Статья представляет десятую часть цикла статей «Цифровая платформа по разработке и применению цифровых двойников “Digital Twins” CML-Bench®». Первые три части статьи опубликованы в № 8-10 за 2023 год, четвертая, пятая и шестая — в № 5, 7 и 8 за 2024-й, седьмая — в № 7 за 2025-й, части 8.1 и 8.2 — в № 10 и 11 за 2025-й, часть 9.1 — в № 4 за 2026 год. Десятая часть цикла статей посвящена описанию ключевых результатов развития цифровой платформы по разработке и применению цифровых двойников CML-Bench®, а также описанию примеров разработки цифровых двойников и проведения цифровых (виртуальных) испытаний с применением цифровой платформы для реализации проектов в области специального атомного машиностроения.

Ключевые результаты разработки и развития цифровой платформы CML-Bench®

Основу современной промышленности в условиях достижения технологического лидерства [1] составляют передовые цифровые и производственные технологии разработки, производства и вывода высокотехнологичной продукции на рынок. Среди особо значимых направлений формирования суверенной технологической экосистемы в стране необходимо выделить инновационные платформенные решения, технологию разработки цифровых двойников изделий, искусственный интеллект и машинное обучение, другие технологические направления.

В соответствии с национальным стандартом ГОСТ Р 57700.37—2021 «Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения» [2], разработанным СПбПУ совместно с ФГУП «РФЯЦ-ВНИИЭФ», для создания цифровых двойников и проведения цифровых (виртуальных) испытаний рекомендуется применение программно-технологической платформы, обеспечивающей управление процессами и данными компьютерного моделирования (Simulation Process and Data Management, SPDM-системы [3]).

Цифровая платформа по разработке и применению цифровых двойников CML-Bench® является полностью российской SPDM-системой, разработкой ПИШ СПбПУ [4; 5]. Цифровая платформа прошла многократную отраслевую кастомизацию при выполнении наукоемких проектов для высокотехнологичных отраслей: двигателестроения, атомного, нефтегазового, энергетического машиностроения, авиастроения, автомобилестроения, судостроения и кораблестроения, ОПК, других отраслей. Результаты практической апробации платформы формируют интеллектуальный научно-технологический задел (Digital Brainware) и обеспечивают преемственность проектов [6-15], которые представлены в более чем 392 тысячах цифровых и проектных решений, накопленных на цифровой платформе CML-Bench® по состоянию на июль 2026 года.

Кроме того, на платформе реализованы AI-функциональные возможности, такие как интеллектуальные помощники, редуцированные модели, многокритериальная многопараметрическая оптимизация, которые ускоряют многодисциплинарные расчеты и повышают их эффективность (AI-функциональные возможности платформы рассмотрены в частях 8.1 и 8.2 цикла статей [13; 14], а также представлены далее).

В данной статье рассмотрены ключевые результаты разработки и развития отечественной SPDM-системы CML-Bench® за последние годы, представлены примеры реализованных с применением цифровой платформы CML-Bench® проектов в области специального атомного машиностроения (включая разработку элементов, узлов и конструкций толкательных печей спекания, печей остекловывания, аппаратов волоксидатора, транспортных контейнеров и др.), описаны некоторые функциональные возможности в области построения редуцированных моделей в подсистеме CML-Bench®.RomAI, а также описаны перспективы формирования научно-технологического потенциала для развития технологии цифровых двойников и платформенных решений в оборонно-промышленном комплексе.

Проект по разработке подложки толкательной печи спекания

В 2025 году специалистами ПИШ СПбПУ «Цифровой инжиниринг» выполнен проект по разработке математической и цифровой модели подложки толкательной печи спекания. Проект реализован по заказу АО «Прорыв» с использованием цифровой платформы по разработке и применению цифровых двойников CML-Bench®.

Целью работы являлась оптимизация конструкции подложек комплекса оборудования для спекания таблеток смешанного нитридного уран-плутониевого топлива — перспективного вида ядерного топлива, рассчитанного на применение в реакторах с замкнутым циклом и реакторах на быстрых нейтронах [16] — в целях снижения массы подложек и уменьшения износа внутренних частей толкательной печи спекания.

В состав комплекса входят 29 подложек с установленными на них так называемыми «лодочками», загруженными топливными таблетками, движущимися по скользящей кладке печи, что образует своеобразный «поезд», приводимый в движение толкательным механизмом.

Внешний вид геометрической модели исходной конструкции подложки с установленной на ней «лодочкой» показан на рис. 1.

В рамках проекта рассматривалось прямолинейное движение подложки по каналу печи спекания, с отсутствием контакта по боковым поверхностям вследствие достаточного конструкционного зазора. Подложка считалась равномерно загруженной и способной свободно расширяться под действием нагрева.

Для достижения поставленной цели разработана цифровая модель подложки, учитывающая основные геометрические особенности конструкции, а также данные о физико-механических свойствах применяемых материалов (вольфрам, диоксид циркония) и расчетные значения коэффициента трения в диапазоне от 0,5 до 1,5 при температуре от 50 до 1950 °С.

В рамках проекта проведены десятки расчетов и цифровых (виртуальных) испытаний конструкции, при этом благодаря применению функциональности «умной» очереди, реализованной в цифровой платформе CML-Bench®, удалось существенно сократить общее время выполнения цифровых испытаний и расчетных исследований. «Умная» очередь выполняет роль интеллектуального оркестратора вычислительных ресурсов, программно-аппаратной инфраструктуры, лицензий на программное обеспечение компьютерного моделирования (ПО КМ) и приоритетных задач. Это позволяет эффективно распределять вычислительные ресурсы при минимальном времени ожидания результатов и непрерывности расчетов с учетом доступности лицензий, приоритетности расчетов, анализа параметров расчетных моделей и цепочки связанных задач, предиктивной оценки времени реализации расчетов и др.

По результатам проведения оптимизационных расчетов в целях минимизации массы подложки толкательной печи спекания с учетом ограничений по перемещениям и напряжениям, а также по результатам выполненной технологической проработки получены варианты конструкции подложки (рис. 2), масса которых снижена на величину от 15 до 65% по сравнению с оригинальной конструкцией — в зависимости от конкретного конструктивного исполнения (в том числе толщины подложки).

Таким образом, выполненный проект с применением цифровой платформы CML-Bench® позволил в сжатые сроки решить комплекс оптимизационных задач и предложить индустриальному партнеру варианты конструкций, превосходящие исходную по таким параметрам, как вес, прочность и технологичность, что являлось критически важным для предприятия.

Автоматизированная система комплексного цифрового моделирования печи остекловывания

Разработка установок остекловывания высокоактивных радиоактивных отходов относится к числу сложных научно-технических задач, поскольку в таких объектах одновременно протекают взаимосвязанные тепловые, электрофизические и гидродинамические процессы, что демонстрирует мультидисциплинарность и комплексность задачи [17].

Натурная доводка подобных изделий требует значительных временных и материальных ресурсов, а также связана с ограничениями по безопасности и воспроизводимости технологических режимов. Поэтому применение системного цифрового инжиниринга, цифрового моделирования и технологий цифровых двойников изделий позволяет перейти к расчетно-экспериментальному подходу, при котором проектные решения и эксплуатационные режимы предварительно проверяются в цифровой среде.

В рамках проекта, выполненного в 2023-2025 годах, создана автоматизированная система комплексного цифрового моделирования печи остекловывания. Она предназначена для эффективного проведения цифровых (виртуальных) испытаний, анализа технологических режимов, оценки теплового состояния критических узлов, исследования влияния конструктивных и режимных параметров, а также поддержки принятия инженерных решений при проектировании, доводке и эксплуатации промышленной установки.

Основой для разработки автоматизированной системы является цифровая платформа CML-Bench®, обеспечивающая интеграцию цифровых моделей, расчетных данных, ПО КМ, вычислительных ресурсов и результатов цифровых (виртуальных) испытаний в единой цифровой среде. На цифровой платформе реализованы автоматизированные расчетные цепочки, средства подготовки исходных данных, автоматизированного запуска расчетов, обработки и визуализации результатов, а также структурирования инженерной информации.

Цифровая модель, разрабатываемая в результате применения автоматизированной системы, представляет собой систему взаимосвязанных математических и компьютерных моделей основных узлов печи остекловывания. В ее состав входят компьютерная модель тигля, компьютерная модель системы охлаждения, компьютерная модель узла слива, компьютерная модель установки индукционного нагрева, компьютерная модель прочности и ресурса. Объединение этих моделей в цифровой платформе позволяет рассматривать печь как единую мультифизическую систему — цифровую модель печи, в которой изменение параметров одной подсистемы влияет на поведение других подсистем, в связи с чем требуется комплексный автоматизированный подход к разработке подобных конструкций для учета взаимосвязанных параметров. Связи между подсистемами сформированы в соответствии со схемой, представленной на рис. 3.

Для обеспечения достоверности цифровой модели был сформирован валидационный базис на основе данных натурных испытаний, полученных от заказчика. Выполнена разметка данных MES-системы предприятия, выделены временные интервалы основных режимов работы печи: дозирование, выдержка и слив стекломассы. На этой основе сформированы карта режимов и матрица целевых показателей, используемые при постановке расчетных задач и валидации для сравнения результатов моделирования с экспериментальными данными.

Созданная автоматизированная система позволяет:

• проводить цифровые (виртуальные) испытания конструкций на различных режимах работы печи;
• рассчитывать температурные поля в расплаве, огнеупорных и металлических элементах;
• получать значения температур в контрольных точках;
• анализировать влияние схем электрической коммутации, параметров охлаждения и индукционного нагрева;
• оценивать условия подготовки слива;
• выполнять расчеты прочности и оценки ресурса;
• сравнивать различные проектные и режимные варианты.

Работа пользователя с системой организована по логике проведения цифровых испытаний: пользователь выбирает расчетный сценарий, задает исходные параметры режима (например, схему электрической коммутации, расходы охлаждающего воздуха, параметры индукционного нагрева и др.) и запускает автоматизированную расчетную цепочку на цифровой платформе. Далее система автоматически обращается к расчетному ПО КМ и формирует результаты в виде численных значений, графиков, изображений и распределений физико-механических полей.

Такой подход снижает количество ручных операций, обеспечивает воспроизводимость расчетов и уменьшает риск ошибок при передаче данных между моделями и программными средствами. Полученные результаты могут использоваться для анализа расчетных вариантов, подготовки отчетных материалов, уточнения проектных решений, выбора рациональных режимов эксплуатации и др.

Важным итогом проекта стало доведение архитектуры цифровой модели до уровня промышленно применимой автоматизированной системы. В рамках работ были разработаны и поставлены компоненты программно-аппаратного комплекса, выполнены установка, настройка, пусконаладочные работы и тестирование системы на площадке заказчика. Также проведено обучение сотрудников ФГУП «ПО «Маяк» работе с цифровой платформой CML-Bench® и автоматизированной системой моделирования, цифровыми моделями и средствами анализа данных, используемых при разработке конструкции и планировании режимов работы.

Таким образом, результатом проекта стала развернутая на промышленном предприятии автоматизированная система комплексного цифрового моделирования печей остекловывания. Она обеспечивает проведение цифровых (виртуальных) испытаний, анализ режимов работы, оценку теплового состояния узлов и использование результатов моделирования для проектирования, доводки и планирования эксплуатации оборудования. Разработанная система формирует основу для дальнейшего развития и наполнения цифрового двойника печи остекловывания, включая подключение и интеграцию данных по результатам эксплуатации, построение редуцированных и суррогатных моделей (подробнее об этом — в части 8.1 [14]), а также развитие инструментов предиктивной аналитики.

Стоит отметить, что разработанная автоматизированная система зарегистрирована в качестве программы для ЭВМ. Так, в марте 2026 года ФГУП «ПО «Маяк» совместно со специалистами ПИШ СПбПУ получен патент № 2026615838 на программу параметризации и автоматизации запуска компьютерных моделей «Цифровая модель печи остекловывания» [18], что служит подтверждением инновационного потенциала и практической значимости выполненной работы.

Разработка цифровой модели аппарата волоксидатора

В настоящее время в атомной промышленности проводятся масштабные работы по созданию оборудования для осуществления волоксидации отработавшего ядерного топлива (ОЯТ). Волоксидация — это процесс термического окисления ОЯТ, при котором разрушается его кристаллическая решетка и высвобождаются летучие радиоактивные газы и продукты деления (в том числе тритий), что требуется для очистки отработавшего топлива от газовых примесей. Тем самым снижаются объемы жидких радиоактивных отходов и упрощается последующая регенерация урана, что позволяет повторно использовать уран в топливном цикле и решить экологическую задачу по снижению объема высокоактивных отходов, подлежащих захоронению.

Создание цифровой модели волоксидатора позволяет исследовать движение подаваемого материала (ОЯТ) и параметры, влияющие на процесс волоксидации. Разработка модели способствовала уменьшению объема необходимых натурных испытаний и сокращению времени разработки новых конструкций волоксидатора под требуемые характеристики.

В 2025 году специалистами ПИШ СПбПУ «Цифровой инжиниринг» выполнена НИР для АО «Радиевый институт им. В.Г. Хлопина» (Госкорпорация «Росатом») в рамках государственного контракта № Н.4м.241.09.25.1072 от 06.06.2025 на выполнение НИОКР, предполагающей разработку цифровой модели аппарата волоксидатора с использованием цифровой платформы по разработке и применению цифровых двойников CML-Bench®.

В ходе реализации проекта на базе цифровой платформы CML-Bench® разработана мультифизическая цифровая модель волоксидатора, включающая взаимосвязанные математические, компьютерные и цифровые модели для исследования процессов:

1. Подачи и распределения материала (ОЯТ) в волоксидаторе.
2. Взаимодействия материала с потоком газа.
3. Движения и выхода пыли из рабочего объема волоксидатора.

Также разработаны цифровые модели для определения параметров герметичности, напряженно-деформированного состояния, теплопередачи при эксплуатации аппарата волоксидатора. На цифровой платформе реализованы автоматизированные расчетные цепочки, средства подготовки исходных данных, автоматизированного запуска расчетов, обработки и визуализации результатов, а также структурирование выходных данных, что позволило эффективно провести комплекс цифровых (виртуальных) испытаний процессов волоксидации и в короткие сроки оптимизировать конструкцию аппарата с учетом жестких требований отраслевых стандартов и правил безопасности.

Внешний вид цифровой модели аппарата волоксидатора при подаче и распределении материала показан на рис. 4.

Для моделирования движения материала использован метод дискретных элементов (DEM), являющийся наиболее эффективным способом моделирования сыпучего материала. Для моделирования пылеуноса использован метод гидродинамики несущего потока и взаимодействия с дисперсной фазой пыли (DPM/DDPM).

Данные задачи предполагают моделирование большого количества частиц и являются крайне ресурсоемкими. Благодаря алгоритмам распределения очередности расчетов («умной» очереди), а также возможности параллельных вычислений, реализованной в цифровой платформе CML-Bench®, удалось существенно сократить общее время выполнения цифровых (виртуальных) испытаний.

Разработанная цифровая модель позволила провести цифровые (виртуальные) испытания для определения оптимальной конфигурации ступеней, их количества, общих размеров волоксидатора, оптимального количества и частоты подаваемого материала, а также параметров подачи газа. Тем самым выполнена задача проекта по формированию оптимальной конструкции аппарата волоксидатора с учетом результатов моделирования процессов подачи и распределения материала, взаимодействия с потоком газа и вывода пыли, что является критически важным для эффективной эксплуатации аппарата, его производительности и надежности.

Разработка ВИП для проведения цифровых испытаний транспортного контейнера

Основными целями проекта выступали разработка цифрового (виртуального) испытательного полигона (ВИП) для оценки работоспособности конструкции в соответствии с требованиями российских [19] и международных [20] правил безопасной перевозки радиоактивных материалов, а также доработка конструкции теплоизоляции с сохранением массогабаритных свойств исходной конструкции транспортного контейнера.

Разработка ВИП проведена с использованием цифровой платформы по разработке и применению цифровых двойников CML-Bench®. Перечень цифровых (виртуальных) испытаний транспортного контейнера, проведенных на платформе, составлен на основании исходных данных, верификационного и валидационного базиса, и дополнялся в течение всего этапа разработки. Всего было проведено 130+ цифровых (виртуальных) испытаний, в которых были рассмотрены различные тепловые режимы работы конструкции.

Основной задачей проведения цифровых испытаний является получение достоверных данных и результатов расчетов о распределении температур в конструкции транспортного контейнера при различных тепловых условиях, включая охлаждение в холодильнике, механические испытания, нормальные условия транспортировки и пожар. Также важным аспектом моделирования было подтверждение соблюдения требований безопасности при эксплуатации контейнера в указанных условиях.

В рамках проекта проведено исследование влияния теплофизических характеристик пенококса (вспененного углеродного материала для теплоизоляции) на тепловое состояние содержимого транспортного контейнера. Рассмотрена зависимость максимальной температуры содержимого от двух ключевых параметров материала: коэффициента теплопроводности и удельной теплоемкости. Целью исследования стала оценка чувствительности температурного поля в активной зоне к изменению указанных свойств в диапазоне, характерном для существующих композиций вспучивающихся покрытий.

В рамках исследований было рассмотрено 15 различных композиций вспучивающихся покрытий. Удельная теплоемкость варьировалась от 4032,0 до 9016,0 Дж/(кг·К), а коэффициент теплопроводности — от 0,329 до 1,019 Вт/(м·К). По результатам цифровых испытаний максимальная температура содержимого транспортного контейнера составила 348 °C, минимальная — 218 °C.

Проведенные расчеты на цифровой платформе CML-Bench® за счет функциональных возможностей прослеживаемости изменений, автоматизации расчетных цепочек, инструментов мультидисциплинарной и многокритериальной оптимизации и бесшовной интеграции с системами инженерного анализа позволили выявить чувствительные к температурам зоны конструкции и определить последствия нарушений температурных режимов для выполнения требований безопасности.

Таким образом, методология системного цифрового инжиниринга и проведение цифровых (виртуальных) испытаний на цифровых (виртуальных) испытательных стендах и полигонах с целью разработки цифровых двойников изделий выступает наиболее эффективным инструментом для проверки различных сценариев эксплуатации конструкций, анализа критических зон в разрезе оцениваемых параметров и требований, а также оптимизации узлов и конструкций высокотехнологичных изделий атомного машиностроения, что позволяет минимизировать затраты и ускорить вывод продукции на рынок в условиях формирования технологического лидерства.

Развитие подсистемы построения редуцированных моделей CML-Bench®.RomAI

СПбПУ активно вовлечен в формирование и достижение технологического лидерства, в частности, в рамках реализации программы «Приоритет-2030» по трем ключевым научно-технологическим направлениям (КНТН), одно из которых — КНТН-1 «Системный цифровой инжиниринг».

Как было отмечено выше, в частях 8.1 и 8.2 цикла статей рассмотрены три AI-подсистемы, реализованные на платформе CML-Bench® [14; 15]:

• CML-Bench®.AI-Assistant — для интеллектуальной поддержки принятия решений инженерами в процессе создания цифровых двойников изделий;
• CML-Bench®.RomAI — для построения редуцированных (ROM — Reduced Order Models) и суррогатных моделей;
• CML-Bench®.OptiCore — для многопараметрической многокритериальной оптимизации.

В 2025 году подсистема построения суррогатных и редуцированных моделей CML-Bench®.RomAI в рамках реализации проекта КНТН-1 была дополнена модулем моделирования в режиме реального времени (Real-time), который для построенной редуцированной модели (на базе сингулярного разложения, SVD) в автоматизированном режиме генерирует интерфейс пользователя, содержащий поля ввода параметров редуцированной модели: значений нагрузок, характеристик материалов, геометрических параметров.

Таким образом, после построения редуцированной модели у пользователя появляется удобный инструмент, в котором он может проверить, как будет работать изделие при изменении интересующих пользователя параметров. Данный модуль был протестирован на задачах из области термоядерной энергетики. В частности, была построена редуцированная модель нестационарного нелинейного расчета теплового состояния диагностического модуля токамака ITER при воздействии пожара, позволяющая пользователю выбирать произвольный материал и мгновенно получать состояние системы в нужный момент времени (рис. 5).

Кроме того, в рамках тестирования модуля была построена редуцированная модель электромагнитного расчета камеры токамака, в которой пользователь может задавать параметры токов в катушках и получать распределение магнитного поля и вихревых токов в камере токамака. В дальнейшем модель будет доработана для управления положением плазмы в режиме реального времени.

В перспективе данный модуль позволит ученым с помощью моделирования отслеживать положение плазмы в режиме реального времени, а также прогнозировать поведение плазмы в зависимости от управляющих воздействий (токов в катушках). Разработанная редуцированная модель также позволит решить и обратную задачу — какими должны быть управляющие воздействия, чтобы гарантированно удерживать плазму в требуемом состоянии.

Таким образом, разработанный модуль позволит связать подсистему CML-Bench®.RomAI с MES-системой предприятия, где развернута платформа CML-Bench®, для осуществления предиктивной диагностики оборудования на основе Real-time моделирования с учетом критических параметров эксплуатации оборудования. В настоящий момент разработанный модуль находится на стадии внутреннего тестирования.

Обучение по программе «Системный цифровой инжиниринг на платформе CML-Bench®» для сотрудников ООО «Центротех-Инжиниринг»

Передовая инженерная школа СПбПУ регулярно проводит комплексные программы повышения квалификации для представителей высокотехнологичной промышленности, включая индустриальных партнеров и заказчиков, а также пользователей цифровой платформы CML-Bench®. Так, в ПИШ СПбПУ успешно завершилось обучение сотрудников ООО «Центротех-Инжиниринг» (входит в контур управления АО «ТВЭЛ» Госкорпорации «Росатом»), которое проходило в конце апреля 2026 года по программе дополнительного профессионального образования (ДПО) повышения квалификации «Системный цифровой инжиниринг на цифровой платформе CML-Bench®» в объеме 36 академических часов. В обучении принимали участие 12 сотрудников ООО «Центротех-Инжиниринг» (рис. 6).

Программа ДПО нацелена на формирование базовых знаний, связанных с современными цифровыми технологиями и возможностями их применения в рамках профессиональной деятельности, и состоит из двух модулей:

• модуль 1. Основы объектно-ориентированного системного инжиниринга;
• модуль 2. Управление инженерными проектами с помощью цифровой платформы разработки и применения цифровых двойников CML-Bench®.

В ходе обучения были представлены понятия документоцентричного и моделецентричного процесса, опыт применения системного подхода к инженерной деятельности, декомпозиция требований и композиция подтверждающей документации и результатов компьютерного моделирования. Также в рамках модуля 1 слушатели ознакомились с принципами управления требованиями при проектировании изделий, верификации и валидации цифровых моделей, а также с нормативно-технической документацией в области компьютерного моделирования. Особое внимание уделено понятию «цифровой сертификации» [15; 21; 22].

Модуль 2 был посвящен управлению инженерными проектами с помощью цифровой платформы CML-Bench®. Так, слушатели были разделены на команды, задачами которых стали декомпозиция объекта, формирование требований к объекту исследований, решение модельных задач прочности и гидрогазодинамики на цифровой платформе CML-Bench®. Это позволило ознакомиться с архитектурой и функциональными возможностями платформы, а также инструментами для командной работы.

Цифровая платформа CML-Bench® применяется в ООО «Центротех-Инжиниринг» с 2022 года. По заказу ООО «Центротех-Инжиниринг» на цифровой платформе CML-Bench® инженерами СПбПУ выполнялись проекты по разработке динамического компрессора низкого давления (подробнее — в части 4 [9]), моделированию композиционных материалов (подробнее — в части 7 [12]) и другие. Кроме того, с 2021 года в ПИШ СПбПУ реализуется магистерская программа «Компьютерный инжиниринг и цифровое производство», разработанная совместно с АО «ТВЭЛ», ООО «НПО «Центротех» и ООО «Центротех-Инжиниринг» в соответствии с дорожной картой сотрудничества СПбПУ и АО «ТВЭЛ».

По материалам обратной связи от слушателей программа ДПО получила высокие оценки специалистов ООО «Центротех-Инжиниринг», которые выразили готовность рекомендовать данный курс коллегам. Мероприятие стало важным шагом к полномасштабному внедрению передовых цифровых решений в инженерную практику компании и укреплению ее позиций на рынке.

Перспективы развития технологии цифровых двойников в оборонно-промышленном комплексе

Опыт реализации наукоемких проектов и успешная апробация цифровой платформы CML-Bench® в атомном машиностроении наглядно подтверждает универсальность и междисциплинарность подходов к созданию цифровых двойников сложных физических систем. Высокий потенциал кросс-отраслевой применимости отработанных методологий и программных решений позволяет осуществлять трансфер технологий и интегрировать подход цифрового инжиниринга, технологию цифровых двойников и интеллектуальные инструменты в смежные высокотехнологичные отрасли, в том числе ОПК.

Сегодня в ходе разработки новых перспективных образцов вооружений, военной и специальной техники (ВВСТ) разработчики оказываются в «долине смерти»: чем позже вносятся изменения в конструкцию, тем дороже эти изменения будут стоить. При этом для внесения изменений необходимо возвращаться на предыдущие стадии и этапы жизненного цикла продукции, как правило, на стадию разработки, в связи с чем временные и финансовые затраты значительно превышают плановые значения.

Сократить количество итераций разработки, производства и испытаний, а также уменьшить количество изменений, вносимых в конструкцию или систему на стадии разработки ВВСТ, возможно за счет применения технологии цифровых двойников, в рамках которой формируется комплекс цифровых (виртуальных) испытаний на цифровых (виртуальных) испытательных стендах и полигонах, обеспечивающий снижение количества натурных испытаний конструкции до минимально необходимого, достаточного для подтверждения соответствия требованиям технического задания.

В целях эффективности организации процессов разработки ВВСТ и решения вышеуказанной проблемы требуется разработка и применение платформенных решений — специализированного инструментария, позволяющего оперативно вносить и быстро анализировать большие объемы изменений на ранних этапах проектирования, — при выполнении научно-исследовательских работ, аванпроектов, а также на начальных стадиях опытно-конструкторских работ (разработка эскизного проекта, технического проекта и рабочей конструкторской документации для изготовления опытного образца военной техники) с соблюдением всех требований к защищенности сведений, составляющих государственную тайну.

В 2025 году в России инициирована разработка Межведомственной комплексной целевой программы (МКЦП) по развитию технологий цифровых двойников для изделий (образцов) вооружения, военной и специальной техники в интересах организаций оборонно-промышленного комплекса [23]. Разработка программы ведется по поручению Президента РФ под руководством Министерства промышленности и торговли Российской Федерации, программа согласована с Министерством обороны Российской Федерации и находится на стадии согласования в Правительстве Российской Федерации.

Данная программа направлена на формирование плана мероприятий по разработке и внедрению технологии цифровых двойников в оборонно-промышленный комплекс. Реализация программы призвана обеспечить:

• ускорение разработки и вывода перспективных образцов ВВСТ на стадию серийного производства, в том числе за счет внедрения технологий параллельного проектирования и единой платформенной среды (например, на базе SPDM-системы CML-Bench®, обладающей сертификатом соответствия требованиям безопасности программного обеспечения ФСТЭК России по 6-му уровню доверия [24]);
• радикальное снижение затрат на натурные испытания за счет многократного увеличения цифровых (виртуальных) испытаний на цифровых (виртуальных) испытательных стендах и полигонах;
• минимизацию стоимости владения ВВСТ на всех этапах жизненного цикла, в том числе переход к системе предиктивного обслуживания и оптимизации режимов работы, обеспечение сквозного жизненного цикла оборонной продукции;
• повышение надежности и безопасности применения военной техники за счет моделирования экстремальных режимов работы и нештатных ситуаций;
• технологическую независимость процессов проектирования и эксплуатации за счет использования доверенных отечественных решений.

Письмом Минпромторга России от 27.02.2026 г. № 20006/25 ПИШ СПбПУ предложена в качестве организации, ответственной за проведение работ по организационно-методическому сопровождению формирования предложений по мероприятиям МКЦП в отрасли беспилотных систем и робототехники.

Технология цифровых двойников и цифровая платформа CML-Bench® была применена и подтвердила свою эффективность в реализации целого ряда НИОКР при разработке высокотехнологичных изделий ОПК и беспилотных систем [15].

Следует отметить, что методические рекомендации по формированию предложений по мероприятиям (проектам) МКЦП по развитию технологий цифровых двойников для изделий (образцов) вооружения, военной и специальной техники в интересах организаций оборонно-промышленного комплекса содержат перечень из 37 типовых мероприятий плана мероприятий МКЦП в разрезе типоряда/класса изделий ВВСТ, а также стадий жизненного цикла, на которых планируется применение технологий цифровых двойников. Введенные в упомянутом выше ГОСТ Р 57700.37—2021 «Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения» термины покрывают ~70% перечня типовых мероприятий МКЦП, что свидетельствует о значительном вкладе разработанного стандарта в развитие инструментария по созданию цифровых двойников в оборонном комплексе страны и подтверждает практикоориентированную направленность положений стандарта, имеющую потенциал для формирования технологического лидерства в высокотехнологичных отраслях, включая оборонно-промышленный комплекс (рис. 7).

Таким образом, многолетний опыт ПИШ СПбПУ в области системного цифрового инжиниринга при эффективном применении цифровой платформы по разработке и применению цифровых двойников CML-Bench® обеспечил проведение многовариантных цифровых (виртуальных) испытаний на специализированных цифровых испытательных стендах и полигонах, сквозное и обоснованное управление требованиями, изменениями и данными, что способствовало ускоренному выводу изделий высокотехнологичных отраслей, включая специальное атомное машиностроение, на рынок.

Цифровая платформа CML-Bench® и ее внедрение в промышленность обеспечивают генерацию, накопление и использование инженерных знаний, цифровых и проектных решений, результатов цифровых (виртуальных) испытаний и мультидисциплинарных расчетов, что однозначно способствует достижению технологического лидерства России во многих отраслях промышленности.

Список источников

1. Указ Президента РФ от 7 мая 2024 № 309 «О национальных целях развития РФ на период до 2030 года и на перспективу до 2036 года». URL: http://publication.pravo.gov.ru/document/0001202405070015.
2. ГОСТ Р 57700.37—2021 Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения. URL: https://protect.gost.ru/document.aspx?control=7&id=241313.
3. Приказ Министерства цифрового развития, связи и массовых коммуникаций РФ от 22 сентября 2020 г. № 486. URL: https://base.garant.ru/74832091/.
4. CML-Bench® — цифровая платформа по разработке и применению цифровых двойников. URL: https://cml-bench.ru/.
5. Цифровая платформа по разработке и применению цифровых двойников CML-Bench® — Реестр программного обеспечения. URL: https://reestr.digital.gov.ru/reestr/310460/?sphrase_id=1514023.
6. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 1) / А.И. Боровков [и др.] // САПР и графика. 2023. № 8. С. 42-51.
7. Боровков А.И. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 2) / А.И. Боровков, В.В. Бураков // САПР и графика. 2023. № 9. С. 54-64.
8. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 3) / А.И. Боровков [и др.] // САПР и графика. 2023. № 10. С. 50-62.
9. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 4) / А.И. Боровков [и др.] // САПР и графика. 2024. № 5. С. 4-12.
10. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 5) / А.И. Боровков [и др.] // САПР и графика. 2024. № 7. С. 4-16.
11. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 6) / А.И. Боровков [и др.] // САПР и графика. 2024. № 8. С. 12-24.
12. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 7): разработка и применение цифровых двойников композиционных материалов / А.И. Боровков [и др.] // САПР и графика. 2025. № 7. С. 4-18.
13. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 8.1): применение параметрической оптимизации, методов машинного обучения и генеративного искусственного интеллекта при разработке цифровых двойников изделий / А.И. Боровков [и др.] // САПР и графика. 2025. № 10. С. 19-29.
14. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 8.2): применение параметрической оптимизации, методов машинного обучения и генеративного искусственного интеллекта при разработке цифровых двойников изделий / А.И. Боровков [и др.] // САПР и графика. 2025. № 11. С. 32-41.
15. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 9.1): применение в отрасли беспилотных авиационных систем / А.И. Боровков [и др.] // САПР и графика. 2026. № 4. С. 16-28.
16. Комплекс оборудования для спекания таблеток смешанного нитридного уран-плутониевого топлива. URL: https://sosny.ru/kompleks-oborudovaniya-dlya-spekaniya-tabletok-smeshannogo-nitridnogo-uran-plutonievogo-topliva.html.
17. Особенности разработки цифрового двойника эвакуируемого малогабаритного плавителя прямого джоулевого нагрева дизайна ФГУП «ПО «Маяк» / Ю.А. Горский, Д.С. Евстратов, Н.В. Мельникова [и др.] // Радиоактивные отходы. 2025. № 2(31). С. 45-59. DOI 10.25283/2587-9707-2025-2-45-59.
18. ФГУП «Производственное объединение «Маяк» получило патент на ПО для создания цифрового двойника печи остекловывания РАО, разработанное совместно со специалистами Инжинирингового центра ПИШ СПбПУ. URL: https://fea.ru/news/9346.
19. Федеральные нормы и правила в области использования атомной энергии «Правила безопасности при транспортировании радиоактивных материалов» (НП-053-16). URL: https://base.garant.ru/71594796/.
20. Правила безопасной перевозки радиоактивных материалов № SSR-6 (Rev. 1). Вена: МАГАТЭ, 2018. URL: https://www-pub.iaea.org/MTCD/Publications/PDF/P1798R_web.pdf.
21. Распоряжение Правительства Российской Федерации от 07.11.2023 г. № 3113-р. URL: http://government.ru/docs/all/150406/.
22. Правительство актуализировало стратегическое направление в области цифровой трансформации обрабатывающих отраслей промышленности. URL: http://government.ru/docs/50038/.
23. Санкт-Петербургский политехнический университет Петра Великого и ПСБ подписали Соглашение о стратегическом партнерстве в области цифровых двойников для обеспечения технологического лидерства страны. URL: https://pish.spbstu.ru/news/9143.
24. Цифровая платформа CML-Bench® получила сертификат ФСТЭК для работы с коммерческой тайной. URL: https://pish.spbstu.ru/news/9052.

Статья представляет девятую часть цикла статей «Цифровая платформа по разработке и применению цифровых двойников “Digital Twins” CML-Bench®». Первые три части статьи опубликованы в № 8-10 за 2023 год, четвертая, пятая и шестая — в № 5, 7 и 8 за 2024-й, седьмая — в № 7 за 2025-й, части 8.1 и 8.2 — в № 10 и 11 за 2025 год. Девятая часть цикла статей посвящена описанию ключевых результатов развития цифровой платформы по разработке и применению цифровых двойников CML-Bench® в отрасли БАС. В статье, состоящей из трех разделов, освещены ключевые аспекты проектов беспилотной авиации, реализованных на базе цифровой платформы CML-Bench®. В первой части (9.1) рассматривается разработка беспилотных воздушных судов с системой вертикального взлета-посадки серии «Снегирь», заделы и достижения в части разработки сверхлегкого самолета для агропромышленности CML-Aeroplane, обозначены ключевые вопросы становления процесса «цифровой сертификации» в рамках национального проекта технологического лидерства «Беспилотные авиационные системы», приведены сведения о реализации Стратегии развития беспилотной авиации РФ до 2030/2035 годов в части оснащения платформы цифровыми (виртуальными) испытательными стендами и полигонами для проведения цифровых испытаний БАС. Вторая часть (9.2) посвящена архитектуре, функциональным модулям и компонентам специализированной версии платформы — ЦП РПЦД БАС. В заключительной части (9.3) представлены результаты создания демонстратора программного комплекса для автоматизированного проектирования и расчета электрических винтомоторных групп беспилотных воздушных судов.

Краткое описание цифровой платформы CML-Bench®

Новые экономические вызовы и геополитические изменения требуют быстрого освоения сквозных передовых технологий, создания инновационных продуктов и достижения технологического лидерства в приоритетных отраслях промышленности в соответствии с национальными целями развития России [1]. Одной из таких критически важных приоритетных отраслей является беспилотная авиация — быстроразвивающаяся отрасль экономики, которая стимулирует опережающее развитие в смежных высокотехнологичных секторах, включая технологии цифрового проектирования и моделирования, что позволяет заложить основы цифровой трансформации промышленности, а также расширить границы применения беспилотных воздушных судов гражданского и военного назначения.

В 2023 году утверждена Стратегия развития беспилотной авиации РФ на период до 2030 года и на перспективу до 2035 года (Распоряжение Правительства РФ от 21 июня 2023 г. № 1630-р) — [2], в целях реализации которой запущен одноименный национальный проект технологического лидерства. Стратегия определила необходимость кардинального ускорения процессов разработки, производства и сертификации беспилотных воздушных судов (БВС), а также создания принципиально новой цифровой инфраструктуры для проектирования и испытаний БВС.

Ключевым инструментом достижения поставленных целей является цифровой инжиниринг — подход к разработке высокотехнологичных изделий, позволяющий заменить значительную часть дорогостоящих и длительных натурных испытаний цифровыми (виртуальными) испытаниями, а также управлять всем жизненным циклом изделия на основе технологии цифровых двойников. В соответствии с национальным стандартом ГОСТ Р 57700.37—2021 «Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения» [3] для разработки цифровых двойников и проведения цифровых испытаний рекомендуется применение программно-технологической платформы, обеспечивающей управление процессами и данными компьютерного моделирования (Simulation Process and Data Management, SPDM-системы [4]).

Важно подчеркнуть, что в ноябре 2023 года ГОСТ Р 57700.37—2021 был официально включен в перечень взаимно признаваемых стандартов в сфере авиастроения между Россией и Китайской Народной Республикой [5], что подтвердило высокий уровень значимости стандарта для развития технологии цифровых двойников не только в национальном, но и международном пространстве.

Российской SPDM-системой является разработка ПИШ СПбПУ — цифровая платформа по разработке и применению цифровых двойников CML-Bench® [6; 7]. Платформа прошла многократную отраслевую кастомизацию при выполнении наукоемких проектов для высокотехнологичных отраслей: автомобилестроения, двигателестроения, атомного, нефтегазового и энергетического машиностроения, авиастроения, судостроения, кораблестроения и др.

По состоянию на апрель 2026 года на цифровой платформе CML-Bench® представлено более 388 тыс. цифровых и проектных решений: в первую очередь верифицированных и валидированных математических, компьютерных и цифровых моделей, обладающих высоким уровнем адекватности реальным материалам, изделиям, физико-механическим, технологическим и эксплуатационным процессам, а также результатов цифровых испытаний, мульти- и междисциплинарных задач механики деформируемого твердого тела, механики жидкости и газа, тепломассообмена, оптимизации и других типов анализа, что является интеллектуальным научно-технологическим заделом (Digital Brainware) и обеспечивает преемственность проектов [8-14]. На платформе также реализованы AI-функциональные возможности (интеллектуальные помощники, редуцированные модели, многокритериальная многопараметрическая оптимизация), позволяющие ускорять многодисциплинарные расчеты и повышать их эффективность (AI-функциональные возможности платформы рассмотрены в частях 8.1 и 8.2 цикла статей [15; 16]).

Платформа включена в Единый реестр отечественного программного обеспечения и баз данных (реестровая запись № 9110 от 16.02.2021 г. на основании приказа Минцифры России от 16.02.2021 г. № 84), цифровая платформа CML-Bench® имеет статус «средство управления процессами и данными компьютерного моделирования (SPDM)» по основному классу [7].

CML-Bench® интегрирует более 225 программных систем и модулей, включая передовые CAD-, CAE-, CAO-, PDM- и PLM-решения. Среди интегрированных отечественных CAE-систем: FlowVision (ООО «Тесис»), CAE Fidesys (ООО «Фидесис»), Универсальный механизм (ООО «Вычислительная механика»), ELCUT 6.6 (ООО «Тор»), QForm (ООО «Кванторформ»), ЛОГОС (РФЯЦ-ВНИИЭФ) — [13] и др. Для решения задач импортозамещения в части управления жизненным циклом разработан модуль миграции данных из Siemens Teamcenter (PLM) на CML-Bench® [13].

Многолетний опыт и накопленный научно-технологический задел легли в основу создания специализированной версии платформы для отрасли беспилотных авиационных систем — Цифровой платформы разработки и применения цифровых двойников БАС (ЦП РПЦД БАС). В марте 2023 года ПИШ СПбПУ разработала концепцию единой среды проектирования БАС на базе CML-Bench®, которая затем была закреплена в Стратегии развития беспилотной авиации (пункт 2.4 плана мероприятий): «Cоздание и развитие отечественной цифровой платформы в целях оптимизации методик проектирования беспилотных авиационных систем и их компонентов» [2].

В 2024 году ПИШ СПбПУ заключила стратегический контракт с АНО «Федеральный центр БАС» на выполнение работ по развитию системы цифровых (виртуальных) испытательных стендов (далее — ВИС) и полигонов (ВИП), проведению цифровых испытаний элементов БВС [17], что подтвердило статус ПИШ СПбПУ в качестве полноправного участника реализации национального проекта технологического лидерства по развитию БАС.

Цифровая платформа разработки и применения цифровых двойников БАС (ЦП РПЦД БАС) на базе CML-Bench® является не просто программным продуктом, а системообразующим элементом формирующейся отрасли беспилотной авиации России, поскольку обеспечивает сквозной цифровой процесс проектирования, цифровых испытаний и «цифровой сертификации», а также служит базой для накопления моделей, знаний, компетенций и лучших практик. Подробнее результаты данной работы по разработке и наполнению ЦП РПЦД БАС будут представлены в части 9.2 цикла статей.

В 2023-2026 годах ПИШ СПбПУ были достигнуты значительные результаты, рассматриваемые в части 9.1 цикла статей:

• отработаны структура и принципы создания цифровых (виртуальных) испытательных стендов (ВИС), цифровых (виртуальных) испытательных полигонов (ВИП), параметрических шаблонов численных математических моделей (ПШЧММ) и численных математических моделей (ЧММ) для элементов БВС и конструкции БВС в целом на цифровой платформе CML-Bench®;
• разработаны опытные образцы беспилотных летательных аппаратов серии «Снегирь»: «Снегирь-1» (разработан от идеи до первого полета за рекордные пять месяцев), «Снегирь-1.5» (проведены усовершенствования цифровых моделей на базе цифровой платформы, отработана система управления) и «Снегирь-2» (улучшены характеристики, повышена устойчивость, внедрена модульность конструкции, унификация с возможностью быстрой сборки, разборки, замены элементов), которые успешно прошли летные испытания;
• победа команды ПИШ СПбПУ на Чемпионате России по спорту сверхлегкой авиации на модернизированном самолете МИКС-500 [18] в дисциплине «Микросамолет-1», что стало первым этапом создания нового сверхлегкого самолета CML-Aeroplane с применением подхода «цифровой сертификации» на базе цифровой платформы CML-Bench®;
• разработан оригинальный электродвигатель CML_03 с улучшенными тяговыми характеристиками для решения задач импортозамещения;
• проведено тестирование платформы ЦП РПЦД БАС специалистами компаний-разработчиков БАС по результатам обучения по работе на платформе. Обучение проводилось на базе инженерных задач компаний-разработчиков БАС (рассмотрены задачи для шести различных типов БВС: самолетного, вертолетного, мультироторного типа, конвертоплан, гидросамолет, циклолет и др.).

Особое значение для развития отрасли имеет внедрение «цифровой сертификации»* — этот термин введен в нормативное поле в редакции ПИШ СПбПУ и закреплен в Распоряжении Правительства РФ № 3113-р от 7 ноября 2023 года (а также в ред. Распоряжения Правительства РФ от 26 февраля 2026 г. № 378-р) [19; 20] — более подробно см. ниже. В ноябре 2025 года на VII Всероссийском форуме «Передовые цифровые и производственные технологии», который ежегодно организует ПИШ СПбПУ, состоялся круглый стол «Сертификация БАС», в котором приняли участие представители АНО «ФЦ БАС», Союза авиапроизводителей России, ЦАГИ и других организаций.

* «Цифровая сертификация» — специализированный бизнес-процесс, основанный на тысячах (десятках тысяч) цифровых (виртуальных) испытаний как отдельных компонентов, так и системы в целом, целью которого является прохождение с первого раза всего комплекса натурных, сертификационных и прочих испытаний [Расп. Правительства РФ от 7 ноября 2023 года № 3113-р (в ред. Расп. Правительства РФ от 26 февраля 2026 г. № 378-р)].

В ходе круглого стола обсуждался, в частности, риск-ориентированный подход к сертификации (с 1 марта 2026 года в Воздушный кодекс введено понятие «дифференцированный и соразмерный подход»), а также предложение об аккредитации цифровых (виртуальных) испытательных полигонов (ВИП) в Росавиации как официальных испытательных лабораторий. Такой подход обеспечит прохождение натурных сертификационных испытаний с первого раза и, в перспективе, позволит признавать результаты цифровых испытаний наравне с натурными, что кратно сократит сроки и стоимость вывода БВС на рынок, и является критически важным для формирования процедур «цифровой сертификации» в стране.

Цифровые испытания элементов БВС на цифровой платформе CML-Bench®

В методологии системного цифрового инжиниринга, реализованной на платформе CML-Bench®, первостепенным этапом в разработке беспилотного воздушного судна (БВС) является его иерархическая декомпозиция на функциональные и конструктивные подсистемы (рис. 1). Такая декомпозиция опирается на положения национальных стандартов — в частности, ГОСТ Р 59517—2021 «Беспилотные авиационные системы. Классификация и категоризация», ГОСТ Р 59519—2021 «БАС. Компоненты БАС. Спецификация и общие технические требования» и ГОСТ Р 59518—2021 «БАС. Порядок разработки». На их основе формируется структура, включающая шесть укрупненных подсистем: планер/конструкция, силовая установка, топливо, целевая нагрузка, снаряжение и спецоборудование, а также бортовое оборудование и системы. Каждая подсистема детализируется до конкретных компонентов: крыла, фюзеляжа, оперения, шасси, двигателя, винтов, топливной системы, аккумуляторных батарей и т.д.

Рассмотренная декомпозиция позволяет систематизировать проведение комплекса цифровых (виртуальных) испытаний двух критически важных основных подсистем:

• планер/конструкция — на платформе реализованы ВИС и ВИП для расчетов аэродинамики, аэроупругости и нагрузок, прочности, а также моделирования испытаний образцов материалов, включая композиционные материалы. Цифровые испытания охватывают как отдельные элементы (крыло, фюзеляж, оперение, шасси и др.), так и их взаимодействие в составе всей конструкции;
• силовая установка — платформа поддерживает цифровые испытания двигателей всех типов, применяемых в БАС: электрических (с возможностью моделирования винтомоторных групп), поршневых, турбовинтовых, газотурбинных, гибридных.

Таким образом, в процессе декомпозиции конструкции БВС формируется структурно-функциональная схема, на основе которой на платформе CML-Bench® строятся автоматизированные расчетные цепочки, определяются необходимые ВИС и формируется доказательная документация для демонстрации соответствия требованиям сертификационного базиса в рамках реализации процедур «цифровой сертификации». Именно такой подход позволяет перейти от изолированных испытаний компонентов к сквозному цифровому моделированию всей системы БВС, что значительно сокращает сроки и стоимость разработки.

На основе выполненной декомпозиции БВС на платформе CML-Bench® формируется иерархическая структура цифровых (виртуальных) испытаний, охватывающая все ключевые подсистемы и режимы эксплуатации (рис. 2). Эта структура реализована в виде взаимосвязанных ВИС и ВИП, каждый из которых предназначен для решения конкретных задач математического и компьютерного моделирования.

На цифровой платформе реализованы следующие ключевые ВИП:

• цифровой (виртуальный) испытательный полигон (ВИП) «Аэродинамика» объединяет ВИС для расчета характеристик крыла (построение поляр, кривых Жуковского, зависимостей аэродинамического качества от углов атаки и др.), аэродинамики БВС в самолетном режиме, аэродинамики устойчивости и управляемости и др. Для каждого ВИС используются соответствующие численные математические модели: от 2D-профилей крыла до полных 3D-моделей БВС с отклоненными рулевыми поверхностями, изменением углов крена, тангажа и рыскания и т.д.;
• цифровой (виртуальный) испытательный полигон (ВИП) «Аэроупругость и нагрузки» включает ВИС для расчета полетных и наземных нагрузок, а также решения задач аэроупругости, что позволяет оценивать поведение конструкции под действием аэродинамических сил и обеспечивать безопасность от явлений аэроупругости;
• цифровой (виртуальный) испытательный полигон (ВИП) «Прочность» охватывает статическую, динамическую и усталостную прочность, а также оценку интегральных жесткостных характеристик конструкции БВС. Цифровые испытания на этих ВИС позволяют обеспечить соответствие нормативным требованиям в части обеспечения прочности конструкции БВС и ее элементов, а также прохождение натурных испытаний с первого раза.

Отдельные ВИП предназначены для испытаний материалов — ВИП «Композиционные материалы», ВИП «Металлические материалы», ВИП «Неметаллические материалы». Для каждого типа материалов созданы соответствующие ВИС для испытаний образцов на растяжение, сжатие, сдвиг, изгиб, кручение, срез, ударное повреждение и т.д. Это позволяет формировать математические модели материалов, используемых в конструкции БВС, обладающих высоким уровнем адекватности, прошедших полный цикл цифровых испытаний и процедуры валидации, в том числе на основе результатов натурных испытаний, и применять их при расчетах конструкции в ВИП «Прочность».

Важное место занимает ВИП «Электромоторы», на котором проводятся цифровые испытания электродвигателей: определение собственных частот колебаний, продувка для оценки аэродинамического сопротивления и охлаждения, электромагнитные расчеты и анализ теплового состояния. Это особенно актуально для электрических и гибридных силовых установок, которые активно применяются в современных БВС.

Таким образом, разработанная и представленная иерархическая структура ВИП и ВИС на платформе CML-Bench® обеспечивает большой объем цифровых испытаний (только в 2024-2025 гг. разработаны и использовались в практике проектирования БВС разного типа 1800 ЧММ, 30 ПШЧММ, 75 ВИС и 20 ВИП) — от аэродинамики и нагрузок до прочности и работы двигателей, что представляет фундаментальную основу для «цифровой сертификации» беспилотных воздушных судов (рис. 2). При этом иерархическая структура ВИП и ВИС дополняется и совершенствуется по результатам эксплуатации платформы CML-Bench® сотрудниками ПИШ СПбПУ и разработчиками БВС.

Семейство БВС «Снегирь» — от идеи до летной лаборатории за пять месяцев

В августе 2023 года специалисты ПИШ СПбПУ в инициативном порядке приступили к разработке БВС гибридной схемы (вертикальный взлет/посадка + горизонтальный полет). Всего за пять месяцев — от формулировки требований до первого полета — был создан опытный образец «Снегирь-1» (рис. 3). Реализация проекта в короткие сроки стала возможной исключительно благодаря применению инструментов системного цифрового инжиниринга и цифровых испытаний на платформе CML-Bench®.

В ходе реализации проекта на цифровой платформе CML-Bench® было проведено более 300 многовариантных цифровых испытаний по аэродинамике, прочности и аэроупругости, что позволило оптимизировать компоновку, конструкцию и улучшить характеристики летательного аппарата, в первую очередь аэродинамические и весовые характеристики. После изготовления опытного образца БВС были проведены летные испытания для подтверждения заявленных характеристик.

В марте 2024 года макет «Снегирь-1» был представлен Первому Заместителю Председателя Правительства РФ Д.В. Мантурову на Всемирном фестивале молодежи (ВМФ-2024), а также Специальному представителю Президента РФ по вопросам цифрового и технологического развития, генеральному директору АНО «Платформа НТИ» Д.Н. Пескову и 40 отраслевым экспертам, руководителям производственных предприятий, АНО «Платформа НТИ» и АНО «Университет 2035» в рамках семинара по формуле автономности дрона под председательством Дмитрия Пескова в ПИШ СПбПУ.

Накопленные в процессе разработки БВС «Снегирь-1» цифровые данные (около 70% проектной информации) использованы для быстрого создания усовершенствованной модели «Снегирь-1.5» (2024 год). Созданные в рамках проекта «Снегирь-1» ВИП и ВИС, настроенные автоматизированные расчетные цепочки, параметризация граничных условий, варьирование материалов существенно сократили сроки разработки усовершенствованной модели.

В рамках проектирования БВС «Снегирь-1.5» на платформе CML-Bench® дополнительно разработаны специализированные ВИС, включая ВИС «Аэродинамический базис», «Модальный анализ», «Полетные нагрузки» и др. Это позволило эффективно провести расширенный цикл цифровых испытаний и изготовить БВС. В августе 2024 года «Снегирь-1.5» был представлен на форуме «Армия-2024», а в июле 2025 года — на выставке ИННОПРОМ-2025.

В 2025 году завершена разработка «Снегирь-2» — аппарата с улучшенными летно-техническими характеристиками (рис. 4). При его проектировании активно использовались редуцированные модели (ROM), построенные с помощью AI-функциональных возможностей платформы (CML-Bench®.RomAI) [15; 16].

Искусственный интеллект и редуцированные модели на платформе CML-Bench®

В частях 8.1 и 8.2 цикла статей рассмотрены три подсистемы, реализованные на платформе CML-Bench® [15; 16]:

• CML-Bench®.AI-Assistant для интеллектуальной поддержки принятия решений инженерами в процессе создания цифровых двойников изделий;
• CML-Bench®.RomAI для построения редуцированных (ROM — Reduced Order Models) и суррогатных моделей;
• CML-Bench®.OptiCore для многопараметрической многокритериальной оптимизации.

В отрасли беспилотной авиации данные подсистемы применены, в частности, для построения редуцированной модели воздушного обтекания БВС самолетного типа (рис. 5). Проведение цифрового испытания на суперкомпьютере с использованием полномасштабной CFD-модели занимает около 10 часов (4400 ядро-часов). ROM-модель, построенная на основе нескольких десятков таких расчетов, получает решение за 200 миллисекунд с максимальным отличием от полномасштабной CFD-модели в 1,87%. Тем самым достигнуто ускорение расчетов в миллион раз.

Это позволило инженерам-конструкторам в режиме реального времени (на летающей лаборатории «Снегирь-1» или при проектировании «Снегирь-2») оценивать влияние изменения геометрии крыла, угла атаки или скорости на аэродинамические характеристики, не дожидаясь очереди для расчетов на суперкомпьютере. Аналогичные ROM-модели разрабатываются для решения задач прочности, аэроупругости, тепломассообмена. Разработка редуцированных моделей на платформе CML-Bench® в рамках подсистемы CML-Bench®.RomAI соответствует оригинальному CML-подходу (NonLinear MultiPhysics CAE & ROM)Based AI/ML.

Легкомоторный самолет CML-Aeroplane и победа в чемпионате

В 2025 году в рамках реализации ключевого научно-технологического направления развития СПбПУ «Системный цифровой инжиниринг» (КНТН-1) стартовал проект по созданию легкомоторного самолета CML-Aeroplane. Первым этапом стала модернизация существующего сверхлегкого самолета МИКС-500 (модификация Х32 МИКС) аэроклуба АСТК «АЭРОМИКС».

Инженеры ОКБ ПИШ СПбПУ выполнили на платформе CML-Bench® комплекс цифровых испытаний по оценке аэродинамических характеристик сверхлегкого самолета. Использование методов вычислительной аэродинамики (CFD) и суперкомпьютерного моделирования позволило провести десятки испытаний и получить поля скоростей, давлений и вихревых структур для самолета и отдельных его конструктивных элементов в различных режимах полета (взлет, крейсерский полет, посадка) на сеточных моделях в десятки и даже сотни миллионов ячеек. Особое внимание уделено вихреобразованию за стойками шасси и подкосами крыла, где для получения картины завихренности использовалась гибридная вихреразрешающая DES-модель (рис. 6).

По результатам цифровых испытаний спроектированы и установлены обтекатели колес передней и основных опор, для подкосов крыла спроектирован профиль, уменьшающий аэродинамическое сопротивление. После внесения изменений повторно проведен комплекс цифровых испытаний модернизированной конфигурации.

Сравнение результатов «до» и «после» показало уменьшение коэффициента лобового сопротивления и интенсивности вихрей за шасси на 3%, улучшение аэродинамического качества, снижение нагрузок на конструкцию.

Модернизированный самолет успешно прошел летные испытания. Сопоставление данных реальных полетов (телеметрия, показания датчиков, субъективные оценки пилота) с расчетными характеристиками подтвердило высокую адекватность цифровых моделей — расхождение не превысило 3-5%.

В августе 2025 года на аэродроме «Серёдка» (Псковская область) прошел Чемпионат России по спорту сверхлегкой авиации. Команда ПИШ СПбПУ впервые принимала участие в чемпионате подобного уровня, что потребовало существенной предварительной подготовки как инженеров, так и пилотов, и выступила на доработанном самолете МИКС-500 в дисциплине «Микросамолет-1». По результатам соревнований команда одержала победу (рис. 7) — [18].

Модернизация МИКС-500 — это демонстрационный проект, показавший, что цифровые испытания способны обеспечить быструю и достоверную оптимизацию реального авиационного изделия. Полученный опыт и валидированные модели будут использованы в 2026-2027 годах при создании на базе CML-Bench® полноценного цифрового двойника нового беспилотного воздушного судна для агропромышленности CML-Aeroplane, а также при изготовлении опытного образца. На основе цифрового двойника в конструкции прорабатываются следующие задачи:

• внедрение передовых композиционных материалов;
• уменьшение веса с сохранением жесткостных и прочностных характеристик;
• улучшение аэродинамических характеристик;
• оптимизация конструктивно-силовой схемы.

По сравнению с традиционным Ан-2, новое БВС CML-Aeroplane сможет взлетать с небольших площадок (50×100 м), экономить химикаты на 20-30% за счет ультрамалообъемного опрыскивания и использовать мощный турбулентный поток от толкающего винта для обработки нижней стороны листьев. Все эти режимы прорабатываются с применением суперкомпьютерного моделирования на платформе CML-Bench®.

Разработка электродвигателя для БВС

Одним из ключевых вызовов для формируемой отрасли беспилотной авиации является замещение иностранных комплектующих, в частности — электродвигателей для беспилотных летательных аппаратов. Инженеры ПИШ СПбПУ решили эту проблему, создав собственный электродвигатель CML_03 с улучшенными тяговыми характеристиками полностью из российских материалов [21].

Работа над CML_03 велась с применением полного цикла системного цифрового инжиниринга на платформе CML-Bench®:

• изучение лучших зарубежных образцов — проведены стендовые испытания нескольких типов доступных зарубежных электродвигателей, получены их реальные характеристики (тяга, КПД, тепловыделение, надежность);
• построение математических и компьютерных моделей — на платформе CML-Bench® спроектирован электродвигатель, в частности созданы мультидисциплинарные модели, описывающие электромагнитные, тепловые и механические процессы. Модели параметризованы, что позволяет быстро изменять количество полюсов, форму магнитов, геометрию зубцов статора и другие параметры;
• цифровые (виртуальные) испытания — выполнена серия цифровых испытаний для оптимизации конструкции, исследовано влияние:

◦ количества полюсов на момент и равномерность вращения, ◦ формы магнитов на распределение магнитного поля, ◦ геометрии коронок зубцов на потери в стали и перегрев;

• изготовление и испытания опытного образца — на основе оптимизированной цифровой модели был изготовлен и испытан на стенде электродвигатель CML_03;
• валидация моделей — результаты цифровых испытаний были сопоставлены с данными натурных стендовых экспериментов (на реальных прототипах), подтверждено достижение высокой адекватности разработанных моделей и проведенных цифровых испытаний — цифровая модель достоверно отражает поведение реального двигателя.

По сравнению с лучшими зарубежными аналогами (в частности, двигателями, широко применяемыми в БВС мультироторного и самолетного типов), CML_03 обеспечивает:

• увеличение пиковой мощности на 15% благодаря оптимизации магнитной системы и обмоток;
• повышение КПД на 2%, что критически важно для увеличения дальности и времени полета БПЛА;
• снижение массы на 10% за счет оптимизации формы магнитов и коронок зубцов без потери прочности.

Опытный образец электродвигателя CML_03 был представлен в ходе визита делегации Республики Татарстан во главе с раисом Рустамом Миннихановым в ПИШ СПбПУ (апрель 2025 года).

«Цифровая сертификация» и риск-ориентированный подход

В ноябре 2025 года на VII Всероссийском форуме «Передовые цифровые и производственные технологии» в ПИШ СПбПУ состоялся круглый стол «Сертификация БАС» с участием генерального директора Союза авиапроизводителей России А.Д. Рогозина, заместителя генерального директора АНО «ФЦ БАС» Д.С. Иванова, заместителя генерального директора «Центрального аэрогидродинамического института (ЦАГИ) им. Н.Е. Жуковского» К.С. Анисимова и других экспертов отрасли [22]. Ключевым вопросом для обсуждения стал переход к риск-ориентированному подходу: технические требования к БАС дифференцируются в зависимости от ожидаемых рисков эксплуатации (низкий, средний, высокий). Это позволяет не предъявлять избыточных требований к простым БВС, работающим над безлюдной местностью, и ужесточать их для тяжелых БВС, эксплуатируемых над городской застройкой.

С 1 марта 2026 года в Воздушном кодексе РФ введено понятие «дифференцированный и соразмерный подход», а также создан новый класс воздушного пространства «Н» для снижения рисков [23]. Обязательными становятся удаленная идентификация и система прекращения полета. При этом эксперты пояснили, что математическое моделирование — ключевой способ ускорения сертификации: цифровые испытания не заменяют натурные испытания, которые служат основой для валидации математических моделей [22], и обеспечивают прохождение сертификационных испытаний с первого раза.

Важным шагом также стало предложение зарегистрировать цифровые испытательные полигоны в Росавиации как официальные испытательные лаборатории, что было озвучено на VII Всероссийском форуме [22]. Если цифровой (виртуальный) испытательный стенд (ВИС) будет определен в качестве такового, то результаты проведенных на нем цифровых испытаний можно будет предъявлять в составе доказательной документации наравне с натурными. АНО «ФЦ БАС» анонсировал пилотный проект по полной сертификации БВС массой более 30 кг (получение сертификата типа) с использованием Цифровой платформы разработки и применения цифровых двойников БАС, разрабатываемой ПИШ СПбПУ.

Экономический эффект очевиден: традиционная сертификация тяжелого БПЛА (например, БАС200, тяжелый БПЛА вертолетного типа, предназначенный для транспортировки грузов до 50 кг, разработанный АО «НЦВ Миль и Камов», входит в Госкорпорацию «Ростех») обошлась в 142 млн руб. и заняла более полутора лет [13; 24; 25]. Внедрение «цифровой сертификации» на базе CML-Bench® позволяет сократить сроки в 2-3 раза и снизить затраты не менее чем на 40%, что подтверждено представителями отрасли.

В этом направлении важно отметить глобальный тренд на переход авиационной промышленности к парадигме «цифровой сертификации»: документами NASA 2021 года (включая Руководство по «цифровой сертификации» самолетов NASA и дорожную карту по «цифровой сертификации» самолетов и авиадвигателей) предусмотрено достижение основной цели — «сертификация на основе численного моделирования» (Certification by Simulation) к 2040 году [26; 27].

Заключение

Успехи ПИШ СПбПУ в области беспилотной и легкой авиации стали возможны благодаря многолетнему опыту в области системного цифрового инжиниринга и применению цифровой платформы CML-Bench®. Именно внедрение технологии цифровых двойников, многовариантные цифровые испытания на специализированных цифровых испытательных стендах и полигонах, сквозное управление требованиями и данными позволяют инженерам ПИШ СПбПУ разрабатывать, модернизировать и выводить на испытания сложные авиационные изделия в рекордно короткие сроки с минимальными затратами.

Представленная девятая часть цикла статей описывает результаты развития технологии цифровых двойников в отрасли беспилотной авиации в рамках реализации проектов с применением отечественной SPDM-системы цифровой платформы CML-Bench®. Платформа претерпела эволюцию — из универсального инструмента цифрового инжиниринга в специализированное отраслевое решение — цифровую платформу разработки и применения цифровых двойников БАС (более подробно см. в части 9.2), которая полностью соответствует задачам Стратегии развития беспилотной авиации РФ и национального проекта технологического лидерства «Беспилотные авиационные системы».

В рамках деятельности в области беспилотных систем в марте 2026 года Передовая инженерная школа СПбПУ «Цифровой инжиниринг» представила новую магистерскую программу «Системный цифровой инжиниринг беспилотных авиационных систем» (набор — с сентября 2026 года) [28]. Программа нацелена на подготовку инженеров, владеющих методологией системного цифрового инжиниринга, сквозного цифрового проектирования, разработки цифровых двойников, проведения цифровых испытаний и «цифровой сертификации» БВС на базе платформы CML-Bench®. С первого семестра магистранты будут вовлечены в реализацию реальных НИОКР по заказам индустриальных партнеров — предприятий авиастроения и беспилотной авиации. В частности, студенты будут:

• разрабатывать математические и компьютерные модели БВС;
• проводить многовариантные цифровые испытания на специализированных ВИС и ВИП — аэродинамика, прочность, аэроупругость, нагрузки и др.;
• использовать технологию цифровых двойников для оптимизации конструкции;
• участвовать в разработке и изготовлении опытных образцов БВС, проведении летных испытаний на базе Опытного конструкторского бюро (ОКБ) ПИШ СПбПУ.

На платформе возможно автоматическое формирование «цифрового следа» каждого студента: фиксируются созданные модели, проведенные цифровые испытания, полученные результаты и их соответствие требованиям [13].

Таким образом, магистерская программа ПИШ СПбПУ «Системный цифровой инжиниринг беспилотных авиационных систем» — это не просто обучение, а встроенный механизм генерации, накопления и использования инженерных знаний на платформе CML-Bench®, что напрямую способствует достижению технологического лидерства России в беспилотной авиации.

В следующих частях цикла статей будут рассмотрены вопросы архитектуры отраслевой платформы для беспилотной авиации ЦП РПЦД БАС (часть 9.2) и результаты реализации проекта по разработке демонстратора программного комплекса проектирования электродвигателей БВС [29] — часть 9.3.

Список источников

1. Указ Президента РФ от 7 мая 2024 г. № 309 «О национальных целях развития РФ на период до 2030 года и на перспективу до 2036 года». URL: http://publication.pravo.gov.ru/document/0001202405070015.
2. Распоряжение Правительства РФ от 21 июня 2023 г. № 1630-р. URL: http://static.government.ru/media/files/3m4AHa9s3PrYTDr316ibUtyEVUpnRT2x.pdf.
3. ГОСТ Р 57700.37—2021 Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения. URL: https://protect.gost.ru/document.aspx?control=7&id=241313.
4. Приказ Министерства цифрового развития, связи и массовых коммуникаций РФ от 22 сентября 2020 г. № 486. URL: https://base.garant.ru/74832091/.
5. Китай официально признал российский ГОСТ Р 57700.37—2021 Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения. URL: https://fea.ru/news/8683.
6. CML-Bench® — цифровая платформа по разработке и применению цифровых двойников. URL: https://cml-bench.ru/.
7. Цифровая платформа по разработке и применению цифровых двойников CML-Bench® — Реестр программного обеспечения. URL: https://reestr.digital.gov.ru/reestr/310460/?sphrase_id=1514023.
8. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 1) / А.И. Боровков [и др.] // САПР и графика. 2023. № 8. С. 42-51.
9. Боровков А.И. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 2) / А.И. Боровков, В.В. Бураков // САПР и графика. 2023. № 9. С. 54-64.
10. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 3) / А.И. Боровков [и др.] // САПР и графика. 2023. № 10. С. 50-62.
11. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 4) / А.И. Боровков [и др.] // САПР и графика. 2024. № 5. С. 4-12.
12. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 5) / А.И. Боровков [и др.] // САПР и графика. 2024. № 7. С. 4-16.
13. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 6) / А.И. Боровков [и др.] // САПР и графика. 2024. № 8. С. 12-24.
14. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 7): разработка и применение цифровых двойников композиционных материалов / А.И. Боровков [и др.] // САПР и графика. 2025. № 7. С. 4-18.
15. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 8.1): применение параметрической оптимизации, методов машинного обучения и генеративного искусственного интеллекта при разработке цифровых двойников изделий / А.И. Боровков [и др.] // САПР и графика. 2025. № 10. С. 19-29.
16. Цифровая платформа по разработке и применению цифровых двойников «Digital Twins» CML-Bench® (часть 8.2): применение параметрической оптимизации, методов машинного обучения и генеративного искусственного интеллекта при разработке цифровых двойников изделий / А.И. Боровков [и др.] // САПР и графика. 2025. № 11. С. 32-41.
17. Передовая инженерная школа СПбПУ «Цифровой инжиниринг» выиграла стратегически важный конкурс и заключила контракт с АНО «Федеральный центр беспилотных авиационных систем». URL: https://fea.ru/news/8904.
18. Команда Петербургского Политеха победила в Чемпионате России по спорту сверхлегкой авиации. URL: https://pish.spbstu.ru/news/9171.
19. Распоряжение Правительства РФ от 07.11.2023 г. № 3113-р. URL: http://government.ru/docs/all/150406/.
20. Правительство актуализировало стратегическое направление в области цифровой трансформации обрабатывающих отраслей промышленности. URL: http://government.ru/news/57959/.
21. Инженеры Научного центра мирового уровня СПбПУ «Передовые цифровые технологии» разработали и изготовили электродвигатель для беспилотников. URL: https://nticenter.spbstu.ru/news/8944.
22. «Сертификация БАС» — круглый стол на VII Всероссийском форуме «Передовые цифровые и производственные технологии» в СПбПУ. URL: https://fea.ru/news/9283.
23. Воздушный кодекс РФ от 19 марта 1997 г. N 60-ФЗ (с изм. и доп.). URL: https://base.garant.ru/10200300/9db18ed28bd6c0256461e303941d7e7a/.
24. Минтранс РФ установил ценовой предел для сертификации беспилотников до 30-70 млн руб. URL: https://www.interfax.ru/russia/898017.
25. Сертификация БАС обходится в 150 млн рублей. URL: https://dronus.ru/news/sertifikatsiya-bespilotnika.
26. High-Lift Common Research Model (CRM-HL) — NASA, 2021. URL: https://ntrs.nasa.gov/api/citations/20210010908/downloads/06-NASA-IFAR-Cert-CRM-HL-Wahls-final.pdf.
27. NASA/CR-20210015404 A Guide for Aircraft Certification by Analysis. URL: https://ntrs.nasa.gov/api/citations/20210015404/downloads/NASA-CR-20210015404%20updated.pdf.
28. В ПИШ СПбПУ «Цифровой инжиниринг» открыта новая магистерская программа «Системный цифровой инжиниринг беспилотных авиационных систем». URL: https://fea.ru/news/9324.
29. Архипелаг-2025: Специалисты ПИШ СПбПУ представили демонстратор программного комплекса автоматизированного проектирования и расчета электрических винтомоторных групп беспилотных воздушных судов на выставке-конкурсе «Дронгараж». URL: https://pish.spbstu.ru/news/9174.

Аннотация. В статье рассматривается технологическая архитектура и AI/ML-функциональность платформ Palantir Technologies, развёрнутых в Украине. Анализируются четыре ключевых продукта — Gotham, Foundry, Apollo и AIP, — их роль в создании «операционной системы для войны», а также совместный проект Brave1 Dataroom, превративший страну в крупнейший испытательный полигон для военных ИИ-решений. Особое внимание уделяется техническим аспектам интеграции данных, компьютерному зрению, автономным системам и архитектурным принципам, обеспечивающим работу в условиях высококонкурентной среды.

1. Введение: от данных к оружию

С начала полномасштабного вторжения России в Украину характер ведения войны претерпел фундаментальные изменения. Как отмечается в аналитических обзорах, «война перестаёт определяться платформами, вооружением или возможностями одного операционного домена — теперь её исход решают данные, модели, алгоритмы и межсетевые взаимодействия». В этом контексте Palantir Technologies заняла уникальное положение: компания, основанная в 2003 году при участии инвестиционного подразделения ЦРУ In-Q-Tel, превратилась из поставщика аналитического ПО в «операционную систему», способную «превращать данные в оружие».

На сегодняшний день Palantir входит в десятку крупнейших технологических компаний США с капитализацией, превышающей $440 млрд. Её технологии используются армиями, правительствами и спецслужбами США и стран НАТО. Однако именно Украина стала местом, где эти технологии проходят проверку в самых жёстких условиях, а сама страна превратилась в «крупнейший испытательный полигон цифровой войны».

2. Архитектурный фундамент: четыре платформы Palantir

Продуктовый портфель Palantir представляет собой не набор разрозненных решений, а «вокруг данных — модели — задачи — огневого воздействия построенную системную архитектуру». В основе лежат четыре взаимосвязанные платформы:

2.1. Gotham — платформа разведывательной аналитики

Gotham — флагманский продукт Palantir, изначально создававшийся для нужд американских разведывательных и оборонных структур. Это «платформа принятия решений для операций с поддержкой ИИ». Ключевые AI/ML-возможности Gotham:

• Интеграция и визуализация данных в реальном времени — платформа объединяет потоки с беспилотников, спутников, радаров, радиоперехватов и наземных сенсоров в единую оперативную картину.
• Обнаружение угроз и аномалий — ИИ и ML выявляют скрытые закономерности в данных, «от источников сигнальной разведки до сообщений осведомителей».
• Геопространственный анализ — наложение разведывательных данных на видео в режиме реального времени с использованием дополненной реальности.
• Автономное управление сенсорами — Gotham позволяет «автономно назначать задачи сенсорам — от дронов до спутников — на основе правил, управляемых ИИ, или ручного ввода для контроля с участием человека».
• AI-управляемый цикл поражения (kill chain) — платформа поддерживает военнослужащих «бесшовной и ответственной интеграцией идентификации целей и подбором средств поражения».

Архитектура Gotham построена на объектной базе данных RevDB с динамической онтологией, что позволяет гибко моделировать любые сущности поля боя. Расширяемая архитектура обеспечивает интеграцию с унаследованными системами, API и сторонними AI-инструментами.

2.2. Foundry — операционная система для организации

Foundry — платформа для коммерческого и государственного секторов, выполняющая роль «операционной системы для современной организации». Её AI/ML-функциональность включает:

• Более 200 встроенных коннекторов для интеграции данных из ERP-систем, IoT-потоков и баз данных.
• Автоматизированные low-code конвейеры для унификации структурированных и неструктурированных данных.
• Встроенные ML-возможности для прогнозной аналитики, оптимизации цепочек поставок и управления рисками.
• Оркестрация рабочих нагрузок в реальном времени через Apache Spark и Flink.
• Infrastructure as Code — управление всей вычислительной инфраструктурой в виде кода, «включая конфигурации, политики и развёртывание».

В контексте Украины Foundry выполняет роль «цифрового фундамента»: «все данные с полей боя — со спутников, беспилотников, радаров, разведывательных данных и каналов обмена информацией с союзниками — поступают в Foundry, проходят очистку, обработку и семантическое моделирование через Ontology, формируя цифровую основу поля боя».

2.3. Apollo — автономное развёртывание и управление жизненным циклом

Apollo — платформа, обеспечивающая «автономное развёртывание и управление жизненным циклом» ПО Palantir в гетерогенных и распределённых средах. Её ключевая функция — доставка обновлений и поддержание работоспособности систем даже в условиях, когда традиционные каналы связи нарушены или отсутствуют. В сочетании с Rubix (решением для zero-trust Kubernetes) Apollo обеспечивает безопасное развёртывание в любых инфраструктурах — от защищённых дата-центров до мобильных контейнеров у линии фронта.

2.4. AIP (Artificial Intelligence Platform) — ИИ-слой

AIP — наиболее молодой и динамично развивающийся продукт Palantir, запущенный в 2023 году. Это «генеративный ИИ-слой, построенный поверх Foundry и Gotham», который «не просто подключает API больших языковых моделей, а создаёт полноценную корпоративную ИИ-операционную систему».

Архитектура AIP строится на трёх уровнях:

1. Семантический слой данных (Ontology) — создаёт цифровой двойник организации, организуя сложные данные и логику во взаимосвязанные виртуальные объекты.
2. Двигательный слой (Dynamics) — обеспечивает выполнение бизнес-логики и рабочих процессов.
3. Динамический слой принятия решений — интегрирует бизнес-правила, AI-модели и симуляции для «прогнозирования оптимальных вариантов, проведения многошаговых симуляций и обратной связи результатов в систему, формируя непрерывно оптимизируемый замкнутый цикл».

AIP включает Agent-фреймворк, поддерживающий «динамическую оркестрацию многошаговых задач — агенты могут самостоятельно разбивать сложную задачу на подзадачи». В военном контексте AIP выступает как «центр принятия решений на театре военных действий, вызывая LLM и инструментальные модели для генерации планов действий и через безопасные автоматизированные процессы приводя в действие Kill Web во всех пяти доменах — воздушном, морском, наземном, космическом и электромагнитном».

3. Maven Smart System: ИИ-командование на поле боя

Maven Smart System (MSS) — специализированное решение Palantir, изначально развивавшееся как проект Пентагона «для ускорения анализа разведывательной информации, спутниковых снимков и данных с сенсоров». В Украине MSS используется для управления войсками на различных участках фронта.

Технические характеристики MSS:

• Обработка данных с множественными уровнями секретности — от несекретных до совершенно секретных — в едином настраиваемом интерфейсе.
• Интеграция сторонних AI-моделей для сценарного моделирования.
• Анализ более 150 источников данных — спутниковые снимки, видео с дронов, перехваченные коммуникации, наземные сенсоры.
• Компьютерное зрение для автоматического обнаружения и классификации транспортных средств на поле боя.
• Поддержка CJADC2 (Combined Joint All-Domain Command and Control) — объединённого вседоменного командования и управления.

Немецкий генерал-лейтенант Кай Роршнайдер, командующий объединённым командованием НАТО по мобильности, назвал военную ценность MSS «огромной», отметив, что система «освобождает командование от рутинной работы с данными, позволяя сосредоточиться на анализе и принятии решений». По его словам, «тот, у кого нет таких технологий, не имеет шансов на успех ни на тактическом, ни на оперативном уровне».

MSS развёртывается в распределённой архитектуре с использованием морских контейнеров, содержащих вычислительное оборудование, системы охлаждения и связи. «В случае уничтожения одного контейнера можно переключиться на соседние, повышая живучесть системы».

4. Brave1 Dataroom: AI-инфраструктура на реальных боевых данных

Brave1 Dataroom — совместный проект Министерства обороны Украины, Министерства цифровой трансформации, Вооружённых сил, Научно-исследовательского института военной разведки и Palantir. Это защищённая среда, где разработчики получают доступ к структурированным наборам данных для валидации, обучения и тонкой настройки военных AI-решений.

Технические характеристики платформы:

• Курируемые визуальные и тепловизионные наборы данных воздушных целей, собранные в реальных боевых условиях.
• Данные охватывают различные типы целей, погодные условия, время суток и типы сенсорных систем.
• Особый акцент на противодействие беспилотникам типа Shahed.
• Более 100 украинских компаний обучают свыше 80 AI-моделей для обнаружения и перехвата воздушных целей.

Главная цель платформы — «максимально быстро оснастить 100% дронов, действующих на линии фронта, компьютерным зрением и искусственным интеллектом». Уже достигнуты следующие результаты:

• Дроны-перехватчики нового поколения автономно перехватывают и уничтожают БПЛА типа Shahed.
• Один из участников Brave1 разработал технологию, автоматизирующую 95% всего процесса перехвата.
• На фронте активно применяются десятки систем на основе ИИ и компьютерного зрения, выполняющих тактические и стратегические задачи.

5. Применение AI/ML на поле боя: компьютерное зрение и автономные системы

Технологии Palantir нашли применение в широком спектре боевых задач:

Программное обеспечение PRISMA от Palantir активно используется в украинских командных пунктах ударных беспилотников дальнего радиуса действия, обеспечивая «управление тысячами беспилотников одновременно, находя уязвимые места во вражеской обороне».

По словам военного эксперта Юрия Кнутова, ИИ широко внедряется в дроны последнего поколения: «туда закладывается цифровая карта со спутника, и беспилотник летит по маршруту, сравнивая данные с заложенными в памяти и корректируя полёт. Подлетая к цели, беспилотник набирает высоту, сравнивает изображение с тем, что заложено, и, если совпадение есть, осуществляется атака. Человек практически в схеме не участвует».

6. Архитектурные принципы: онтология, безопасность и непрерывное обучение

6.1. Онтология как семантическое ядро

Центральным архитектурным элементом всех платформ Palantir является Ontology — семантический слой, создающий «управляемый семантический слой — унифицированное представление данных». Онтология «интегрирует три составляющих элемента принятия решений в масштабируемую систему», объединяя NVIDIA-акселерированные вычисления, открытые модели и библиотеки оптимизации маршрутов.

6.2. Безопасность и многоуровневый доступ

Архитектура Palantir предусматривает сочетание политик доступа на основе маркировки, назначения и ролей. Это критически важно для работы с разведданными разных уровней секретности в единой среде.

6.3. Непрерывное обучение моделей

Ключевая особенность экосистемы Palantir — обратная связь: «каждое действие пользователя возвращается в систему, так что AI-модели непрерывно уточняются на основе обратной связи операторов и живых данных». Это создаёт механизм постоянного совершенствования, недоступный в лабораторных условиях.

7. Заключение

Платформы Palantir представляют собой не просто набор инструментов, а целостную экосистему, где Foundry обеспечивает интеграцию и управление данными, Gotham — разведывательную аналитику и целеуказание, AIP — ИИ-принятие решений, а Apollo — автономное развёртывание в любых условиях. Вместе они образуют «операционную систему для войны», где данные превращаются в действия с минимальной задержкой.

Украина стала уникальным испытательным полигоном для этой экосистемы. Реальные боевые условия, противодействие РЭБ, огромные объёмы разнородных данных и необходимость принятия решений за секунды — всё это позволило Palantir проверить и доработать свои технологии в условиях, которые невозможно воспроизвести ни в одной лаборатории мира.

Brave1 Dataroom, в свою очередь, представляет собой новый этап эволюции: переход от использования готовых AI-решений к созданию национальной AI-инфраструктуры, где сотни украинских компаний обучают собственные модели на реальных боевых данных. Это превращает Украину из пассивного потребителя технологий в активного разработчика военного ИИ — и одновременно делает страну ещё более ценным партнёром для Palantir.

Как отметил генерал Роршнайдер, технологии ИИ становятся не просто преимуществом, а необходимым условием выживания на современном поле боя. И Украина, благодаря сотрудничеству с Palantir, оказалась на переднем крае этой трансформации.

Список литературы

1. Nasdaq.com. PLTR's Foundry and Gotham Accelerate Enterprise AI Expansion. 2026. URL: https://www.nasdaq.com/articles/pltrs-foundry-and-gotham-accelerate-enterprise-ai-expansion (дата обращения: 02.09.2026).
2. Nasdaq.com. Foundry & Gotham: The Engines Driving Palantir's Enterprise AI Rise. 2025. URL: https://www.nasdaq.com/articles/foundry-gotham-engines-driving-palantirs-enterprise-ai-rise (дата обращения: 02.09.2026).
3. Zhuanlan.zhihu.com. PALANTIR在现代战争中的体系化应用分析. 2026. URL: https://zhuanlan.zhihu.com/p/2055204171410825437 (дата обращения: 02.09.2026).
4. Palantir.com. AI-Enabled Operations (White Paper). 2022. URL: https://www.palantir.com/assets/xrfr7uokpv1b/3A0y10xksgXENvRMNaAsUu/ed8f7f1ed534c0101f64536a85f7297b/Gotham_AI-Enabled_Operations_White_Paper.pdf (дата обращения: 02.09.2026).
5. Palantir.com. Gotham. 2023. URL: https://www.palantir.com (дата обращения: 02.09.2026).
6. Russiatoday.ru. Военный аналитик Кнутов: Palantir широко внедрила ИИ в систему управления ВСУ. 2026. URL: https://russiatoday.ru/science/news/1677182-analitik-ii-ukraina (дата обращения: 02.09.2026).
7. Rossaprimavera.ru. Немецкий генерал НАТО высоко оценил военную систему компании «Палантир». 2026. URL: https://rossaprimavera.ru/news/80783a87 (дата обращения: 02.09.2026).
8. Kyiv24.com. Использование искусственного интеллекта в обороне Украины с Palantir. 2026. URL: https://kyiv24.com/ru/yspolzovanye-yskusstvennogo-yntellekta-oborone-sotrudnychestvo (дата обращения: 02.09.2026).
9. 5.ua. Украина усиливает сотрудничество с Palantir в сфере AI и defence tech – Федоров. 2026. URL: https://www.5.ua/ru/obshchestvo/ukrayna-usylyvaet-sotrudnychestvo-s-palantir-v-sfere-ai-y-defence-tech-fedorov-376083.html (дата обращения: 02.09.2026).
10. Defensemirror.com. Ukrainian MoD, Palantir Tech Developing Drone Detection Models Using Russian War Data. 2026. URL: https://defensemirror.com/news/41613 (дата обращения: 02.09.2026).
11. Cabinet of Ministers of Ukraine. Ministry of Defence: Over 100 Ukrainian companies are already leveraging Brave1 Dataroom to train AI models. 2026. URL: https://www.kmu.gov.ua/en/news/minoborony-ponad-100-ukrainskykh-kompanii-uzhe-trenuiut-shi-na-danykh-brave1-dataroom (дата обращения: 02.09.2026).
12. Blog.palantir.com. Connecting Agents to Decisions. 2026. URL: https://blog.palantir.com (дата обращения: 02.09.2026).
13. Blog.palantir.com. Enabling Responsible AI in Palantir Foundry. 2025. URL: https://blog.palantir.com (дата обращения: 02.09.2026).
14. Lokad.com. Обзор Palantir, поставщика корпоративных решений для интеграции данных и платформ ИИ. URL: https://www.lokad.com (дата обращения: 02.09.2026).
15. Securitylab.ru. Украина превращается в испытательный полигон для военного ИИ. 2026. URL: https://www.securitylab.ru (дата обращения: 02.09.2026).

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

Введение

В марте 2025 года Siemens AG завершила приобретение Altair Engineering Inc. — одного из ведущих мировых поставщиков программного обеспечения для промышленного моделирования и анализа [1, 2, 9]. Стоимость сделки составила приблизительно 10 млрд долларов США (по другим данным — 10,6 млрд) [2, 3, 8, 9], что делает её крупнейшим приобретением в истории Siemens [1, 6, 7, 11]. Предыдущий рекорд принадлежал покупке нефтегазового оборудования Dresser-Rand Group в 2015 году за 7,6 млрд долларов [0]. Для инженерного сообщества это событие ознаменовало начало новой эры — эры, в которой генеративный дизайн, высокопроизводительные вычисления (HPC) и инструменты искусственного интеллекта перестали существовать изолированно.

Настоящий обзор посвящён анализу стратегических мотивов сделки, процессу интеграции технологий, влиянию на рынок промышленного ПО и перспективам развития объединённого портфеля решений.

1. Стратегические мотивы сделки

1.1. Укрепление лидерства в промышленном ПО

Приобретение Altair — не просто расширение портфеля, а реализация стратегии Siemens по созданию «самого полного в мире ИИ-ориентированного портфеля промышленного ПО» [1, 9]. Как отметил председатель правления и CEO Siemens AG Роланд Буш: «Приобретение Altair знаменует собой важную веху для Siemens. Добавление компетенций Altair в области моделирования, высокопроизводительных вычислений, науки о данных и искусственного интеллекта вместе с Siemens Xcelerator создаст самый полный в мире портфель проектирования и моделирования на базе ИИ» [1, 8].

Сделка стала краеугольным камнем программы ONE Tech Company, направленной на рост цифровой выручки и расширение рыночного присутствия Siemens [6, 9]. По словам Роланда Буша: «Через программу ONE Tech Company мы расширим наше лидерство в области промышленного ПО. Это позволит всем отраслям воспользоваться преимуществами революции, движимой данными и искусственным интеллектом» [9, 10].

1.2. Крупнейшая сделка в истории Siemens

Приобретение Altair стало самой масштабной сделкой в истории компании [0, 1, 6, 7]. Как сообщает Manufacturing Dive, Роланд Буш назвал это приобретение «крупнейшим в истории Siemens» [6, 7]. По данным ряда источников, сумма сделки составила 106 млрд долларов [0, 2, 8], что превысило предыдущий рекорд — покупку Dresser-Rand Group за 7,6 млрд долларов в 2015 году [0][1†L23]. Согласно информации Morningstar, это крупнейшее приобретение в истории группы [1].

1.3. Дополняющий характер портфелей

Продуктовые линейки Siemens и Altair оказались в высокой степени дополняющими [1, 8]. Altair признана лидером в области вычислительных наук с сильными компетенциями в моделировании, искусственном интеллекте и машинном обучении, а также в высокопроизводительных вычислениях через такие решения, как HyperWorks, RapidMiner и HPCWorks [1, 9]. Siemens, в свою очередь, обладает мощными позициями в области механического проектирования и EDA (электронного проектирования) [8].

Как пояснил Жан-Клод Эрколанелли, старший вице-президент Siemens Digital Industries Software по решениям для моделирования и испытаний: «Altair была привлекательной целью для приобретения, потому что она привносит технологии, которые идеально дополняют то, что мы уже предлагаем в Simcenter» [5]. Объединение этих компетенций позволяет закрыть существовавшие ранее технологические пробелы и предложить клиентам сквозные рабочие процессы — от концептуального проектирования до виртуальных испытаний [1].

1.4. Финансовые ожидания

Согласно заявлению Siemens, сделка должна увеличить выручку цифрового бизнеса на 8% (приблизительно на 600 млн евро к выручке 2023 финансового года в 7,3 млрд евро) [1]. Ожидается, что в среднесрочной перспективе сделка принесёт Siemens около 500 млн долларов дополнительной годовой выручки, а в долгосрочной — более 1 млрд долларов [1, 9].

2. Детали сделки

2.1. Условия приобретения

Соглашение о приобретении было подписано 30 октября 2024 года [2, 8]. Акционеры Altair получили 113 долларов за акцию, что представляет собой 19-процентную премию к цене закрытия 21 октября 2024 года (последний торговый день до появления сообщений СМИ о возможной сделке) [2, 4, 8]. Предприятие оценено в приблизительно 10 млрд долларов (по данным Altair — 10,6 млрд) [2, 3, 9].

2.2. Регуляторные одобрения

В декабре 2024 года Федеральное картельное ведомство Германии (Bundeskartellamt) одобрило сделку, отметив, что после слияния Siemens продолжит конкурировать с другими поставщиками PLM- и CAE-решений [12].

2.3. Закрытие сделки

Сделка была закрыта 26 марта 2025 года [1, 3, 9]. Как отмечалось в пресс-релизе Siemens, завершение приобретения Altair знаменует собой важный этап в реализации стратегии компании по укреплению лидерства в области промышленного программного обеспечения и ИИ [1, 9]. Закрытие сделки произошло значительно раньше запланированного срока (вторая половина 2025 года) [0, 8].

3. Интеграция технологий

3.1. Ребрендинг и унификация портфеля

После завершения сделки Siemens приступила к планомерной интеграции продуктов Altair в экосистему Siemens Xcelerator [1, 9]. Большая часть портфеля Altair была интегрирована под бренд Simcenter, что позволило расширить его возможности и укрепить позиции в качестве ведущей сквозной экосистемы моделирования и испытаний [11].

Ключевые продукты Altair получили новые наименования [11]: Altair HyperMesh стал Simcenter Hypermesh, Altair Inspire — Simcenter Inspire, Altair OptiStruct интегрирован в портфель Simcenter. Продукты линейки Altair HPCWorks сохранили наименование HPCWorks, а решения в области науки о данных и ИИ, включая RapidMiner, также вошли в портфель Siemens Xcelerator [11].

3.2. Культурная совместимость

По словам Жан-Клода Эрколанелли, ключевым фактором успешной интеграции стала культурная совместимость: «Мы с Altair совпадаем в инновационном мышлении, стремлении к разнообразию и открытости, что значительно упростило интеграцию» [5].

Этот контраст особенно заметен при сравнении с приобретением Mentor Graphics в 2017 году. Тогда интеграция оказалась значительно более сложной из-за культурных различий и несовместимости программных архитектур [5]. Однако, как отмечают наблюдатели, та сделка в долгосрочной перспективе оказалась крайне ценной: сегодня EDA и смежные направления приносят около трети выручки PLM-подразделения Siemens [5].

3.3. Первый совместный релиз Simcenter

В июле 2026 года Siemens выпустила первый совместный релиз Simcenter, объединив решатели Altair и Siemens в едином рабочем процессе [7, 15]. Как отметил Сэм Махалингам, исполнительный вице-президент Siemens Digital Industries Software по решениям для моделирования: «Мы объединили ведущие в отрасли возможности моделирования в различных физических областях, соединили их в общих рабочих процессах и сделали моделирование более доступным» [7].

Ключевые инновации включают:

• Simcenter PhysicsAI — геометрическая технология глубокого обучения, позволяющая оценивать дизайн-решения со скоростью до 1000 раз быстрее традиционных решателей [7, 15]. PhysicsAI интегрирована в Simcenter Inspire и Simcenter Hypermesh [9, 15].

• Simcenter PhysicsAI Generate — генеративный ИИ-инструмент, создающий новые концепции дизайна на основе целевых размеров, ключевых показателей эффективности и исторических инженерных данных [9, 15].

• Интеграция Simcenter Simsolid с Designcenter — позволяет инженерам выполнять структурный анализ непосредственно на CAD-геометрии без создания сетки, сокращая время анализа с часов до минут [7].

• Мультифизические рабочие процессы — усилены связи между электромагнитным, тепловым и системным моделированием для сложных систем, включая электроприводы и батарейные модули [15].

3.4. Интеграция в области HPC и облачных вычислений

Решение Altair HPCWorks для управления вычислительными ресурсами синхронизируется с облачной средой Simcenter X, повышая эффективность крупномасштабных параллельных расчётов [15]. Как отмечает издание Digital Engineering 24/7, эти решения не столько дублируют друг друга, сколько дополняют [15].

4. Simcenter PhysicsAI и Simcenter PhysicsAI Generate

4.1. Simcenter PhysicsAI: геометрическое глубокое обучение

Simcenter PhysicsAI — это технология геометрического глубокого обучения (Geometric Deep Learning), представленная Siemens в составе первого совместного релиза Simcenter [7, 15]. Она позволяет трансформировать исторические данные моделирования в высокоточные прогностические AI-модели, ускоряя инженерный анализ с часов до секунд [15].

Технология базируется на графовых нейронных сетях (Graph Neural Networks), способных выявлять сложные взаимосвязи между геометрией, топологией конструкции и её физическими характеристиками в различных физических областях — структурной, тепловой, аэродинамической, электромагнитной [9, 15]. Как отмечает Siemens, в отличие от традиционных суррогатных моделей, ограниченных незначительными геометрическими вариациями, геометрическое глубокое обучение обрабатывает сложные входные данные и различные топологии, выдавая полноценные 3D-полевые прогнозы в реальном времени [9, 15].

Ключевые возможности и производительность:

• Скорость прогнозирования. Simcenter PhysicsAI доставляет прогнозы до 1000 раз быстрее традиционных решателей [7, 15]. В версии 2026.1 скорость обучения выросла до 5 раз, а пиковое потребление памяти снизилось до 50% — в одном из тестов память сократилась со 175 ГиБ до 75 ГиБ при вдвое меньшем времени обучения [7].

• Обучение AI-моделей. Инженеры могут обучать AI-суррогатные модели на основе результатов CFD-симуляций в 10 раз быстрее благодаря поддержке многопроцессорных GPU-вычислений в Simcenter STAR-CCM+ [7]. В версии 2026.1 добавлена поддержка multi-GPU [7].

• Демократизация моделирования. Технология предлагает no-code, интуитивно понятные рабочие процессы, позволяя инженерам из междисциплинарных команд использовать AI-моделирование без глубоких знаний в области машинного обучения [9, 15].

Интеграция в экосистему Simcenter:

Simcenter PhysicsAI интегрирован в ключевые продукты портфеля Simcenter [7, 11]:

4.2. Simcenter PhysicsAI Generate: генеративный AI

Simcenter PhysicsAI Generate — это новый инструмент генеративного AI, представленный в релизе 2026.1 [7, 15]. Он позволяет создавать новые, физически корректные 3D-концепции проектирования за секунды [9, 15]. Инструмент доступен в Simcenter Hypermesh и использует диффузионные генеративные AI-модели, обученные на исторических данных проектирования и моделирования [9, 15].

Как это работает:

Традиционный процесс проектирования выглядит так: инженер вручную создаёт концепцию в CAD, запускает симуляцию, ждёт результаты (от минут до часов), корректирует геометрию и повторяет цикл. За неделю — 5-6 итераций, большая часть времени уходит на ожидание и исправление ошибок [15].

PhysicsAI Generate меняет этот подход кардинально [15]:

1. На входе — целевые размеры и ключевые показатели эффективности (KPIs)
2. На выходе — готовые 3D-концепции, удовлетворяющие заданным физическим требованиям
3. Время — секунды вместо дней и недель

Критическое отличие от других генеративных инструментов:

Как подчёркивается в блоге Siemens, традиционные генеративные инструменты часто создают концепции, а затем применяют физические ограничения как пост-обработку. PhysicsAI Generate, напротив, изначально генерирует физически согласованные концепции — они корректны с точки зрения физики с самого первого запуска [9, 15]. Это принципиальное отличие, которое Siemens позиционирует как своё ключевое конкурентное преимущество: «Недели итерационного проектирования могут быть сжаты в единый рабочий процесс, при этом сгенерированные концепции с первого запуска отражают заданные требования к производительности» [9].

Практическое применение:

Инструмент обучается на исторических данных проектирования и моделирования, выявляя глубинные корреляции между геометрией, параметрами конструкции и инженерными KPIs [15]. После обучения он может генерировать концепции на основе [15]:

• Целевых размеров
• Требований к производительности
• Исторических данных обучения

Это позволяет командам сжимать недели итерационного проектирования в единый рабочий процесс, получая концепции, которые с первого запуска отражают заданные требования к производительности [9].

Доступность:

• Simcenter PhysicsAI доступен как адд-он к Simcenter STAR-CCM+ [7]
• Simcenter PhysicsAI Generate доступен в Simcenter Hypermesh [7, 15]

4.3. Резюме по PhysicsAI

5. Влияние на рынок промышленного ПО

5.1. Изменение рыночной доли

По данным Reuters, после завершения сделки рыночная доля Siemens в сегменте промышленного ПО выросла с 9% до 15%, что подняло компанию с четвёртого на второе место в отраслевом рейтинге, уступая лишь Ansys с 23% рынка [4]. Среди других конкурентов — MathWorks с 14% [4].

5.2. Контекст консолидации рынка

Приобретение Altair вписывается в глобальный тренд консолидации рынка инженерного ПО [13]. Как отмечает ABI Research, за последние два года произошёл ряд крупных поглощений: Schneider Electric завершила приобретение AVEVA за 11,9 млрд долларов (февраль 2023), Synopsys объявила о покупке Ansys за 35 млрд долларов (январь 2024), Renesas Electronics приобрела Altium за 5,9 млрд долларов (август 2024) [13]. Аналитики подчёркивают, что приобретение Altair, наряду с предыдущими сделками Siemens в области EDA (Mentor Graphics в 2017 году и Insight EDA в 2023 году), позволяет компании занять значительную долю на одном из наиболее быстрорастущих производственных рынков — полупроводниковом [13].

5.3. Аналитические оценки

Аналитическое агентство Morningstar оценило сделку как поддерживающую «широкий ров» (wide moat) Siemens и укрепляющую переключательные издержки клиентов [14]. Börsen-Zeitung назвала цену «высокой», но стратегию — «правильной», отметив, что «инструменты моделирования находятся в начале триумфального шествия» и будут использоваться во многих отраслях далеко за пределами традиционных автомобильной и авиационной промышленности [12].

6. Проблемы и вызовы интеграции

6.1. Интеграционные риски

Как отмечается в отраслевых аналитических обзорах, руководству Siemens предстоит принять ключевые решения о том, как интегрировать рабочую силу и технологии Altair, сохранить инновационный потенциал, согласовать операционные процессы и продемонстрировать ценность для стейкхолдеров — и всё это в условиях геополитического, регуляторного и кибербезопасностного давления [13].

6.2. Культурные различия

По данным источников, одним из вызовов является конфликт между agile-культурой Altair (средний цикл обновления продуктов — 3 месяца) и традиционным каскадным подходом Siemens [5]. Однако, как уже отмечалось, руководство Siemens оценивает культурную совместимость как высокую [5], что должно способствовать более гладкой интеграции по сравнению с приобретением Mentor Graphics.

7. Перспективы развития

7.1. «Левый сдвиг» в проектировании

Одной из ключевых стратегических целей Siemens является «левый сдвиг» (left shifting) — перенос решения потенциальных производственных проблем на максимально ранние стадии проектирования, до начала производства [1, 9]. Altair с её компетенциями в области ИИ и HPC играет ключевую роль в реализации этой стратегии, поскольку моделирование, ИИ и высокопроизводительные вычисления являются неотъемлемыми элементами формирования сложных цифровых двойников [1, 6]. Как отмечает Сэм Махалингам: «Новое поколение Simcenter позволяет инженерам переносить моделирование на ранние этапы проектирования, делая его более доступным и быстрым» [7].

7.2. Демократизация моделирования

Как подчёркивается в пресс-релизах Siemens, добавление технологий Altair делает моделирование более доступным для компаний любого размера [1, 9]. Возможности Altair в области науки о данных и ИИ-моделирования позволяют любому специалисту — от инженера до пользователя-неспециалиста — получать доступ к экспертизе в области моделирования, сокращать время вывода продукта на рынок и ускорить итерации проектирования [1, 9].

7.3. Долгосрочные финансовые перспективы

Siemens ожидает, что в среднесрочной перспективе сделка принесёт около 500 млн долларов дополнительной годовой выручки, а в долгосрочной — более 1 млрд долларов [1]. Синераия выручки будет достигаться прежде всего за счёт кросс-продаж дополняющих портфелей и предоставления Altair полного доступа к глобальному присутствию Siemens и её промышленной клиентской базе [1].

Заключение

Приобретение Altair — это не просто сделка на 10 млрд долларов. Это крупнейшее приобретение в истории Siemens [1, 6, 7, 11], стратегический шаг, который объединил лучшее из двух миров: мощь платформы Siemens Xcelerator и глубину экспертизы Altair в моделировании, HPC и ИИ. Для инженеров это означает доступ к единой, интеллектуальной экосистеме, где генеративный дизайн, высокопроизводительные вычисления и ИИ-инструменты работают в связке, ускоряя разработку сложных продуктов и открывая новые возможности для инноваций.

Как отметил Роланд Буш: «Через программу ONE Tech Company мы расширим наше лидерство в области промышленного ПО. Это позволит всем отраслям воспользоваться преимуществами революции, движимой данными и искусственным интеллектом» [1, 9].

Первый совместный релиз Simcenter, выпущенный в июле 2026 года [7, 15], уже продемонстрировал практическую реализацию этого видения. Впереди — дальнейшая интеграция, развитие ИИ-инструментов и расширение присутствия на быстрорастущих рынках, включая полупроводниковую промышленность [13]. Очевидно одно: инженерное моделирование вступает в новую эру, и Siemens с Altair намерены стать её лидерами.

Список литературы

1. Siemens AG (2025). Siemens acquires Altair to create most complete AI-powered portfolio of industrial software. [Пресс-релиз]. URL: https://press.siemens.com/global/en/pressrelease/siemens-acquires-altair-create-most-complete-ai-powered-portfolio-industrial-software
2. Altair (2024). Altair Signs Definitive Agreement with Siemens to be Acquired for $10.6 Billion. [Пресс-релиз]. URL: https://www.nasdaq.com/press-release/altair-signs-definitive-agreement-siemens-be-acquired-106-billion-2024-10-30
3. Manufacturing Dive (2025). Siemens completes $10B Altair deal to boost AI. URL: https://www.manufacturingdive.com/news/siemens-acquires-altair-engineering-10-billion-boost-ai-capabilities/743798/
4. Reuters / Yahoo Finance (2024). Siemens' $10.6 billion Altair deal strengthens its industrial software offering. URL: https://finance.yahoo.com/
5. CA168 (2025). 西门子：相比并购Mentor，Altair整合更简单. URL: http://news.ca168.com/
6. Machine Design (2025). Siemens Completes $10 Billion Acquisition of Altair Engineering. URL: https://www.machinedesign.com/
7. Engineering.com (2026). Siemens updates Simcenter simulation software. URL: https://www.engineering.com/
8. Financier Worldwide (2025). Siemens acquires Altair Engineering for $10.6bn. URL: https://www.financierworldwide.com/siemens-acquires-altair-engineering-for-106bn
9. Siemens Software Blog (2026). Generate physics-aware 3D engineering design concepts with Simcenter PhysicsAI. Simcenter Blog. URL: https://blogs.sw.siemens.com/simcenter/
10. Siemens AG (2024). Siemens strengthens leadership in industrial software and AI with acquisition of Altair Engineering. [Пресс-релиз]. URL: https://w1.siemens.com.cn/press/NewsDetail_en.aspx
11. Siemens Software Blog (2026). Beyond a name change: Your Altair rebranding guide. Simcenter Blog. URL: https://blogs.sw.siemens.com/simcenter/
12. Börsen-Zeitung (2024). High price, but the right strategy. URL: https://www.boersen-zeitung.de/
13. ABI Research (2024). Siemens Acquires Altair Engineering for US$10.6 Billion to Advance Simulation, AI, and Digital Twin Services. URL: https://www.abiresearch.com/
14. Morningstar (2024). Siemens: Pays a Premium for Altair's Complementary and Moat-Enhancing Software. URL: https://www.morningstar.com/
15. Digital Engineering 24/7 (2026). Siemens + Altair = The Next Chapter in Design and Simulation. URL: https://www.digitalengineering247.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)

В ближайшие годы SpaceX инвестирует больше капитала в один космопорт, чем Национальное управление по аэронавтике и исследованию космического пространства (NASA) во всю свою лунную программу за 20 лет. Их цель — 30 пусков в день. Да, они в той точке развития частной космонавтики, когда расходы на инфраструктуру приближаются к темпам программы «Аполлон». Но почему Луизиана? Разберемся в формате вопрос-ответ.

Масштаб и инфраструктура проекта

- Чем привлекательна Луизиана?

Как и 10 лет назад с Техасом и 20 с Калифорнией, муниципальные власти сейчас предлагают очень выгодные условия. Эту сделку подписали всего за 6,5 месяцев [1]. Бонусом удобная логистика по суше и воде. Компания получает гибкие условия, а штат — капитал с рабочими местами. Win-win.

- Разве Луизиана подходит для пусков?

Более чем. Пекан находится в ~50 км от ближайшего крупного города, и на территории этого округа живёт всего 300 человек [13], что сильно упрощает всю регуляторику с общественной безопасностью по уровню шума и доступным часам. Благодаря этому возможны пуски 24/7, что не получается в Техасе. SpaceX также отмечает, что в районе имеется доступ к природному газу для производства топлива [5].

- Но куда запускать оттуда?

Солнечно-синхронная орбита (ССО) идеально подходит для этого места, так как траектория проходит через залив. 1 миллион спутников Starmind планируют запускать именно на ССО для создания орбитальных дата-центров [2]. Это главный драйвер, и SpaceX уже подала заявку в Федеральную комиссию по связи (FCC) на такое количество аппаратов [2].

- А порт будет большой?

505 квадратных километров (около 125 000 акров) [11]. Это почти 0,5% территории немаленького штата и крупнее всех текущих частных и национальных площадок. Поскольку строительство идет на болотах, там не было застройки, и можно всё делать «под себя». Проект предполагает создание 10 стартовых площадок (5 комплексов по 2 площадки) [14]. Также будет построена огромная линия производства спутников Starmind, энергетическая инфраструктура, комплексы по переработке метана/кислорода/азота, собственный аэропорт и морской порт, и жилые районы [5].

- А что с погодой?

Штормы, ураганы, потопы, эрозия прибрежной зоны — почти всё то, что встречается у космодромов в Кейпе и Техасе. С этим умеют работать, а непредсказуемая погода идёт рука об руку с ракетными пусками более полувека. Инженеры SpaceX заявляют, что «устойчивость к ураганам встроена в основу этого завода» [8]. Однако критики отмечают, что в районе Пекан-Айленда обитают исчезающие виды, и интенсивная эрозия делает этот участок особенно уязвимым [13].

Стратегическое обоснование

- Но зачем такая площадь?

10+ стартовых площадок у побережья со всей инфраструктурой, высотные цеха для обслуживания ступеней, заводы для сборки сегментов и компонентов, а также огромная линия производства спутников Starmind. Ещё энергетическая инфраструктура, комплексы по переработке метана/кислорода/азота, собственный аэропорт и морской порт, и жилые районы [5]. Президент SpaceX Гвинн Шотвелл описала проект как «самодостаточный космопорт с собственным производством топлива, выработкой электроэнергии, возможностями глубоководной перевозки, объектами обработки транспортных средств и, вероятно, аэропортом» [1].

- Всё это построят за 2 года?

Нет, начало строительства в 2027, первый полёт до конца 2029 [1]. Почти за 3 полных года SpaceX в состоянии ввести нужную инфраструктуру для первого пуска и доставки готовых ступеней к космодрому. На стартовую площадку им нужно от 20 до 28 месяцев. Но это проект на многие годы [14].

- Но зачем компании тысячи пусков?

SpaceX собирается стать большим телекомом. Для этого им нужны сотни тысяч «Старлинков», а для бизнеса в области искусственного интеллекта (ИИ) хотят продавать мощности инференса группировки Starmind на 1 миллион аппаратов [2]. Это не считая лунных задач по программе Artemis (Артемида), дозаправкам и другим проектам [11]. SpaceX продают своё, а не услуги для чужих.

- Они будут тратить свои деньги?

Нет, компания находится в хорошем положении для привлечения капитала на выгодных условиях, попутно оптимизируя налоговую нагрузку и снижая риски. Согласно соглашению, SpaceX выплатит приходу Вермилион $20 млн авансом и $25 млн ежегодно в течение 25 лет — общий объем выплат составит более $820 млн [5].

Что такое «мощности инференса» и зачем они в космосе

Для корпоративной статьи важно дать технически точное, но при этом простое пояснение. Это ключевой термин, который превращает «экзотику» в понятную бизнес-логику.

Инференс (Inference) — это этап применения уже обученной искусственной нейронной сети для решения конкретной задачи. Это момент, когда модель не «учится», а именно работает, выдавая результат: распознает лицо на фото, генерирует текст или предсказывает цену акции.

Чтобы было нагляднее, представим процесс так:

1. Обучение (Training) — это «университет» для нейросети. Модель читает миллиарды текстов и настраивает миллионы параметров. Это требует гигантских кластеров GPU и длится месяцами.
2. Инференс (Inference) — это «момент выхода на работу». Обученная модель получает новый запрос, обрабатывает его за доли секунды и возвращает ответ. Этот процесс происходит миллионы раз в день и именно он требует постоянных вычислительных ресурсов [7].

Как это связано с проектом SpaceX Starmind

Именно для выполнения инференса SpaceX и строит свою «космическую ферму»:

1. Проблема «земли»: Наземные дата-центры упираются в лимиты энергоснабжения и охлаждения. Идея состоит в том, чтобы вынести серверы прямо в космос, где солнечная энергия доступна круглосуточно, а вакуум позволяет сбрасывать тепло без использования кондиционеров и воды [2].
2. Что это за машины: Это спутники-гиганты размером с Boeing 747 (высотой 20 метров и размахом крыльев до 70 метров) [12]. Внутри у каждого — полноценный серверный шкаф. Первый спутник Starmind AI1 понесет оптимизированную систему NVIDIA Vera Rubin NVL72, рассчитанную на среднюю мощность 175 кВт и пиковую до 250 кВт [2]. Это эквивалентно полной стойке из 72 GPU.
3. Ключевое отличие: Эти спутники не передают сырые данные на Землю для обработки. Они считают прямо на орбите и отправляют уже готовый результат через лазерную связь, используя спутниковую сеть Starlink как магистраль [2]. По сути, это «космический аналог мощностей AWS или Azure» (прим. ред.: крупнейших мировых облачных платформ).

Технический комментарий (для Хабра)

Инференс на орбите — это серьезный вызов для инженеров. Главные проблемы:

• Радиация: Современные чипы (с малым техпроцессом) очень чувствительны к космическому излучению. Частицы высокой энергии могут «переворачивать биты» (bit flips), что приводит к ошибкам в вычислениях [7].
• Отказоустойчивость: В отличие от наземного ЦОДа, где можно мгновенно переключить нагрузку на резервный сервер, в космосе это сложнее. Поэтому система должна быть спроектирована с высокой самодиагностикой и логикой пересчета данных [7].

Итог для статьи: Фраза «SpaceX хочет продавать мощности инференса» означает создание глобального «космического облака» для ИИ, которое не зависит от электросетей и охлаждения.

Экономика и работники

- А откуда будут брать людей?

Для Луизианы это тысячи новых рабочих мест (инхаус, контрактеры и подрядчики), причём именно для «синих воротничков», что для штата с проблемами в промышленности просто спасение. Ожидается создание 3 000 прямых рабочих мест со средней зарплатой $92 600 (на 192% выше местной), плюс около 8 100 косвенных рабочих мест, что суммарно дает более 11 100 возможностей для трудоустройства [5]. Плюс у Луизианы своя история с космическим сектором, например, завод Boeing в Мичуде, где собирают центральную ступень системы космических запусков (SLS) — это позволит быстрее убедить сенат списать её в пользу производства Starship, ведь люди найдут работу.

- Что это значит для остальных штатов с заводами SpaceX?

Что планы на развитие поменялись. С появлением Бока-Чика, а затем и «Старбейза», никуда не делись Хоторн и Ванденберг, мыс Канаверал всё ещё на месте, а «Старлинки» собирают в Рэдмонде. Вряд ли мы увидим агрессивное расширение в этих зонах, оно будет медленнее, но останется. В Техасе давно закончился медовый месяц с местными властями и жителями, а проволочек в бюрократии оказалось больше, чем обещали [14].

Экологические и юридические риски

- А есть ли риски для природы?

Да, и это ключевой пункт обсуждения. Три экологические группы (Louisiana Wildlife Federation, National Wildlife Federation и Pontchartrain Conservancy) обратились к Федеральному авиационному управлению (FAA) с просьбой не ослаблять защиту природы ради ускорения проекта [3]. Они опасаются, что предлагаемые изменения в федеральных правилах позволят обойти требования 13 законов, включая Закон об исчезающих видах и Закон о чистой воде [13]. В районе Пекан-Айленда обитают исчезающие виды, такие как американский журавль, а сам участок является частью важного миграционного коридора для водоплавающих птиц [3].

Шотвелл заявила, что SpaceX планирует сохранить «очень большие части» 125 000 акров земли «нетронутыми, чтобы высокоценные водно-болотные угодья оставались средой обитания, а не стали инфраструктурой» [1].

- Как жители реагируют на проект?

Мнения разделились. Одни видят в этом экономическое спасение, другие — угрозу их укладу жизни и окружающей среде. Местные жители жалуются на секретность сделки и отсутствие открытых обсуждений, так как многие подписали соглашения о неразглашении [13]. Критики также отмечают, что штат предоставил SpaceX «иммунитет от судебных исков и иммунитет от запросов публичных записей» [8].

Выводы и последствия

Проект «Старбейз Луизиана» знаменует собой переход космической индустрии в новую фазу — от редких, дорогостоящих запусков к массовому, почти авиационному трафику. Это амбициозная попытка SpaceX создать полностью автономную экосистему для производства, обслуживания и запуска космических аппаратов [11]. Успех проекта будет зависеть от решения экологических вопросов, привлечения квалифицированной рабочей силы и, конечно, от способности компании обеспечить обещанную частоту запусков. Если планы сбудутся, Луизиана станет не просто центром космической отрасли США, а ключевым узлом для будущих миссий на Луну и Марс [11].

Список литературы (по ГОСТ)

1. SpaceX plans to build the ‘biggest launch site on Earth’ for $100 billion in Louisiana [Электронный ресурс] // CNN. — 2026. — 24 August. — URL: https://www.cnn.com/2026/08/25/science/spacex-launch-site-louisiana (дата обращения: 27.08.2026).
2. SpaceX unveils 1 million-satellite Starmind orbital AI data center plan [Электронный ресурс] // Edgen. — 2026. — 23 August. — URL: https://www.edgen.tech/zh/news/post/spacex-unveils-1-million-satellite-starmind-orbital-ai-data-center-plan (дата обращения: 27.08.2026).
3. Wildlife groups warn not waive protections to accommodate Louisiana SpaceX site [Электронный ресурс] // Louisiana Illuminator. — 2026. — 24 August. — URL: https://lailluminator.com/2026/08/25/wildlife-spacex/ (дата обращения: 27.08.2026).
4. SpaceX plans 100-bln-USD investment in new launch facility [Электронный ресурс] // Xinhua. — 2026. — 25 August. — URL: http://english.news.cn/20260826/eaf55edbb7964a47930407d4cf13e8aa/c.html (дата обращения: 27.08.2026).
5. SpaceX to invest $100B in world’s largest spaceport in US state of Louisiana [Электронный ресурс] // Anadolu Ajansı. — 2026. — 24 August. — URL: https://www.aa.com.tr/en/world/spacex-to-invest-100b-in-world-s-largest-spaceport-in-us-state-of-louisiana/4037376 (дата обращения: 27.08.2026).
6. SpaceX plans to build $100bn rocket complex in Louisiana [Электронный ресурс] // RTE.ie. — 2026. — 25 August. — URL: https://www.rte.ie/news/world/2026/0826/1589238-spacex-100bn-complex/ (дата обращения: 27.08.2026).
7. SpaceX and Nvidia to take AI data centres into orbit: How does AI computing work in space and how it will transform computing on Earth [Электронный ресурс] // Bhaskar English. — 2026. — 24 August. — URL: https://www.bhaskarenglish.in/tech-science/news/spacex-nvidia-launch-ai-data-center-orbit-space-computing-tech-138831618.html (дата обращения: 27.08.2026).
8. SpaceX's $100 billion Louisiana Spaceport raises environmental and community concerns [Электронный ресурс] // WDSU. — 2026. — 26 August. — URL: https://www.wdsu.com/article/spacexs-100-billion-louisiana-spaceport-raises-environmental-and-community-concerns/73538287 (дата обращения: 27.08.2026).
9. SpaceX將斥資千億美元打造新火箭基地 2027年動工 [Электронный ресурс] // 中央社 CNA. — 2026. — 25 August. — URL: https://www.cna.com.tw/news/aopl/202608260004.aspx (дата обращения: 27.08.2026).
10. SpaceX plans $100B Louisiana spaceport, targeting thousands of launches a year [Электронный ресурс] // qazinform.com. — 2026. — 25 August. — URL: https://qazinform.com/news/spacex-plans-100b-louisiana-spaceport-targeting-thousands-of-launches-a-year-45fcbc (дата обращения: 27.08.2026).
11. SpaceX says it’s building its largest spaceport yet, committing $100 billion for a Louisiana site—adding to its list of billion-dollar expansion plans [Электронный ресурс] // Fortune. — 2026. — 26 August. — URL: https://fortune.com/2026/08/27/spacex-largest-spaceport-100-billion-louisiana-expansion/ (дата обращения: 27.08.2026).
12. SpaceX تنشر أقماراً صناعية للتعامل مع بيانات الذكاء الاصطناعي بالفضاء [Электронный ресурс] // الهيئة الوطنية للإعلام. — 2026. — 25 August. — URL: https://www.maspero.eg/science-and-technology/2026/08/26/983837/ (дата обращения: 27.08.2026).
13. SpaceX launch site raises environmental concerns in Vermilion Parish [Электронный ресурс] // Shreveport Times. — 2026. — 25 August. — URL: https://www.shreveporttimes.com/story/news/local/acadiana/2026/08/26/spacex-launch-site-draws-environmental-concerns-in-vermilion-parish/91468289007/ (дата обращения: 27.08.2026).
14. SpaceX to develop Starship launch site in Louisiana [Электронный ресурс] // SpaceNews. — 2026. — 25 August. — URL: https://spacenews.com/spacex-to-develop-starship-launch-site-in-louisiana/ (дата обращения: 27.08.2026).
15. SpaceX in Acadiana: Here are the details from Tuesday’s announcement [Электронный ресурс] // WGNO. — 2026. — 24 August. — URL: https://wgno.com/news/louisiana/spacex-in-acadiana-here-are-the-details-from-tuesdays-announcement/ (дата обращения: 27.08.2026).

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

Безопасность: эволюция пассивной защиты

Китайский HPR1000 — это не копия, а глубокий реинжиниринг концепции ВВЭР. Конструкторы применили двойную защитную оболочку: внутренний купол из железобетона с металлической облицовкой сдерживает давление при аварии, а внешний — защищает станцию от внешних угроз, включая падение самолета [1].

Критическое новшество скрыто внутри — это пассивная система аварийного охлаждения (PCS). Она полностью исключает зависимость от оператора или внешнего электроснабжения, работая на законах гравитации и естественной конвекции. Расчетное время автономного охлаждения активной зоны при полном обесточивании — 72 часа [2]. Это «золотой стандарт» постфукусимской эпохи, гарантирующий, что даже в условиях «черного неба» расплавление активной зоны исключено.

Цифровой двойник против человеческого фактора

Самый громкий апгрейд блока — развернутая на станции проприетарная цифровая система управления (DCS). Вся телеметрия с датчиков (сбор данных каждые несколько миллисекунд) транслируется в Digital Twin — цифровую эталонную модель реактора [3].

Алгоритмы машинного обучения в реальном времени сравнивают текущее состояние с виртуальным идеалом. Если модель прогнозирует, к примеру, рост температуры в контуре на 2% в ближайшие 40 минут, система не просто сигнализирует, а предлагает оператору готовый сценарий снижения мощности через защищенный канал 5G. Оператор выступает в роли контролера, а не исполнителя. Как отмечают специалисты CNNC, это снижает риск человеческой ошибки в стрессовых ситуациях до статистического нуля и повышает скорость реакции на аномалии на порядки.

Экономика и экология: углеродный профиль

После выхода второй очереди АЭС «Чанцзян» (блоки №3 и №4) на полную мощность годовая генерация достигнет 18 млрд кВт·ч. Это позволит ежегодно экономить 6,3 млн тонн угля и сократить выбросы CO₂ на 11,6 млн тонн [4], что эквивалентно выводу с дорог 2,5 млн автомобилей. Для туристического региона Хайнань чистый воздух становится не просто экологической целью, а экономическим фактором.

Сравнение параметров реакторов III поколения (3+)

Чтобы оценить масштаб рывка, взглянем на цифры в сравнении с главными конкурентами:

Аналитический вывод из таблицы: Пока западные гиганты увязли в бюджетных перерасходах и сроках, Китай и Россия сохранили ценовой паритет в $2500–3000 за кВт. Однако Китай сделал ставку на цифровую надстройку, где у HPR1000 нет аналогов по уровню автоматизации.

Реакция мировых СМИ и экспертного сообщества

Западные деловые издания (Bloomberg, WSJ) вынуждены констатировать, что США и Европа проиграли темповую гонку [5]. Однако их эксперты тут же бьют тревогу по поводу кибербезопасности: управление через ИИ и 5G, по их мнению, создает новые векторы атак, которые на старых станциях просто отсутствовали.

Российские профильные издания заняли сдержанно-техническую позицию: Hualong One признается прямым конкурентом для ВВЭР-1200 на азиатских и африканских рынках. Азиатские СМИ (Nikkei, Yonhap) сфокусировались на климатических испытаниях — готов ли купол противостоять тайфунам Южно-Китайского моря.

Резюме

Запуск Hualong One окончательно закрепляет за Китаем статус глобального лидера в атомном инжиниринге. Запад спорит о закрытии старых станций — Китай строит новые каждые полгода и готовит к экспорту реакторы 1,5 ГВт и модульные SMR.

Будущее генерации уже здесь, и оно говорит по-китайски — с использованием цифровых алгоритмов и полностью автономной физикой безопасности.

***

Список использованных источников

1. Китайская национальная ядерная корпорация (CNNC). Энергоблок №3 АЭС «Чанцзян» с реактором Hualong One успешно подключен к сети [Электронный ресурс] / Официальный сайт CNNC. — 2026. — 3 августа. — URL: https://www.cnnc.com.cn/ (дата обращения: 04.08.2026).
2. International Atomic Energy Agency (IAEA). Passive Safety Systems in Advanced Reactors [Текст] : Technical Report / IAEA. — Vienna : IAEA, 2023. — 120 p. — (IAEA-TECDOC-2031).
3. Синьхуа. Китай впервые применил технологию 5G и искусственный интеллект на АЭС нового поколения Hualong One [Электронный ресурс] / Синьхуа Новости. — 2026. — 2 августа. — URL: http://www.xinhuanet.com/ (дата обращения: 04.08.2026).
4. Управление ядерной энергии Китая (NNSA). Оценка экологического воздействия второй очереди АЭС «Чанцзян» [Электронный ресурс] : Доклад о сокращении выбросов углерода / NNSA. — 2026. — 15 января. — URL: https://www.nnsa.gov.cn/ (дата обращения: 04.08.2026).
5. Reuters. China's nuclear ambitions: Hualong One goes digital as West debates safety [Электронный ресурс] / Reuters. — 2026. — 4 августа. — URL: https://www.reuters.com/ (дата обращения: 04.08.2026).

На выставке CES 2026 компания Siemens представила платформу Digital Twin Composer — решение, объединяющее IIoT, искусственный интеллект и визуализацию на базе NVIDIA Omniverse. В пилотном проекте с PepsiCo заявлены впечатляющие результаты: выявление до 90% проблем проектных решений, рост производительности на 20% и снижение капитальных затрат на 10–15%. Однако ключевой вопрос остаётся без ответа: как именно платформа обеспечивает физическую достоверность на этапе разработки (ЦД-Р)?

Что известно из официальных источников

Согласно пресс-релизу Siemens [3], архитектура строится на трёх компонентах:

• Промышленный интернет вещей (IIoT) — сбор потоковых данных с датчиков в реальном времени.
• Искусственный интеллект (AI/ML) — прогнозирование отказов и оптимизация сценариев.
• Интерактивная среда моделирования — интеграция с NVIDIA Omniverse для визуализации производственных процессов.

Эти компоненты ценны для этапов производства (ЦД-П) и эксплуатации (ЦД-Э). Однако зона неопределённости — именно этап разработки (ЦД-Р), где закладывается фундаментальная физическая база модели.

В чём главная неясность

Согласно ГОСТ Р 57700.37—2021 [1], цифровой двойник на этапе разработки должен опираться на мультифизические CAE-модели, прошедшие валидацию и верификацию (V&V). В открытых заявлениях Siemens нет ответов на принципиальные вопросы:

• Используется ли нестационарное 3D-моделирование на базе Simcenter?
• Применяются ли физически обоснованные ROM (Reduced Order Models) для работы в реальном времени?
• Или речь идёт только о статистических суррогатных (нейросетевых) моделях, которые плохо экстраполируют за пределами обучающей выборки?

Международный стандарт ISO 23247-1:2021 [4] намеренно использует размытый термин «цифровое представление», что позволяет вендорам скрывать реальную техническую базу.

Альтернатива с открытой архитектурой: CML-Bench®

Для сравнения: отечественная платформа CML-Bench® [5, 6] публично демонстрирует строгий стек: нестационарное 3D CAE → V&V → ROM → AI/ML. Классический пример — метод POD (Proper Orthogonal Decomposition) для аэродинамики крыла [7, 8]:

• Полное CFD-моделирование (миллионы ячеек) занимает часы.
• ROM на основе POD сокращает время до долей секунды (ускорение в 10⁴–10⁵ раз) с погрешностью менее 1–2%.
• Физическая структура течения воспроизводится корректно, так как моды наследуют уравнения Навье-Стокса.

Суррогатная нейросеть, обученная на тех же данных, за пределами диапазона даст физически бессмысленные значения. Экстраполяция для ROM — предсказуема и строга, для суррогата — катастрофична.

Итог

Siemens Digital Twin Composer — значимый шаг в интеграции IIoT и управления производством. Однако фундаментальная база ЦД-Р скрыта за маркетинговыми заявлениями. Платформа CML-Bench®, напротив, предлагает прозрачный и верифицируемый путь, где ROM гарантирует физическую адекватность, а не статистическую подгонку.

«Заявление о снижении проблем проектирования на 90% остаётся на уровне маркетингового результата, но не технического решения», — отмечается в аналитическом обзоре.

Читателю предлагается самостоятельно оценить степень достоверности заявлений Siemens на основе приведённого сравнения.

Источники

1. ГОСТ Р 57700.37—2021. Цифровые двойники изделий. Общие положения
2. Siemens unveils Digital Twin Composer at CES 2026
3. ISO 23247-1:2021. Digital Twin framework for manufacturing
4. CML-Bench®: часть 8.1 — применение оптимизации, ML и генеративного AI (САПР и графика, 2025)
5. CML-Bench®: часть 8.2 — продолжение (САПР и графика, 2025)
6. Lumley J.L. The structure of inhomogeneous turbulent flows (1967)
7. Willcox K., Peraire J. Balanced model reduction via POD (AIAA Journal, 2002)

Введение: От сделки к публичной компании

2 февраля 2026 года SpaceX официально объявила о завершении сделки по приобретению xAI в крупнейшей частной сделке в истории, оцениваемой в $1.25 трлн [4, 6]. Сегодня, спустя почти шесть месяцев, проект обрёл совершенно новые масштабы и очертания.

Ключевые вехи прошедшего периода:

• Июнь 2026 года: Рекордное IPO SpaceX, крупнейшее в истории [9, 12]

• Июль 2026 года: Официальный ребрендинг xAI в SpaceXAI [14, 15]

• Июль 2026 года: Публичное раскрытие проекта орбитальных ЦОД «Starmind» [14]

• Апрель–июнь 2026 года: Раскрытие компенсационного пакета Маска, привязанного к колонизации Марса [5, 13]

• Июль 2026 года: Новый контракт SpaceX с Космическими силами США на $1.6 млрд [35, 36]

Как отметил Fortune в своём анализе IPO: «Всего несколько месяцев назад SpaceX была преимущественно предприятием по производству ракет и управлению запусками. Но в феврале Маск встроил xAI в SpaceX, и его нарратив о движущей силе роста предприятия совершил разворот, услышанный во всем мире» [12].

1. Рекордное IPO: Цифры и реакция рынка

12 июня 2026 года SpaceX вышла на биржу под тикером SPCX, установив абсолютный рекорд в истории публичных размещений [9, 12].

Ключевые параметры IPO:

IPO побило предыдущий рекорд Saudi Aramco (2019, $29.4 млрд) более чем вдвое [9]. К концу первого дня торгов акции закрылись на отметке **$160**, что обеспечило компании капитализацию в $2.2 трлн и сделало её крупнейшим IPO в истории США [12].

В проспекте IPO Маск представил инвесторам амбициозный прогноз: общий адресуемый рынок для предприятия оценивается в $28.5 трлн**, из которых **$26.5 трлн (93%) приходится на искусственный интеллект — почти в 14 раз больше, чем совокупный рынок спутниковых и ракетных услуг ($2 трлн) [12].

Реакция рынка и аналитиков:

IPO стало «проверкой на прочность» нарратива Маска о космическом ИИ. Как отметил Анджело Бочанис из Renaissance Capital: «Для многих людей, глядящих на эту сделку, решение о покупке — это, по сути, ставка на Илона Маска» [9]. Инвесторы «проголосовали» за эту ставку, обеспечив 19-процентный рост в первый день торгов [12].

2. Рыночная динамика: Взлёты, падения и полярные оценки аналитиков

За прошедшие полтора месяца после IPO акции SpaceX (SPCX) продемонстрировали исключительную волатильность, отражающую как энтузиазм инвесторов, так и растущие сомнения в реализуемости грандиозных планов Маска [10, 11].

Хронология динамики акций SPCX:

Причины первоначального роста (>$200):

• Эйфория вокруг крупнейшего IPO в истории [12]

• Вера в нарратив «космического ИИ» и оценку TAM в $28.5 трлн [12]

• Ажиотаж вокруг компенсационного пакета Маска и марсианских целей [13]

Причины коррекции (<$135):

• Сомнения в окупаемости: стоимость развёртывания орбитальных ЦОД оценивается в $170 млрд, затраты на орбитальные вычисления в 3 раза выше наземных [1]

• Долговая нагрузка: SpaceX разместила $25 млрд облигаций [16]

• Кадровая нестабильность: Bloomberg сообщил о хаосе внутри SpaceXAI и уходе десятков сотрудников [8]

• Общее охлаждение рынка AI [10]

Аналитик: Эрик Шеридан
Рейтинг: Buy, цель: $205 на 12 месяцев [7, 31]

Ключевые тезисы:

• SpaceX — «уникальная компания» с тремя сегментами (космос, связь, ИИ), совокупный адресуемый рынок — $28.5 трлн [7].

• Прогноз выручки: с $18.7 млрд (2025) до $474.3 млрд (2030) — CAGR 91% [7].

• Операционная маржа вырастет с -13.9% (2025) до ~50% (2030) [7].

• Вычислительные мощности: 2 ГВт (2026) → 36 ГВт (2030), из них 26 ГВт — орбитальные [7].

• Свободный денежный поток станет положительным только в IV квартале 2030 года [7].

Цитата: «SpaceX представляет собой послужной список создания решений, которые многие отраслевые эксперты ранее считали неосуществимыми» [7].

Аналитик: Адам Йонас
Рейтинг: Overweight, цель: $300 (базовый), бычий сценарий – $600 [1, 4, 10]

Ключевые тезисы:

• «Почти монопольная» экономика запусков: SpaceX доставила >80% всей массы, выведенной на орбиту с 2023 года [7].

• Прогноз выручки: $45 млрд (2026) → $319 млрд (2030) → $3.3 трлн (2040) [1, 3].

• Половина стоимости компании при $300 за акцию приходится на ИИ [4].

• Целевая цена подразумевает капитализацию ~$4 трлн [6].

• Свободный денежный поток – только с 2035 года [3].

Цитата: «Мы рассматриваем компанию как одну из немногих платформ, способных связать недвижимость на орбите, глобальную связь и вычислительные мощности в единый инфраструктурный стек» [12].

Аналитик: Дуг Анмут
Рейтинг: Buy, цель: $225 [33, 34]

Ключевые тезисы:

• SpaceX — лидер в развертывании критической коммуникационной и вычислительной инфраструктуры с преимуществом первопроходца [34].

• Технологические достижения в снижении затрат на запуск, Starlink и AI существенно опережают конкурентов [34].

• Банк признаёт значительные технологические и регуляторные риски, но оценивает их как управляемые [33, 34].

Цитата: «SpaceX занимает уникальные позиции на перекрестке нескольких важнейших технологических тенденций» [34].

• CFRA – цель $115 (лишь немного выше текущих уровней). Риски: переоцененность (капитализация $2 трлн при убытках xAI), долговая нагрузка ($25 млрд облигаций), техническая неопределённость орбитальных ЦОД [7, 33].

• New Street Research – справедливая цена ~$165 при «разумных и оптимистичных бизнес-предположениях» [2].

• Bloomberg Intelligence – рейтинг «Продавать»: 500‑кратный мультипликатор прибыли, риск «пузыря космического ИИ» [32].

Консенсус-прогноз: средняя целевая цена 35 аналитиков – **$239.12**, рейтинг «Умеренная покупка» [4, 7]. Разброс: от $800 (Raymond James) до $115 (CFRA) [7, 13].

3. Ребрендинг: xAI становится SpaceXAI

6 июля 2026 года компания xAI официально объявила о смене названия на SpaceXAI, разместив в соцсети X: «We are now @SpaceXAI» [15].

Ключевые аспекты:

• Полная интеграция: xAI прекратила существование как самостоятельная компания [14].

• Новый логотип: логотип xAI интегрирован в символ SpaceX [15].

• Брендовый зонтик: социальная сеть X также перешла под бренд SpaceXAI [14].

4. Компенсационный пакет Маска: «Марсианский» KPI

В мае–июне 2026 года стали известны детали беспрецедентного компенсационного пакета Илона Маска, утверждённого советом директоров SpaceX ещё в январе 2026 года [5, 13].

В проспекте IPO слово «Марс» встречается 63 раза [13]. Fortune отмечает: «условия этой компенсации не имеют прецедента в истории исполнительного вознаграждения» [13].

5. Техническая архитектура проекта Starmind

В июле 2026 года SpaceX опубликовала детальные технические характеристики спутника AI1 — первого аппарата орбитальной вычислительной группировки Starmind [6, 9]. Проект призван преодолеть фундаментальные ограничения наземной ИИ-инфраструктуры: дефицит электроэнергии, сложности с охлаждением и ограниченность земельных ресурсов [10].

Спутник AI1 спроектирован как «орбитальная серверная стойка» — функциональный аналог современного наземного вычислительного модуля, адаптированный для работы в космосе [6, 8].

Запуск AI1 планируется осуществлять с помощью Starship, что делает проект логистически зависимым от успешного развёртывания этой транспортной системы [6]. В качестве эталонной вычислительной платформы на первом этапе используются NVIDIA Rubin GPU — каждый спутник несёт нагрузку, эквивалентную серверной стойке GB300 с 72 GPU [11].

Ключевое инженерное ограничение проекта Starmind связано с фундаментальным законом физики: в вакууме невозможны ни конвекция, ни теплопередача — единственный доступный механизм отвода тепла — тепловое излучение (инфракрасная радиация) [1, 7].

Как отмечает отраслевой аналитик: «Каждый добавленный GPU производит тепло, которое должно быть излучено — вы не можете отвести его конвекцией в космосе. Больше вычислений означает больше радиаторов» [1].

Параметры радиационной системы охлаждения:

Расчёт теплового баланса: система спроектирована с коэффициентом запаса ~1.03 (154 кВт рассеивания против 150 кВт пиковой нагрузки) [1, 6]. В космосе радиаторы должны быть ориентированы «тонким ребром» к Солнцу, чтобы минимизировать нагрев от солнечного излучения [2, 5].

Почему аммиак, а не вода? Аммиак остаётся жидким при температурах до -77°C, в то время как вода замерзает при 0°C и закипает в вакууме. Как поясняет профессор астронавтики Бирмингемского университета Хью Льюис: «Температуры замерзания и кипения воды не идеальны для негерметичной системы, работающей в вакууме и подверженной экстремальным перепадам температур» [11].

Ключевое преимущество орбитального размещения — доступ к практически неограниченной солнечной энергии. Как лаконично сформулировано на официальной странице Starmind: «It's always sunny in space» [7].

Солнечные панели AI1 имеют размах 70 метров и генерируют 150 кВт пиковой мощности. Солнечные панели в космосе примерно в 5 раз эффективнее, чем на Земле: нет облаков, нет атмосферы, нет ночи (на солнечно-синхронной орбите) [10]. Это позволяет спутнику работать на полной вычислительной мощности практически непрерывно, без дорогостоящих систем накопления энергии.

Ключевые преимущества:

• Отсутствие атмосферы – полный спектр солнечного света без потерь на рассеяние.

• Отсутствие ночи – постоянное освещение на солнечно-синхронной орбите.

• Отсутствие ограничений по земле, сетям и охлаждению – не требуется поиск участков, подключение к сетям с многолетними сроками ожидания, вода и энергия для систем кондиционирования.

Как указано на официальной странице Starmind: «AI1 satellites capture continuous solar power with no weather or atmospheric loss, avoiding Earth's grid, land, and cooling constraints» [7].

Проблема «энергетической стены»: По данным Business Model Analyst (июнь 2026), подключение к сетям в основных рынках занимает до 7 лет, сроки поставки трансформаторов — 2–4 года, проекты ЦОД на $98 млрд были отложены из-за сетевых ограничений [10]. Именно это делает орбитальные ЦОД экономически осмысленными: «Самый сильный аргумент в пользу космических дата-центров — не стоимость, а время доступа к энергии» [10].

План масштабирования: Маск поставил цель к концу 2027 года достичь ежегодного темпа развёртывания 1 ГВт орбитальной AI-мощности, а в перспективе — 1 ТВт [7].

PUE (Power Usage Effectiveness) — международный стандарт, разработанный консорциумом The Green Grid в 2006 году. Он измеряет, какая доля всей потребляемой дата-центром энергии доходит до вычислительного оборудования, а какая тратится на охлаждение, освещение и преобразование энергии [3, 10].

Формула PUE:

Интерпретация значений:

• 1.0 – теоретический идеал (100% энергии на вычисления).

• 1.1–1.2 – мировой класс (передовые системы охлаждения).

• 1.2–1.5 – современные гиперскейлеры (Google, Microsoft, Amazon).

• 1.5–2.0 – традиционные дата-центры (до 50% энергии на охлаждение).

• >2.0 – низкая эффективность.

Сравнение наземных и орбитальных ЦОД:

Как отмечает SpaceX, отказ от наземных систем охлаждения позволяет снизить энергопотребление на охлаждение на порядок [9]. Для кластера мощностью 1 МВт экономия на электроэнергии составляет примерно $2.6 млн в год** [10]. При масштабировании до 36 ГВт (прогноз Goldman Sachs к 2030 году) годовая экономия может достигать **$93.6 млрд[7].

SpaceX приняла стратегическое решение о вендор-независимой архитектуре — AI1 может принимать вычислительные модули от любого производителя [6, 9]. Поддерживаются NVIDIA Rubin, Tesla Terafab (2-нм чипы), Google TPU, Amazon Trainium и другие [6, 9, 11]. Спутники оптимизированы для выполнения выводов (inference) ИИ-моделей, в первую очередь Grok от SpaceXAI [6].

AI1 будут работать на солнечно-синхронной орбите на высоте ~600 км [6, 7]. Производство осуществляется на заводе Gigasat в Бастропе (Техас) площадью более 1 млн кв. метров [9]. Мощность производства солнечных панелей — 10 ГВт в год к концу 2027 года [11].

Дорожная карта:

• Начало 2027 года: запуск двух прототипов AI1.

• Конец 2027 года: начало серийного производства (~1 ГВт орбитальной мощности в год).

• 2028 год: потенциальное начало коммерческой эксплуатации.

По данным Business Model Analyst (июнь 2026), в настоящее время орбитальные вычисления стоят примерно в 4 раза дороже наземных, но разрыв быстро сокращается: к концу десятилетия соотношение может составить 1.0–1.5×, а в начале–середине 2030-х годов орбитальные вычисления могут стать дешевле наземных [10].

6. Финансовые и кадровые вызовы

• Долговая нагрузка: $25 млрд облигаций для рефинансирования покупки X и покрытия оттока денежных средств xAI [16].

• Экономика ЦОД: стоимость развёртывания — $170 млрд, затраты в 3 раза выше наземных [1].

В июле 2026 года Космические силы США заключили с SpaceX контракт на $1.6 млрд** на проведение 18 запусков Falcon 9 до конца 2027 года для вывода на орбиту спутников обнаружения и сопровождения воздушных целей (SBST) [35, 36]. Это не единичный заказ: в 2026 году SpaceX получила от Пентагона контрактов на сумму **не менее $7 млрд, включая $6.5 млрд за спутниковые системы в мае 2026 года [37].

Средняя стоимость запуска по контракту — $89 млн, что подтверждает экономическую эффективность Falcon 9 как основного средства национальной безопасности [35]. Конкуренты SpaceX — ULA (проблемы с Vulcan) и Blue Origin (авария New Glenn) — временно не могут обеспечивать надёжный доступ к космосу, что укрепляет монопольное положение компании [35, 37].

Эти контракты создают прочный финансовый фундамент, снижая риски, связанные с долговой нагрузкой ($25 млрд облигаций) и убытками xAI [16]. Стабильное государственное финансирование позволяет SpaceX инвестировать в долгосрочные проекты, включая орбитальные ЦОД Starmind, не опасаясь краткосрочных колебаний рынка [35, 37].

Согласно расследованию Bloomberg (июль 2026), внутри SpaceXAI сохраняется нестабильность: десятки сотрудников xAI покинули компанию, включая сооснователей; повседневные операции хаотичны; президент Майкл Николлс унаследовал «беспорядок» [8].

7. Европейская перспектива

Mark Boggett (Seraphim Space): «У Маска есть все карты, чтобы обеспечить решающее преимущество. Он обладает стартовыми мощностями и инфраструктурой Starlink. Существует сценарий, в котором он может использовать это преимущество, чтобы обеспечить себе мировое лидерство в области ИИ» [19].

Tom Slater (Scottish Mortgage): SpaceX может стать «монопольным поставщиком ИИ для всего мира» [20]. Прогнозирует снижение стоимости запусков на 80–90% в ближайшие годы, после чего космические вычисления станут экономически эффективными [20].

Robin Schaffner (Le Temps): подчёркивает экологические риски: «Выводные ракеты должны иметь углеродный след в десять раз ниже нынешних решений» [18].

8. Китайская перспектива

Hina Group: «Сторонники считают это грандиозным видением, скептики — финансовой операцией под прикрытием технологий, цель которой — спасти xAI, испытывающую дефицит денежных средств» [24].

Профессор Шэнь Инчунь (Beihang University): «Китай уже сделал первый шаг. В мае 2025 года Китай запустил спутник "Три тела Computing Constellation" — первую в мире космическую вычислительную группировку» [25].

Чжу Юпин (Государственный информационный центр): «Низкоорбитальные "золотые орбиты" и ключевые частотные ресурсы — глобальные дефицитные активы. Досрочное резервирование означает захват стратегической инициативы на десятилетия» [26].

9. Японская перспектива

Nikkei Asia: проект Starmind создаёт беспрецедентное давление на орбитальные ресурсы. Заявка SpaceX на 1 млн спутников вступает в противоречие с расчётами ITU о безопасной ёмкости низкой околоземной орбиты [29].

Университет Кейо: «Вертикальная интеграция SpaceXAI создаёт прецедент, при котором частная компания контролирует не только запуски, но и вычислительную инфраструктуру, что требует пересмотра международных норм» [29].

METI (Япония): заявило о намерении усилить сотрудничество с европейскими и индийскими партнёрами в области космических вычислений, чтобы снизить зависимость от американских технологий [29].

10. Индийская перспектива

Observer Research Foundation (ORF): «Консолидация SpaceX и xAI создаёт новый технологический блок, который может изменить глобальный баланс. Индия должна рассматривать этот проект как сигнал к ускорению собственных программ» [30].

ISRO: ведёт мониторинг Starmind и изучает возможность создания аналогичных орбитальных мощностей в рамках программы Gaganyaan, подчёркивая, что «безопасность данных и национальный суверенитет являются приоритетами» [30].

MeitY: запустило программу «Bharat AI Compute»: «Мы не можем полагаться на внешние орбитальные платформы для критически важных вычислений» [30].

11. Геополитические риски и регуляторные вызовы

Чжу Юпин: по расчётам Европейской южной обсерватории, предел безопасной ёмкости низкой околоземной орбиты — около 100 000 спутников. Заявка SpaceX на 1 млн спутников «в десятки раз превышает ёмкость орбиты» [26].

Donga Ilbo (Корея): предупреждало о начале «американо-китайской войны за ИИ-космическое господство» [27].

Новый контракт SpaceX с Космическими силами США на $1.6 млрд является прямым подтверждением этого тренда. Спутники SBST, предназначенные для обнаружения и сопровождения воздушных объектов, вписываются в более широкую программу **«Golden Dome»** (аналог ПРО) стоимостью **$185 млрд**, где SpaceX играет ключевую роль [35]. Конкуренты SpaceX (ULA, Blue Origin) испытывают технические проблемы, что укрепляет монопольное положение компании в сфере национальной безопасности [35, 37].

12. Обновлённый анализ и прогнозы

1. Финансовый: долг $25 млрд и убытки xAI, но частично компенсируются новыми госконтрактами [16, 35]

2. Рыночный: первый квартальный отчёт и истечение lock-up периода [10]

3. Технический: запуск прототипов AI1 в 2027 году [14]

4. Кадровый: текучесть ключевых сотрудников [8]

5. Регуляторный: WRC-27 (Всемирная конференция радиосвязи 2027) [26]

Заключение

Прошедшие 5 месяцев подтвердили, что проект SpaceX–xAI — это не спекулятивная история, а реальная корпоративная трансформация, приведшая к крупнейшему IPO в истории и созданию публичной компании с капитализацией более $2 трлn [12]. Однако рыночная динамика акций — от $135 до >$200 и обратно ниже $135 — отражает глубокую неопределённость, сопровождающую этот проект [10, 30].

Как резюмирует Fortune: «SpaceX — это марсианская компания, а всё остальное — инфраструктура для путешествия» [13]. Аналитический консенсус широк: от $205 (Goldman Sachs) до $300 (Morgan Stanley) и $800 (Raymond James), при этом критики (CFRA, New Street) предупреждают о рисках переоценённости и технической неопределённости [7, 4, 13, 2].

Новый контракт SpaceX с Космическими силами США на $1.6 млрд стал важным подтверждением финансовой устойчивости компании и её ключевой роли в национальной безопасности США [35, 36]. Это создаёт прочный фундамент для финансирования долгосрочных проектов, включая орбитальные ЦОД Starmind, несмотря на текущую волатильность акций.

Геополитические последствия выходят далеко за рамки корпоративной сделки. Китай, Япония и Индия уже формируют ответные стратегии, осознавая, что контроль над орбитальными вычислительными мощностями может стать ключевым фактором глобального технологического лидерства на десятилетия [25, 26, 29, 30].

Передовая инженерная школа СПбПУ «Цифровой инжиниринг» продолжит мониторинг развития этого проекта, представляя профессиональному сообществу актуальные аналитические материалы на стыке космических технологий, искусственного интеллекта и высокопроизводительных вычислений.

📚 Полный список источников (37)

1. Financial Express — AI's power hunger sparks race for space data centres, but costs remain 3 times higher than Earth, June 23, 2026.

2. Vietnam.vn — xAI rebrands as SpaceXAI, aiming to send artificial intelligence into space, July 7, 2026.

3. SEC / SpaceX — Registration Statement for IPO (Form S-1), filed February–May 2026.

4. Reuters — SpaceX to buy xAI in all-stock deal, creating $1.25 trillion combined entity, by Greg Bensinger and Krystal Hu, February 2, 2026.

5. Reuters — SpaceX ties Musk compensation to Mars colonization goal, April 28, 2026.

6. Bloomberg — Musk's SpaceX to Acquire xAI in Deal Valuing Combined Entity at $1.25 Trillion, by Katie Roof and Ed Ludlow, February 2, 2026.

7. Nasdaq — Elon Musk's SpaceX Merged With xAI. Here Is How They Plan to Dominate With Orbital Data Centers, July 16, 2026.

8. Bloomberg — The Identity Crisis at Elon Musk's Chaotic AI Outfit, July 16, 2026.

9. Nasdaq — SpaceX Bets Big on AI, Rebrands XAI as SpaceXAI: Worth Buying Now?, July 7, 2026.

10. Euronext (Reuters) — SpaceX's slide risks turning blockbuster IPO into confidence test, July 15, 2026.

11. Nasdaq / Deutsche Bank — SpaceX Just Raised $25 Billion in a Debt Sale. Here's What That Means for Investors, June 30, 2026.

12. Fortune — How Elon Musk rewrote SpaceX's story—and turned it into the greatest IPO debut in history, June 13, 2026.

13. Fortune — Elon Musk to get a billion shares of SpaceX if he can settle a million humans on Mars, June 22, 2026.

14. Nasdaq — Elon Musk's SpaceX Merged With xAI. Here Is How They Plan to Dominate With Orbital Data Centers, July 16, 2026.

15. Nasdaq — SpaceX Bets Big on AI, Rebrands XAI as SpaceXAI: Worth Buying Now?, July 7, 2026.

16. Nasdaq — SpaceX Just Raised $25 Billion in a Debt Sale. Here's What That Means for Investors, June 30, 2026.

17. The Wall Street Journal — SpaceX to Buy Musk's xAI in $1.25 Trillion Deal Ahead of IPO, by Cara Lombardo and Micah Maidenberg, February 2, 2026.

18. Le Temps (Switzerland) — Interview with Robin Schaffner, "SpaceX–xAI merger: vertical integration and European challenges", February 5, 2026.

19. WirtschaftsWoche (Germany) — SpaceX und xAI: „Elon Musk verfügt über alle Teile des Puzzles“, Interview with Mark Boggett (Seraphim Space), February 5, 2026.

20. The AIC / Scottish Mortgage Investment Trust (UK) — Spacex could be 'the monopolistic provider of AI to the world', Managers Tom Slater and Lawrence Burns, March 5, 2026.

21. Franceinfo (France) — ENTRETIEN. "Aujourd'hui, on ne peut pas affirmer que c'est une bonne idée", explique un spécialiste, sur le projet de data centers spatiaux d'Elon Musk, February 3, 2026.

22. IT Insights (Netherlands) — xAI en SpaceX Fusie: Een Nieuwe Technologische Supermacht, February 3, 2026.

23. 中银国际证券 (BOC International Securities) — 马斯克旗下SpaceX与xAI计划合并 太空算力或是商业航天的核心商业模式, February 4, 2026.

24. 汉能投资 (Hina Group) — SpaceX并购xAI：马斯克在做愿景，还是在做报表？, February 4, 2026.

25. 凤凰周刊 (Phoenix Weekly) — 对话沈映春：商业航天的战略意义，远超商业本身, Interview with Prof. Shen Yingchun (Beihang University), July 8, 2026.

26. 中国新闻网 (China News Service) — 马斯克的野心，正在考验太空极限, with commentary by Zhu Youping (State Information Center), July 9, 2026.

27. 동아일보 (Donga Ilbo, South Korea) — '로켓-AI-로봇' 묶는 머스크…美 vs 中 'AI 우주전쟁' 서막, January 31, 2026.

28. 证券时报 (Securities Times) — SpaceX收购xAI，马斯克整合商业帝国, February 3, 2026.

29. Nikkei Asia / Keio University — Japan's space policy response to SpaceXAI and orbital data centers, July 2026.

30. Observer Research Foundation (ORF) / ISRO / MeitY — India's strategic response to SpaceXAI and space-based AI computing, June–July 2026.

31. Wedbush Securities / Dan Ives — SpaceX Price Target Raised to $190 Despite Recent Dip, "Space AI" Story Intact, July 21, 2026.

32. Bloomberg Intelligence — SpaceX Sell Rating Initiated on Valuation Concerns and AI Cash Burn, July 21, 2026.

33. MarketBeat — Consensus Analyst Price Target for SpaceX (SPCX), July 22, 2026.

34. J.P. Morgan — SpaceX (SPCX) Initiation Report: Buy Rating, $225 Price Target, by Doug Anmuth, July 7, 2026.

35. Reuters — SpaceX gets $1.6 billion US Space Force order for 18 Falcon 9 launches, July 29, 2026.

36. U.S. Space Force / Space Systems Command — Space Force Awards Task Orders to Launch Space Based Sensing and Targeting Capabilities, July 29, 2026.

37. Nasdaq — SpaceX Just Inked a New $1.6 Billion Deal With Space Force. Here's What it Means for Investors, July 30, 2026.