Главная / Технологические фронты / Материаловедческая информатика в машиностроении

Материаловедческая информатика в машиностроении

Проектирование и поиск материалов и сплавов методами машинного обучения.

В 2025 году направлению посвящено 1 206 работ, в 2020 году — 246 работ; доля работ направления в корпусе с 2020 по 2025 год выросла в 4,3 раза.

Публикации по годам

Скачать данные в CSV

Кто лидирует, 2021–2025

Страны по вкладу в работы направления за 2021–2025 годы (3 078 работ). Счет дробный: каждая работа делится между авторами и их странами. Для 27 % авторского вклада страна в данных не указана; доли считаются от всех работ.

Организации

Россия

За 2021–2025 годы — 46 работ с участием российских организаций; по дробному вкладу 10-е место среди 96 стран. Больше всего работ у организаций: Lomonosov Moscow State University (12), Scientific Research Institute of Polymer Material (Russia) (4), Skolkovo Institute of Science and Technology (7), ITMO University (2), Moscow Institute of Physics and Technology (4).

Ключевые работы

Наиболее цитируемые работы 2015–2025 годов, среди них до двух обзоров. Заглавия — на языке оригинала; аннотации не приводятся, ссылки ведут к публикациям.

1. Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties. Physical Review Letters, 2018. Цитирований: 2 751. DOI
2. Machine learning in materials informatics: recent applications and prospects. npj Computational Materials, 2017. Цитирований: 1 817. DOI
3. Machine-learning-assisted materials discovery using failed experiments. Nature, 2016. Цитирований: 1 745. DOI
4. Scaling deep learning for materials discovery. Nature, 2023. Цитирований: 1 281. DOI
5. Materials discovery and design using machine learning. Journal of Materiomics, 2017. Цитирований: 1 251. DOI
6. Design of efficient molecular organic light-emitting diodes by a high-throughput virtual screening and experimental approach. Nature Materials, 2016. Цитирований: 1 134. DOI
7. Machine learning in materials science. InfoMat, 2019. Цитирований: 1 028. DOI
8. Machine learning assisted design of high entropy alloys with desired property. Acta Materialia, 2019. Цитирований: 918. DOI
9. A universal graph deep learning interatomic potential for the periodic table. Nature Computational Science, 2022. Цитирований: 902. DOI
10. An autonomous laboratory for the accelerated synthesis of inorganic materials. Nature, 2023. Цитирований: 873. DOI

Как считали

Корпус — научные работы с 2010 года по 185 темам OpenAlex, отнесенным к машиностроению (перечень тем по 11 слоям); выгрузка OpenAlex — август 2026 года, метаданные распространяются по лицензии CC0. Учтены работы с аннотацией, в заглавии или аннотации которых встречаются термины направления. Доля — число работ направления на 100 тыс. работ корпуса с аннотацией за тот же год: так рост корпуса в целом не завышает рост направления. 2026 год неполный и в ряды не входит.

Искомые термины (в работе должен встретиться хотя бы один термин из каждой группы):

machine learning · deep learning · neural network · artificial intelligence · reinforcement learning · large language model · generative ai · convolutional · random forest · support vector · gradient boosting · xgboost · lstm

alloy design · material design · material discovery · materials informatics · composition optimization

Ограничения. Термины ищутся только на английском языке, поэтому работы на русском и других языках без английской аннотации недоучтены. Работы без аннотации в подсчет не входят. Классификация тем OpenAlex автоматическая и содержит ошибки. Число работ отражает интерес исследователей и не измеряет внедрение в производство.

Обновлено 04.11.2026