

2.1. Ansys Mechanical: структурный анализ

Ansys Mechanical — конечно-элементный решатель для структурного анализа, охватывающий линейные и нелинейные задачи статики и динамики, теплопроводности, модального анализа, устойчивости, усталости и разрушения [6].

Нелинейные возможности. Ключевое преимущество Mechanical — поддержка трёх типов нелинейностей [6][7]:

• Материальная нелинейность — модели пластичности (теории течения и деформационного упрочнения), сверхпластичности, гиперупругости (полимеры, эластомеры), вязкоупругости, ползучести, повреждаемости и разрушения.
• Геометрическая нелинейность — учёт больших деформаций и перемещений, эффекты потери устойчивости («stress stiffening» и «spin softening»).
• Контактная нелинейность — моделирование разделения, скольжения, трения, прилипания и повторного контакта между поверхностями в сборках.

Для решения нелинейных задач используются итерационные методы Ньютона-Рафсона с автоматическим дроблением шага и контролем сходимости [6].

Решатели и производительность. Mechanical включает два основных решателя [7]:

• Прямой решатель (Sparse Direct) — для задач с умеренным числом степеней свободы, обеспечивает высокую точность. В версии 2025 R1 GPU-ускорение даёт ускорение до 6 раз по сравнению с альтернативными решениями.
• Итерационный решатель (PCG — Preconditioned Conjugate Gradient) — для крупных задач с эффективным распараллеливанием; GPU-версия также до 6 раз быстрее CPU.

Сеточные технологии [6][7]:

• Автоматическая адаптивная сетка (Nonlinear Adaptivity — NLAD) с контролем погрешности.
• Гексаэдральные и тетраэдральные элементы высокого порядка.
• Специализированные элементы для оболочек, балок, композитов, гидро- и пьезоэлементов.

Дополнительные возможности:

• Явный анализ (Explicit Dynamics) для высокоскоростных процессов [7].
• Акустический анализ — расчёт шума и виброакустики.
• Топологическая оптимизация [6].

2.2. Ansys Fluent: вычислительная гидродинамика (CFD)

Ansys Fluent — отраслевой стандарт CFD, реализующий решение уравнений Навье-Стокса (RANS, LES, DES) на неструктурированных сетках [8][9].

Решатели. Fluent предлагает два типа решателей [8]:

• Плотностной решатель (Density-Based) — для сжимаемых потоков (транс- и сверхзвук, аэрокосмос).
• Решатель на основе давления (Pressure-Based) — для несжимаемых и слабосжимаемых течений; доступен как CPU, так и нативный GPU-решатель.

Модели турбулентности [8][9]:

• Двухпараметрические RANS: k-ε, k-ω, SST.
• Модели переноса сдвиговых напряжений (SST).
• Моделирование крупных вихрей (LES) и отрывных вихрей (DES).

GPU-решатель. Начиная с 2025 R1, GPU-решатель Fluent поддерживает [9]:

• Горение (включая FGM — Flamelet Generated Manifold).
• Акустику.
• Течения со свободной поверхностью (метод VOF).
• Излучение (S2S).
• Сопряжённый теплообмен.
• Электрический потенциал.

Новая лицензия CFD HPC Ultimate снимает ограничения на число CPU/GPU, позволяя использовать любые вычислительные ресурсы без дополнительных лицензий [9].

Специализированные решатели [8]:

• SPH-решатель (Smoothed Particle Hydrodynamics) для задач со свободной поверхностью и взаимодействием жидкость-твёрдое тело.
• Неявный решатель стал до 3 раз быстрее в новых версиях.

2.3. Ansys Maxwell: электромагнитное моделирование

Ansys Maxwell — конечно-элементный решатель для задач электромагнетизма [10].

Решатели. Maxwell включает [10]:

• Магнитные: магнитостатика, вихревые токи (Eddy Current), переходные процессы (Transient).
• Электрические: электростатика, AC/DC токи, переходные процессы.

Расчётные величины [10]:

• Силы, моменты, индуктивности, ёмкости.
• Потери мощности, распределения плотности тока и магнитного потока.

Производительность. В версии 2026 R1 2D-магнитный переходный решатель стал до 10 раз быстрее благодаря новым элементам первого порядка [10].

Автоматическая адаптивная сетка. Автоматическое адаптивное измельчение сетки на основе оценки погрешности поля [10].

2.4. Ansys LS-DYNA: явный анализ и кратковременные процессы

Ansys LS-DYNA — наиболее используемая в мире программа явного анализа для задач с кратковременными динамическими нагрузками [11].

Основные применения [11]:

• Краш-тесты, удары, пенетрация.
• Безопасность пассажиров.
• Падения и столкновения.

Математический аппарат. Явное интегрирование по времени: ускорения узлов вычисляются непосредственно через обратную диагональную матрицу масс без итераций [11].

Расширенные возможности [11]:

• Неявный решатель для квазистатических задач.
• Частотный анализ.
• ICFD для несжимаемой жидкости.
• Электромагнитный решатель.
• Методы частиц (SPH).

2.5. Ansys Rocky: моделирование частиц (DEM)

Ansys Rocky — решение на основе дискретно-элементного метода (DEM) для моделирования сыпучих материалов [12].

Моделирование частиц [12]:

• Реалистичные формы частиц (произвольные твёрдые тела, 2D-оболочки, гибкие и жёсткие волокна).
• Деформируемые частицы (бета-функция) на основе FEM-подхода.
• Широкое распределение по размерам и формам.

Двунаправленная связь с Fluent. Двунаправленная связь DEM–CFD для учёта воздействия потока на частицы и обратного влияния частиц на поток [8][12]:

• Силы давления, сопротивления, виртуальной массы.
• Усреднение по соседним ячейкам (метод Лагранжа–Эйлера).

2.6. Ansys Twin Builder: цифровые двойники

Ansys Twin Builder — платформа для создания, валидации и развёртывания гибридных цифровых двойников на основе физических моделей и данных [13].

Снижение порядка модели (ROM) [13]:

• Автоматическая генерация быстрых ROM на основе результатов 3D-моделирования.
• Ускорение расчётов в 50–100 раз.

Интеграция [13]:

• Объединение 0D/1D/3D моделей, IoT-сигналов, алгоритмов управления.
• Интеграция с TwinAI для добавления AI/ML-компонентов.

2.7. Ansys Discovery: концептуальное проектирование

Ansys Discovery — среда для интерактивного компьютерного моделирования на ранних стадиях проектирования с мгновенной обратной связью [14].

GPU-ускорение [14]:

• Прямое манипулирование геометрией с расчётом полей в реальном времени.
• В 2025 R2 добавлены ускоренные решатели и расширенная физика.

Тепловой анализ. Значительное расширение возможностей теплового моделирования [14].

2.8. Связанные (мультифизические) задачи

Ansys поддерживает связанные многодисциплинарные исследования (хотя полностью связанные задачи в промышленности редки) [15]:

• Прямой метод — единая система уравнений с несколькими физическими полями.
• Метод передачи нагрузки — последовательный обмен данными между решателями.
• Система System Coupling — интеграция независимых решателей.

Связанные элементы. Специализированные элементы (PLANE222, PLANE223, SOLID225, SOLID226, SOLID227) поддерживают [15]:

• Термомеханику (с пластичностью, вязкоупругостью, ползучестью).
• Пьезоэлектричество и пьезорезистивность.
• До 5 степеней свободы на узел (перемещения, температура, напряжение).

3. Финансовая динамика до и после слияния

3.1. Финансовые показатели Ansys до сделки (2023–2024)

По данным отчётности, предшествовавшей сделке, Ansys демонстрировала устойчивый рост и высокую операционную эффективность [3][5]:

Операционная маржа Ansys (45% на скорректированной основе) превышала аналогичный показатель Synopsys (40%), что делало Ansys высокомаржинальным активом с устойчивой генерацией денежного потока [3][5].

3.2. Финансовые показатели Synopsys до сделки (2023–2024)

Synopsys демонстрировала более высокие темпы роста выручки, но несколько более низкую операционную маржу по сравнению с Ansys [5].

3.3. Структура сделки

Согласно условиям соглашения, акционеры Ansys получили 197 долларов наличными и 0,3450 акций Synopsys за каждую акцию Ansys [1]. Исходя из цены закрытия акций Synopsys на 21 декабря 2023 года, это соответствовало стоимости 390,19 доллара за акцию Ansys и представляло собой премию около 29% к цене закрытия Ansys на ту же дату [1]. Общая стоимость сделки составила приблизительно 35 млрд долларов [1][2].

3.4. Прогнозы синергии

Объединённая компания ожидает ежегодной синергии в размере 400 млн долларов к третьему году после завершения сделки [5][12]. Источники синергии:

• Операционные синергии (50%) — оптимизация дублирующихся функций, унификация платформ, сокращение накладных расходов.
• Синергии выручки (50%) — кросс-продажи решений Synopsys клиентской базе Ansys и наоборот, интеграция технологий для создания новых продуктов [1][5].

3.5. Финансовые результаты после закрытия сделки

Согласно заявлениям Synopsys, сделка является аккретивной к не-GAAP прибыли на акцию со второго полного года после закрытия [1][5]. В первый полный год после закрытия ожидается расширение не-GAAP операционной маржи примерно на 125 базисных пунктов и не-GAAP маржи свободного денежного потока — на 75 базисных пунктов [1][5].

3.6. Рыночная реакция

На момент объявления сделки (16 января 2024 года) акции Ansys выросли на 18%, акции Synopsys снизились на 4% [5]. Это отражало рыночную оценку: акционеры Ansys получали значительную премию, тогда как рынок оценивал интеграционные риски для Synopsys. К моменту закрытия сделки в июле 2025 года акции Synopsys восстановились и продемонстрировали положительную динамику, что свидетельствовало об уверенности инвесторов в успешной интеграции [3][5].

4. Регуляторные одобрения

Процесс получения регуляторных одобрений занял около 18 месяцев и стал одним из наиболее сложных этапов сделки [2][4]. Ключевые вехи:

• Европейская комиссия одобрила сделку на первом этапе (Phase 1) в январе 2025 года [2].
• Федеральная торговая комиссия США (FTC) дала разрешение 28 мая 2025 года при условии продажи определённых активов для устранения антимонопольных рисков [16].
• Китайская государственная администрация по регулированию рынка (SAMR) выдала условное одобрение 14 июля 2025 года после тщательной проверки [2][16].
• Управление по конкуренции и рынкам Великобритании (CMA) подтвердило, что обязательства по продаже активов были выполнены [2].

Для получения одобрения регуляторов Synopsys была вынуждена продать определённые активы, включая Synopsys Optical Solutions Group и Ansys PowerArtist [16].

5. Интеграция технологий и дорожная карта

5.1. Объединённая технологическая дорожная карта

Synopsys объявила о планах по быстрой интеграции технологий. Первые интегрированные решения ожидались в первой половине 2026 года [4][17]. Они включают многодисциплинарные расчёты в полном стеке EDA, в том числе для многокристальной передовой упаковки (multi-die advanced packaging) [17].

Как отмечает Digital Engineering 24/7, «интегрированная технологическая дорожная карта теперь в действии, с первым раундом объединённых возможностей, запланированным на первую половину 2026 года» [17].

5.2. Multiphysics Fusion™ — первый объединённый продукт

Всего через восемь месяцев после закрытия сделки, в марте 2026 года, на конференции Converge 2026 были представлены первые объединённые решения Synopsys и Ansys под названием Synopsys Multiphysics Fusion™ [18]. Это технология, которая интегрирует «золотые» многодисциплинарные расчётные движки Ansys в портфель EDA Synopsys, обеспечивая электромагнитное, тепловое и механическое моделирование для проектирования чипов [18].

6. Влияние на рынок

Сделка Synopsys и Ansys стала частью глобальной волны консолидации, когда ведущие EDA-вендоры приобретают CAE-компании для создания комплексных решений «от кремния до систем» [19]. Как отмечают аналитики, этот тренд отражает фундаментальный сдвиг в индустрии: успешное проектирование сложных систем требует одновременного учёта электронных, физических и программных аспектов, и ни одна из этих составляющих не может развиваться изолированно [19].

В результате сделки Synopsys укрепила свои позиции как ведущий поставщик решений для проектирования полупроводников и систем, получив доступ к клиентской базе Ansys в автомобильной, аэрокосмической, промышленной и высокотехнологичной отраслях [4][19].

Заключение

Приобретение Ansys компанией Synopsys за 35 млрд долларов — это не просто крупнейшая сделка в истории EDA-индустрии. Это стратегический ответ на фундаментальный вызов современного проектирования: создание интеллектуальных систем требует одновременного учёта электроники, физики и программного обеспечения. Объединённая компания получает уникальную возможность предложить разработчикам сквозные решения «от кремния до систем», где математическое и компьютерное моделирование (решение нестационарных нелинейных уравнений в частных производных), вычислительные эксперименты и цифровые (виртуальные) испытания становятся неотъемлемой частью процесса проектирования на всех его этапах.

Технический портфель Ansys — от Mechanical и Fluent до LS-DYNA, Maxwell, Rocky и Twin Builder — обеспечивает полное покрытие задач структурного анализа, гидродинамики, электродинамики, акустики и многодисциплинарных исследований. Финансовая динамика показывает, что объединённая компания имеет все предпосылки для устойчивого роста: высокая операционная маржа Ansys (45%), синергия в 400 млн долларов ежегодно и расширение адресного рынка до 31 млрд долларов.

Первый объединённый продукт — Synopsys Multiphysics Fusion™, представленный в марте 2026 года [18], — уже продемонстрировал практическую реализацию этого видения. Впереди — дальнейшая интеграция, развитие ИИ-инструментов и расширение присутствия на быстрорастущих рынках. Очевидно одно: компьютерный инжиниринг вступает в новую эру, и Synopsys с Ansys намерены стать её лидерами.

Список литературы

1. Synopsys, Inc. (2024). Synopsys to Acquire Ansys, Creating a Leader in Silicon to Systems Design Solutions. [Пресс-релиз]. NASDAQ. URL: https://www.nasdaq.com/press-release/synopsys-to-acquire-ansys-creating-a-leader-in-silicon-to-systems-design-solutions

1. Synopsys, Inc. (2025). Synopsys Receives All Necessary Approvals for Proposed Acquisition of Ansys. [Пресс-релиз]. URL: https://news.synopsys.com

1. Reuters (2025). Synopsys closes $35 billion acquisition of Ansys after China approval. URL: https://www.reuters.com

1. Synopsys, Inc. (2025). Synopsys Completes Acquisition of Ansys. [Пресс-релиз]. NASDAQ. URL: https://www.nasdaq.com/press-release/synopsys-completes-acquisition-ansys-2025-07-23

1. Futurum Group (2025). Synopsys Closes $35B Ansys Acquisition: A New Era in Chip-to-System Design. URL: https://futurumgroup.com

1. Ansys, Inc. (2025). Ansys Mechanical | Structural FEA Analysis Software. URL: https://www.ansys.com

1. Ansys, Inc. (2025). Ansys 2025 R1 Delivers Data-Driven Insights with Powerful Digital Engineering Technology. [Пресс-релиз]. URL: https://www.ansys.com

1. Ansys, Inc. (2025). Ansys Fluent 2025 R1: What's New. URL: https://www.ansys.com

1. Ansys, Inc. (2024). Ansys Fluent Capabilities | Powering Advanced CFD Simulations. URL: https://www.ansys.com

1. Ansys, Inc. (2026). What's New in Ansys 2026 R1 for Electromagnetics. URL: https://www.padtinc.com

1. Ansys, Inc. (2025). Ansys LS-DYNA | Crash Simulation Software. URL: https://www.ansys.com

1. Ansys, Inc. (2025). Ansys Rocky | DEM Particle Simulation. URL: https://www.padtinc.com

1. Ansys, Inc. (2025). Ansys Twin Builder | Create and Deploy Digital Twin Models. URL: https://www.padtinc.com

1. Ansys, Inc. (2025). What's New in Ansys Discovery 2025 R2: Smarter Simulations, Real-Time AI, and Expanded Physics. URL: https://www.ansys.com

1. Ansys, Inc. (2025). ANSYS Multiphysics Solution. URL: https://www.ansys.com

1. Federal Trade Commission (2025). FTC Approves Final Divestiture Order in Synopsys and Ansys Deal. [Пресс-релиз]. URL: https://www.ftc.gov

1. Digital Engineering 24/7 (2025). Synopsys Finalizes Acquisition of Ansys. URL: https://www.digitalengineering247.com

1. Synopsys, Inc. (2026). Synopsys Outlines Vision for Engineering the Future. [Пресс-релиз]. NASDAQ. URL: https://www.nasdaq.com

1. ABI Research (2024). Synopsys Acquires Ansys for $35 Billion. URL: https://www.abiresearch.com

Сегодня в России реализуются четыре мегасайенс-проекта — NICA, СИЛА, РИФ и СКИФ. Каждый требует около 300 инженеров и более тысячи специалистов. Кадровый дефицит — главный вызов.

Как совместить фундаментальную физику, сложный инжиниринг, суперкомпьютерное моделирование, цифровые двойники и искусственный интеллект в одном учебном треке?

Наш ответ — системный цифровой инжиниринг, ключевое направление развития СПбПУ. Он объединяет фундаментальные законы физики и механики, материаловедение, конструирование, математическое и суперкомпьютерное моделирование, технологии цифровых двойников и искусственного интеллекта (AI/ML). Физические эксперименты проводятся на установках, а мы используем эти данные для верификации и валидации моделей, создавая высокоадекватные цифровые аналоги (модели с высоким уровнем адекватности реальным материалам, изделиям, физико-механическим процессам), на основе которых создаются редуцированные (ROM) модели, дающие ускорение в тысячи и миллионы раз с помощью AI/ML, что, фактически, означает переход к процессам в реальном времени.

Блок 1. Цифровой двойник — основа обучения

Цифровой двойник — это не просто комплексная модель, а образовательная среда. В его основе — первая парадигма моделирования: нелинейное многофизическое моделирование на базе первых принципов (фундаментальных законов) с верификацией и валидацией моделей (V&V&UQ). Редуцированные модели (ROM), полученные с помощью сингулярного разложения (SVD), мы также относим к первой парадигме — это математически строгое сжатие физики, а не нейросети с пренебрежением физикой. ИИ-технологии (AI/ML) — вспомогательный инструмент для калибровки, обработки данных и оптимизации, но не замена фундаментальным законам.

12 декабря 2022 года между СПбПУ и ИВМиМГ СО РАН было подписано соглашение о создании центра «Цифровые двойники установок мегасайенс» для разработки цифрового двойника «СКИФ». Это обеспечит студентам уже со 2–3 курса доступ к цифровым (виртуальным) экспериментам, расчётам полей, оценке ресурса материалов и конструкций — и это засчитывается как учебная практика.

Блок 2. Политехническая модель: ПИШ, платформа и зимние университеты

В СПбПУ работает ПИШ «Цифровой инжиниринг» — одна из лучших в России. Её основа — платформа CML-Bench®, интегрирующая суперкомпьютерные решатели (170 CAE-систем), AI/ML, базы материалов и технологии проектирования. Наши ежегодные зимние университеты: в 2024 году — 220 студентов из 63 вузов, в 2025 году — 202 участника из 14 стран. Три трека — Sigma, Tau, Epsilon — включают модули по материаловедению и конструированию. Студенты решают реальные задачи и выдают готовые решения или цифровые продукты.

Блок 3. Партнёрство с СО РАН

В июле 2024 года мы подписали рамочное соглашение с СО РАН (академик В.Н. Пармон). Предлагаемые совместные проекты на СКИФе включают: моделирование ударных, термических процессов, исследование композитных ТВЭЛ и катализаторов. Мы строим высокоадекватные модели, верифицируем и валидируем их на экспериментальных данных и создаём цифровые двойники. Соглашения также предусматривают совместные магистерские программы, что создаёт непрерывную траекторию студент → исследователь.

Блок 4. Сетевые механизмы и предложения

Ни один вуз не справится один. Создан консорциум из 32 организаций по всей стране. СПбПУ предлагает:

Закрепить статус цифрового двойника как образовательной площадки с зачётом практики.

Создать на базе ПИШ и центра единую платформу для вузов, институтов и индустрии.

Ввести в учебные планы модули по системному цифровому инжинирингу, материаловедению и конструированию.

Расширить сетевые магистерские программы с научными центрами.

Упростить административные механизмы сетевого взаимодействия.

Заключение

Политехническая модель системного цифрового инжиниринга создаёт экосистему, где математическое моделирование на основе первых принципов неразрывно связано с материаловедением и конструированием, а ИИ-технологии (AI/ML) ускоряют обработку данных. Подлинные цифровые двойники строятся только на основе первой парадигмы с верификацией и валидацией (V&V&UQ), включая ROM-модели. ИИ-технологии (AI/ML) — это мощный помощник, но не замена физике. Наше партнёрство с СО РАН — пример синергии науки и образования. СПбПУ готов стать интегратором этой работы на благо всей страны.

Глоссарий (расшифровка англоязычных терминов и аббревиатур)

Введение

Представьте себе мир, где новый аэрокосмический сплав проектируется не за десятилетия, а за месяцы. Где цифровой двойник турбинной лопатки предсказывает её поведение в экстремальных условиях ещё до того, как первый грамм материала будет произведён. Где экспериментальные данные автоматически питают модели машинного обучения, а те, в свою очередь, оптимизируют следующий эксперимент без участия человека.

Это не футуристический сценарий — это дорожная карта, которую сегодня прокладывают ведущие мировые организации. За последние 15 лет сформировался глобальный консенсус: будущее материаловедения — за цифровым континуумом, объединяющим многомасштабное моделирование, экспериментальную характеризацию, управление данными и искусственный интеллект в единую экосистему.

В этом обзоре мы рассмотрим ключевые стратегические документы и инициативы, формирующие это будущее: от Инициативы по геномике материалов (MGI; Materials Genome Initiative) и интегрированного вычислительного материаловедения (ICME; Integrated Computational Materials Engineering) до дорожной карты NASA Vision 2040 и растущей роли искусственного интеллекта и машинного обучения (AI/ML; Artificial Intelligence/Machine Learning). Также будут проанализированы аналогичные инициативы в России, Китае, Европейском Союзе и Японии, а также рассмотрен практический кейс реализации цифрового инжиниринга (Digital Engineering) на примере платформы вычислительного инжиниринга (Computational Engineering) Noyron.

---

1. Инициатива по геномике материалов (MGI): 15 лет трансформации

Запущенная в 2011 году администрацией Обамы, Инициатива по геномике материалов (MGI; Materials Genome Initiative) стала первым системным шагом к переосмыслению того, как разрабатываются и внедряются новые материалы. Её ключевая идея проста и амбициозна: если геномика произвела революцию в биологии, то аналогичный подход может трансформировать материаловедение [7].

В 2021 году было опубликовано обновление стратегического плана MGI, определяющее направления на следующее десятилетие. Стратегия фокусируется на трёх ключевых элементах [7]:

1. Вычислительные инструменты — от расчётов на основе теории функционала плотности (DFT; Density Functional Theory) до многомасштабного моделирования.
2. Экспериментальные инструменты — включая высокопроизводительные методы характеризации.
3. Цифровая инфраструктура данных — обеспечивающая FAIR-принципы (Findable, Accessible, Interoperable, Reusable).

Ключевым механизмом реализации MGI стала программа DMREF (Designing Materials to Revolutionize and Engineer our Future) Национального научного фонда США (NSF; National Science Foundation) , поддерживающая междисциплинарные исследовательские группы с быстрым циклом обратной связи между экспериментом и теорией [30].

---

2. Интегрированное вычислительное материаловедение (ICME): от теории к практике

Параллельно с MGI развивалась дисциплина, которая должна была сделать её идеи реальностью — интегрированное вычислительное материаловедение (ICME; Integrated Computational Materials Engineering) [2].

ICME — это не просто набор инструментов, а философия проектирования, при которой модели материалов всех масштабов (от квантового до макроскопического) интегрируются в единый инжиниринговый конвейер. Ключевая концепция — PSPP-связи (Processing-Structure-Property-Performance): обработка определяет структуру, структура — свойства, свойства — производительность [2].

Наибольший прогресс достигнут в области конструкционных материалов и их механических свойств. ICME активно применяется при разработке новых металлических сплавов, особенно в аэрокосмической и автомобильной промышленности. Однако, как отмечают специалисты, в области керамических материалов ICME используется значительно реже [2].

Ключевые барьеры на пути широкого внедрения ICME носят не столько технический, сколько культурный и организационный характер. Интеграция моделей материалов с системами автоматизированного проектирования (CAD; Computer-Aided Design) и инженерного анализа (CAE; Computer-Aided Engineering) остаётся нетривиальной задачей, требующей не только технологических, но и организационных решений [2].

---

3. NASA Vision 2040: Дорожная карта для многомасштабного моделирования

Пожалуй, самый амбициозный и детальный документ в этой области — «Vision 2040: A Roadmap for Integrated, Multiscale Modeling and Simulation of Materials and Systems» , опубликованный Национальным управлением по аэронавтике и исследованию космического пространства (NASA; National Aeronautics and Space Administration) в 2018 году [3].

Дорожная карта описываете будущее состояние, в котором моделирование материалов и систем будет полностью интегрировано в единую кибер-физико-социальную экосистему. К 2040 году [3]:

• Модели материалов будут бесшовно связаны с моделями процессов и конструкций.
• Данные будут автоматически собираться, аннотироваться и становиться доступными для повторного использования.
• Оптимизация будет учитывать неопределённости на всех масштабах.
• Сертификация будет в значительной степени основываться на моделировании, а не на физических испытаниях.

Девять ключевых элементов

Документ выделяет девять взаимосвязанных направлений (Key Elements), которые должны быть развиты для достижения цели [3]:

1. Модели и методологии
2. Многомасштабные инструменты измерения и характеризации
3. Оптимизация и методологии оптимизации
4. Принятие решений и количественная оценка и управление неопределенностью (UQ; Uncertainty Quantification)
5. Верификация и валидация (V&V; Verification and Validation)
6. Данные, информатика и визуализация
7. Рабочие процессы и среды сотрудничества
8. Образование и подготовка кадров
9. Вычислительная инфраструктура

Особое внимание уделяется модельно-ориентированным определениям (Model-Based Definitions) — цифровым спецификациям, связывающим геометрию, микроструктуру и свойства материалов с технологическими процессами. Это переход от статических эмпирических кривых к динамическим моделям, которые адаптируются к изменениям в проектировании [3].

---

4. Инфраструктура данных: фундамент цифрового материаловедения

Без надёжной инфраструктуры данных все остальные усилия теряют смысл. Эту проблему осознают все ключевые игроки.

Инициативы TMS

Общество минералов, металлов и материалов (TMS; The Minerals, Metals & Materials Society) провело масштабное исследование «Building a Materials Data Infrastructure» , которое выявило ключевые барьеры и предложило конкретные рекомендации по их преодолению. Среди вызовов — долгосрочное хранение данных, стандартизация форматов, вопросы интеллектуальной собственности и стимулы для обмена данными [4].

Европейские инициативы

В Европе активно развивается проект Materials Commons , создающий федеративную цифровую инфраструктуру для обмена данными о материалах. Ключевая идея — единая точка доступа к распределённым ресурсам данных и инструментов рабочих процессов [10].

Принципы FAIR

Центральным принципом современных инициатив по управлению данными стали FAIR-принципы , обеспечивающие, чтобы данные были Findable (находимыми), Accessible (доступными), Interoperable (интероперабельными) и Reusable (пригодными для повторного использования). Эти принципы сегодня являются стандартом де-факто для научных данных в материаловедении [19].

---

5. Верификация, валидация и количественная оценка неопределенности (V&V&UQ)

По мере того как моделирование становится основой принятия решений, вопросы верификации и валидации (V&V; Verification and Validation) , а также количественной оценки неопределенности (UQ; Uncertainty Quantification) выходят на первый план. Эти три процесса, объединяемые под общим термином V&V&UQ , являются критическими для обеспечения достоверности результатов моделирования и их приемлемости для сертификации.

Верификация (Verification) — это процесс определения того, насколько правильно модель решает уравнения, которые она должна решать (решение правильных уравнений). Валидация (Validation) — это процесс определения того, насколько правильно модель описывает реальное физическое явление (правильные уравнения). Количественная оценка неопределенности (Uncertainty Quantification) — это процесс количественного анализа источников неопределенности (входные данные, параметры модели, экспериментальные погрешности) и их влияния на выходные результаты моделирования.

Фундаментальные работы в этой области выполнены Американским обществом инженеров-механиков (ASME; American Society of Mechanical Engineers) и Американским институтом аэронавтики и астронавтики (AIAA; American Institute of Aeronautics and Astronautics) .

• ASME V&V 10 — «Guide for Verification and Validation in Computational Solid Mechanics» предоставляет сообществу вычислительной механики твердого тела общий язык, концептуальную основу и общие рекомендации по внедрению процессов V&V [24].
• AIAA G-077-1998 — «Guide for the Verification and Validation of Computational Fluid Dynamics Simulations» устанавливает ключевую терминологию, фундаментальные концепции и общие процедуры для проведения V&V в области вычислительной гидродинамики (CFD; Computational Fluid Dynamics) [25].

Классическим трудом, обобщающим эти подходы, является монография Уильяма Л. Оберкампфа (William L. Oberkampf) и Кристофера Дж. Роя (Christopher J. Roy) «Verification and Validation in Scientific Computing» [26].

Международная ассоциация инженерного моделирования, анализа и симуляции (NAFEMS; International Association for the Engineering Modelling, Analysis and Simulation Community) также активно развивает эту область, предлагая практические руководства, такие как «Guidelines for Validation of Engineering Simulations», и продвигая системный «кирпичный» подход к построению доверия к моделям [6].

---

6. Российская дорожная карта: «Технологии новых материалов и веществ»

В России основным стратегическим документом в этой области является Дорожная карта развития высокотехнологичного направления «Технологии новых материалов и веществ» (ДК ТНМиВ) , утверждённая Правительством Российской Федерации в 2020 году [1].

Документ включает четыре основных направления [1]:

1. Полимерные композиционные материалы
2. Аддитивные технологии
3. Редкоземельные металлы
4. Цифровое материаловедение — добавлено в 2023 году

Реализацией дорожной карты занимаются Госкорпорация «Росатом» , Российская академия наук (РАН) , МГТУ им. Н.Э. Баумана и Новосибирский государственный университет. Росатом развивает комплекс цифровых инструментов, включающий базы данных, алгоритмы и методики для решения задач материаловедения [12].

Специфика российского подхода — фокус на импортозамещение и критические материалы, что обусловлено внешними экономическими условиями и необходимостью технологической независимости [11].

---

7. Китайская стратегия: «Инженерная наука и технологии Китая до 2040 года»

Один из наиболее системных азиатских документов — «Стратегия развития инженерной науки и технологий Китая до 2040 года: Отчёт по областям химической промышленности, металлургии и материалов» (中国工程科技2040发展战略·化工、冶金与材料领域报告) [13].

Документ охватывает 11 подотраслей и включает [13]:

• анализ мировых тенденций
• технологическое прогнозирование до 2040 года
• стратегические цели и архитектуру
• ключевые задачи и пути развития
• рекомендации по фундаментальным исследованиям

Выпущен под эгидой Китайской инженерной академии (CAE; Chinese Academy of Engineering) с участием около 300 академиков и 900 экспертов [14].

Этапный план развития до 2040 года включает четыре этапа [15]:

Ключевые направления [14, 15]:

• Материальная геномика и интеллектуальное проектирование материалов (AI-дизайн, цифровые двойники)
• Передовые металлы (жаропрочные сплавы, титан, алюминий, магний)
• Керамические матричные композиты
• Передовые полимеры и композиты
• Передовые функциональные материалы

---

8. Европейский Союз: EMMC и цифровая трансформация

Европейский совет по моделированию материалов (EMMC; European Materials Modelling Council) с 2015 года выпускает серию дорожных карт [8]. Последняя редакция (2025) посвящена цифровой трансформации материаловедения и созданию общеевропейской инфраструктуры [8].

Ключевые рекомендации EMMC [9]:

• Развитие стандартизированных форматов данных для материалов
• Создание федеративной инфраструктуры (Materials Commons)
• Интеграция моделирования и экспериментов
• Подготовка кадров нового типа
• Развитие интероперабельных инструментов

Смежные европейские инициативы:

• Materials Commons — общеевропейская инфраструктура для обмена данными о материалах [10]
• Нидерланды — дорожная карта «Химия передовых материалов» (до 2040 года) с акцентом на функциональные материалы, тонкие плёнки, покрытия и материалы для устойчивой энергетики.
• Великобритания — «Дорожная карта термоядерных материалов 2.0» (Управление по атомной энергии Великобритании (UKAEA; United Kingdom Atomic Energy Authority) , 2025).

---

9. Япония: «Инновации в материалах 2040»

Японский документ «Инновации в материалах 2040: Дорожная карта ключевых материальных технологий для автомобильной промышленности, электронных компонентов и полупроводников» (マテリアル・イノベーション2040) содержит подробные дорожные карты для трёх ключевых отраслей [16].

Ключевые цифровые технологии [16]:

• Информатика материалов (MI; Materials Informatics)
• Информатика процессов (PI; Process Informatics)
• Квантовые компьютеры
• Робототехника

Анализирует 30 ключевых материалов на основе патентного и литературного анализа, описывая их эволюцию до 2040 года [17].

Дополнительные стратегические документы:

• «Стратегия укрепления инновационного потенциала в области материалов» (Канцелярия Кабинета министров Японии (CAO; Cabinet Office) , 2025) [17]
• «Дорожная карта по направлению "Материалы (стратегические полезные ископаемые и компонентные материалы)"» (Министерство экономики, торговли и промышленности Японии (METI; Ministry of Economy, Trade and Industry) , 2026) [18]

---

10. Цифровые двойники (Digital Twins): виртуальное отражение реальности

Цифровые двойники — одна из самых горячих тем в современном материаловедении и инжиниринге. Согласно определению Министерства обороны США (DoD; U.S. Department of Defense) (DoD Instruction 5000.97), цифровой двойник — это «виртуальное представление продукта, системы или процесса, которое использует наилучшие доступные модели, данные с датчиков, информацию из физической системы и входные данные для зеркального отражения и прогнозирования активности системы» [5].

За последнее десятилетие (2015–2025) цифровые двойники прошли путь от нишевой концепции до трансформационного инструмента, обеспечивающего интеграцию данных в реальном времени, прогностическое моделирование и виртуальные испытания [20].

Особый интерес представляют цифровые двойники материалов (Digital Material Twins) — виртуальные реплики, реконструируемые из пространства данных с помощью инструментов анализа и моделей материалов. Они позволяют передавать пространственно и временные свойства материалов на протяжении всего жизненного цикла продукта, преодолевая границы отдельных компаний [28].

NASA активно развивает эту концепцию. В одном из проектов цифровой двойник электрической системы Orion был интегрирован с моделями от требований до проектной реализации, обеспечивая прогностику быстрее реального времени и возможность обработки телеметрических данных миссии Artemis I [3].

---

11. AI и машинное обучение: новый двигатель материаловедения

Искусственный интеллект и машинное обучение стремительно трансформируют материаловедение, предлагая инструменты для навигации в сложности, ускорения открытий и оптимизации дизайна материалов [21, 22].

Согласно недавнему обзору, опубликованному в MRS Bulletin, развитие AI в материаловедении идёт по трём основным направлениям [21]:

1. Ускорение многомасштабного моделирования — использование суррогатных моделей и нейросетей для замены дорогостоящих расчётов.
2. Интеграция AI в научную инфраструктуру — от автоматизированных лабораторий до семантических баз данных.
3. Генеративный и воплощённый интеллект — системы, способные не только предсказывать, но и предлагать новые решения.

Отдельное направление — информатика материалов (Materials Informatics) , использующая методы машинного обучения для извлечения знаний из больших массивов данных [4, 23]. Это включает:

• Прогнозирование свойств материалов на основе состава и структуры.
• Обратный дизайн — поиск составов и структур с заданными свойствами.
• Автоматическую характеризацию микроструктурных изображений.

Следующий рубеж — полностью автономные лаборатории, где AI управляет экспериментами, обрабатывает данные в реальном времени и принимает решения о следующем шаге без участия человека [22].

---

12. Вычислительный инжиниринг в действии: кейс LEAP 71 и Noyron

В 2026 году компания Electro Optical Systems (EOS) совместно с LEAP 71 продемонстрировала, как вычислительный инжиниринг (Computational Engineering) и аддитивные технологии могут реализовать принципы, заложенные в дорожных картах, на практике [1].

LEAP 71 является пионером в новой области вычислительного инжиниринга (Computational Engineering) , где сложные физические продукты создаются с помощью крупных программных моделей [4†L34-L36]. В этой парадигме инженеры кодируют свои знания в компьютерные алгоритмы, а результирующая вычислительная модель (Computational Engineering Model, CEM) синтезирует геометрию и предоставляет данные для производственного процесса [4†L36-L38].

Платформа Noyron

Центральным элементом цепочки разработки выступает Large Computational Engineering Model Noyron, созданная компанией LEAP 71 [27]. Noyron представляет собой фундаментальную вычислительную модель для инжиниринга, которая кодирует экспертные знания, физику (например, тепловые модели), правила производственных процессов и связанные данные в единую согласованную структуру [0†L4-L8].

В отличие от традиционных CAD-систем, где конструктор вручную вычерчивает геометрию, Noyron использует принцип параметрического кодирования физических законов. Инженер задаёт высокоуровневые входные параметры (тягу, тип топлива, давление, целевой материал), после чего программный комплекс автономно синтезирует трёхмерную модель, руководствуясь расчётами газодинамики, теплопередачи и прочности [1].

Мультидисциплинарный анализ

Noyron реализует мультидисциплинарный анализ в рамках единого вычислительного конвейера на основе слабосвязанного итерационного решения:

• Гидравлическое сопротивление — решение уравнений Навье-Стокса для турбулентных потоков в каналах регенеративного охлаждения.
• Управление термическими напряжениями — передача полей температур и давлений в структурный блок для анализа термонапряжённого состояния.
• Оптимизация массы — на основе распределения напряжений (по критерию Мизеса) в недогруженных зонах выполняется удаление материала, что позволяет сократить массу компонента на 30–40 % без потери запаса прочности [9].

Материалы и аддитивная печать

Критическим материалом для камеры сгорания выступил сплав CuCr1Zr (медь-хром-цирконий) с теплопроводностью около 350 Вт/(м·К), позволяющей отводить тепловые потоки до 20 МВт/м² [8]. EOS решила проблему печати этого высокотеплопроводного сплава с помощью специализированной оптики и адаптивных стратегий сканирования, обеспечив плотность материала более 99,9 % и герметичность конструкции.

Хронология: от прототипов к промышленным заказчикам

Аппаратная независимость

Платформа Noyron интегрирована с принтерами EOS, HBD, Farsoon и Nikon SLM, работая с материалами от CuCr1Zr до Inconel 718. Это подтверждает, что Noyron оперирует фундаментальными физическими законами, а не настройками конкретного оборудования, что позволяет тиражировать решение на любую индустриальную базу.

---

13. Общие вызовы и перспективы

Несмотря на впечатляющий прогресс, остаются серьёзные вызовы:

Культурные барьеры

Интеграция материаловедения и системного инжиниринга требует не только технических, но и культурных изменений. Специалисты разных дисциплин должны научиться говорить на одном языке и работать в единых цифровых средах [2, 3].

Инфраструктура данных

Стандартизация форматов, онтологий и метаданных остаётся серьёзной проблемой. Без неё обмен данными между организациями и даже внутри крупных корпораций остаётся сложным [4, 19].

Образование

Подготовка кадров нового типа — специалистов, владеющих одновременно материаловедением, вычислительными методами, наукой о данных и системным мышлением — требует пересмотра образовательных программ [3, 9].

Интеллектуальная собственность

Вопросы защиты интеллектуальной собственности и экспортного контроля ограничивают обмен данными и моделями между организациями, замедляя прогресс [2, 4].

---

Сравнительная таблица по регионам

---

Заключение: Путь к 2040 году

Анализ ключевых дорожных карт и стратегических инициатив показывает удивительный консенсус: будущее материаловедения — за цифровым континуумом, объединяющим многомасштабное моделирование, экспериментальную характеризацию, управление данными, искусственный интеллект и цифровые двойники в единую экосистему.

Кейс LEAP 71 и Noyron наглядно демонстрирует, что принципы, заложенные в дорожных картах, уже работают на практике. Цикл «проектирование → моделирование → оптимизация → аддитивное производство → испытания» сокращён до 14 дней, а технологическая платформа демонстрирует аппаратную и материаловедческую независимость [1, 4, 5]. Этот пример подтверждает, что вычислительный инжиниринг (Computational Engineering) , основанный на кодировании физических законов и логики проектирования, становится мощным инструментом в рамках общего цифрового инжиниринга (Digital Engineering) , объединяющего весь жизненный цикл создания изделий.

Ключевые выводы:

1. Интеграция — главный приоритет. Отдельные инструменты и методы уже существуют; задача — соединить их в работающие цепочки [2, 3].

1. Данные — новая валюта. Инфраструктура данных, основанная на FAIR-принципах, является фундаментом всей экосистемы [4, 19].

1. AI/ML — ускоритель. Искусственный интеллект не заменяет физическое понимание, но многократно ускоряет его применение [21, 22].

1. Культурные изменения не менее важны, чем технологические. Без смены парадигм мышления и организации работы даже лучшие технологии останутся невостребованными [2, 3].

1. Доверие к моделям — основа цифровой сертификации. Стандарты V&V (ASME, AIAA) и фундаментальные работы создают методологическую базу для принятия решений на основе моделирования [24, 25, 26].

1. 2040 год — реалистичный горизонт. Дорожные карты задают амбициозные, но достижимые цели при условии скоординированных усилий всех заинтересованных сторон [3].

Материаловедение вступает в новую эру — эру, где цифровые технологии становятся не просто инструментом, а основой методологии. И если текущие тенденции сохранятся, к 2040 году мы увидим не просто эволюцию, а настоящую революцию в том, как создаются и применяются материалы.

---

Список литературы (в порядке цитирования)

1. EOS напечатала ракетный двигатель за 2 недели: ИИ заменил инженеров-конструкторов [Электронный ресурс] // iXBT.com. – 26.07.2026. – URL: https://www.ixbt.com/live/3d-modelling/eos-napechatala-raketnyy-dvigatel-za-2-nedeli-ii-zamenil-inzhenerov-konstruktorov.html (дата обращения: 27.07.2026).

1. Implementing Integrated Computational Materials Engineering (ICME) in the Aerospace, Automotive, and Maritime Industries [Текст] / The Minerals, Metals & Materials Society (TMS). – Warrendale, PA : TMS, 2013. – 150 p.

1. Vision 2040: A Roadmap for Integrated, Multiscale Modeling and Simulation of Materials and Systems [Текст] / X. Liu, D. Furrer, J. Kosters, J. Holmes ; prepared under Contract NNC15BA06B. – Washington, D.C. : NASA, 2018. – 175 p. – (NASA/CR–2018-219771).

1. Building a Materials Data Infrastructure: Opening New Pathways to Discovery and Innovation in Science and Engineering [Текст] / The Minerals, Metals & Materials Society (TMS). – Pittsburgh, PA : TMS, 2017. – 120 p.

1. Department of Defense Instruction 5000.97: Digital Engineering [Текст] / U.S. Department of Defense. – Washington, D.C. : DoD, 2018. – 35 p.

1. Guidelines for Validation of Engineering Simulations [Текст] / NAFEMS. – Glasgow : NAFEMS, 2025. – 85 p.

1. Materials Genome Initiative Strategic Plan [Текст] / National Science and Technology Council. – Washington, D.C. : Executive Office of the President, 2021. – 45 p.

1. EMMC Roadmap 2025 – Consultation [Электронный ресурс] / European Materials Modelling Council (EMMC). – Vienna, 2025. – URL: https://emmc.eu/news/emmc-roadmap-2025/ (дата обращения: 05.08.2026).

1. EMMC Roadmap on “Digital Transformation of Materials Science” [Текст] / European Materials Modelling Council (EMMC). – 2nd ed. – Vienna : EMMC, 2023. – 85 p.

1. Materials Commons: A Collaboration Platform and Information Repository for the Global Materials Community [Текст] / B. Puchala [et al.] // JOM. – 2016. – Vol. 68, no. 8. – P. 2035–2044. – DOI: 10.1007/s11837-016-1998-8.

1. В РАН обсудили выполнение дорожной карты развития направления «Технологии новых материалов и веществ» [Электронный ресурс] : [сайт] / Рос. акад. наук. – М., 2025. – URL: https://new.ras.ru/press-center/v-ran-obsudili-vypolnenie-dorozhnoy-karty-razvitiya-napravleniya-tekhnologii-novykh-materialov-i-veshch/ (дата обращения: 05.08.2026).

1. Росатом разрабатывает отечественный комплекс цифровых инструментов для создания новых перспективных материалов [Электронный ресурс] // Atomic-Energy.ru. – 2023. – 23 нояб. – URL: https://www.atomic-energy.ru/news/2023/11/23/139426 (дата обращения: 05.08.2026).

1. 中国工程科技2040发展战略·化工、冶金与材料领域报告 (Стратегия развития инженерной науки и технологий Китая до 2040 года: Отчёт по областям химической промышленности, металлургии и материалов) [Текст] / «中国工程科技2040发展战略研究»项目组 (Проектная группа «Исследование стратегии развития инженерной науки и технологий Китая до 2040 года»). – 北京 (Пекин) : 科学出版社 (Научное издательство), 2025. – 356 с. – ISBN 978-7-5088-6748-9.

1. 面向2040的发展战略：我国先进材料领域的关键共性技术与颠覆性技术 (Стратегия развития до 2040 года: Ключевые общие технологии и прорывные технологии в области передовых материалов Китая) [Электронный ресурс] // ChinaFM.org.cn (официальный портал Китайской инженерной академии). – 2026. – 9 апр. – URL: https://www.chinafm.org.cn (дата обращения: 05.08.2026).

1. 15张图详解2040新材料发展路线图 (Дорожная карта развития новых материалов до 2040 года: подробный разбор в 15 иллюстрациях) [Электронный ресурс] // Cailiaodata.com (портал материаловедческих данных Китая). – 2026. – 3 июля. – URL: https://www.cailiaodata.com (дата обращения: 05.08.2026).

1. マテリアル・イノベーション2040：自動車・電子部品・半導体キーマテリアル技術ロードマップ (Инновации в материалах 2040: Дорожная карта ключевых материальных технологий для автомобильной промышленности, электронных компонентов и полупроводников) [Текст] / 日経BP (Nikkei BP). – 東京 (Токио) : 日経BP (Nikkei BP), 2026. – 320 с. – ISBN 978-4-296-20286-7.

1. マテリアル革新力強化戦略 (Стратегия укрепления инновационного потенциала в области материалов) [Электронный ресурс] / 内閣府 (Канцелярия Кабинета министров Японии). – 東京 (Токио), 2025. – 4 июня. – URL: https://www8.cao.go.jp (дата обращения: 05.08.2026).

1. 「マテリアル（重要鉱物・部素材）」分野ロードマップ（案） (Дорожная карта по направлению «Материалы (стратегические полезные ископаемые и компонентные материалы)» (проект)) [Электронный ресурс] / 経済産業省 (Министерство экономики, торговли и промышленности Японии). – 東京 (Токио), 2026. – 21 апр. – URL: https://www.meti.go.jp (дата обращения: 05.08.2026).

1. Wilkinson, M.D. The FAIR Guiding Principles for Scientific Data Management and Stewardship [Текст] / M.D. Wilkinson, M. Dumontier, I.J. Aalbersberg [et al.] // Scientific Data. – 2016. – Vol. 15, Issue 3. – DOI: 10.1038/sdata.2016.18.

1. A Decade of Digital Twins in Materials Science and Engineering [Текст] // ScienceDirect. – 2025. – URL: https://www.sciencedirect.com (дата обращения: 05.08.2026).

1. Computation and machine learning for materials: Past, present, and future perspectives [Текст] // MRS Bulletin. – 2025. – URL: https://www.mrs.org/bulletin (дата обращения: 05.08.2026).

1. AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit [Текст] / arXiv. – 2025. – URL: https://arxiv.org (дата обращения: 05.08.2026).

1. Materials Informatics at NASA GRC: Machine Learning Surrogate Modeling, Data Management, and Integrated Toolsets [Текст] / NASA Glenn Research Center. – Cleveland, OH : NASA, 2024. – 30 p.

1. ASME V&V 10-2006 (R2016): Guide for Verification and Validation in Computational Solid Mechanics [Текст] / American Society of Mechanical Engineers. – New York : ASME, 2006. – 36 p.

1. AIAA G-077-1998(2002): Guide for the Verification and Validation of Computational Fluid Dynamics Simulations [Текст] / American Institute of Aeronautics and Astronautics. – Reston, VA : AIAA, 1998. – 35 p.

1. Oberkampf, W.L. Verification and Validation in Scientific Computing [Текст] / W.L. Oberkampf, C.J. Roy. – New York : Cambridge University Press, 2010. – 767 p. – ISBN 978-0-521-11360-1.

1. LEAP 71. Noyron Computational Engineering Model [Электронный ресурс] // LEAP 71. – URL: https://leap71.com/noyron (дата обращения: 27.07.2026).

1. Digital Material Twins [Электронный ресурс] / Fraunhofer Institute for Mechanics of Materials IWM. – URL: https://www.iwm.fraunhofer.de (дата обращения: 05.08.2026).

1. LEAP 71. The Exploration Company Licenses LEAP 71’s Noyron RP for the Design of Next-Generation Rocket Engines [Электронный ресурс] // LEAP 71. – 24.03.2026. – URL: https://leap71.com/2026/03/24/the-exploration-company-licenses-leap-71s-noyron-rp-for-the-design-of-next-generation-rocket-engines/ (дата обращения: 27.07.2026).

1. NSF DMREF Program [Электронный ресурс] : Designing Materials to Revolutionize and Engineer our Future / National Science Foundation. – URL: https://www.nsf.gov/funding/pgm_summ.jsp?pims_id=505289 (дата обращения: 05.08.2026).

Расшифровка аббревиатур