Theoretical economics Theoretical economics Теоретическая экономика 2221-3260 111750 10.52957/2221-3260-2025-11-163-181 ТВОРЧЕСТВО МОЛОДЫХ ИССЛЕДОВАТЕЛЕЙ YOUNG RESEARCHERS ТВОРЧЕСТВО МОЛОДЫХ ИССЛЕДОВАТЕЛЕЙ Key global trends in the digital inverse engineering market Ключевые глобальные тренды рынка цифрового инверсного проектирования https://orcid.org/0009-0005-6698-3892 Крутов Антон Антонович Krutov Anton Antonovich ffaniik@mail.ru https://orcid.org/0009-0007-0669-409X Бычков Евгений Александрович Bychkov Evgeniy Aleksandrovich evgenybychkov3@gmail.com https://orcid.org/0009-0008-2846-9405 Воеводина Елена Ивановна Voevodina Elena Ivanovna voevodinaei@ystu.ru https://orcid.org/0000-0002-6464-5401 Сальников Александр Михайлович Sal'nikov Aleksandr Mihaylovich AMSalnikov@fa.ru

кандидат экономических наук;

candidate of economic sciences;

 Ярославский государственный технический университет Yaroslavl Россия Yaroslavl State Technical University Yaroslavl Russian Federation Финансовый университет при Правительстве Российской Федерации Moscow Россия Federal State Budgetary Educational Institution of Higher Education "Financial University under the Government of the Russian Federation" Vladikavkaz Branch Moscow Russian Federation 30 11 2025 30 11 2025 11 163 181 06 11 2025 28 11 2025 https://chemintech.ru/en/nauka/article/111750/view

В статье проведён комплексный анализ глобальных технологических, рыночных и институциональных трендов развития цифрового инверсного проектирования полимерных материалов, ориентированного на применение в аддитивных технологиях. Показано, что традиционные эмпирические методы разработки полимеров не соответствуют современным требованиям промышленности, характеризующимся ростом сложности изделий, сокращением жизненных циклов продукции и необходимостью быстрого вывода материалов с заданными свойствами на рынок. Особое внимание уделено концепции инверсного проектирования, в рамках которой исходной точкой разработки выступают целевые эксплуатационные характеристики, а подбор структуры и состава материала осуществляется с использованием вычислительного моделирования и методов искусственного интеллекта. В работе рассмотрены ключевые технологические драйверы цифрового материаловедения, включая методы машинного обучения, генеративные модели, графовые нейронные сети и обработку естественного языка для формализации инженерных требований. Проанализирована роль платформенных решений, реализующих замкнутый цифровой цикл «запрос — модель — материал», а также их интеграция с CAD/CAE-, PLM- и ELN-системами, и роботизированными лабораториями. Отдельное внимание уделено экономическим аспектам развития рынка, включая снижение издержек на НИОКР, ускорение коммерциализации новых материалов и демократизацию доступа к материаловедческим компетенциям для малого и среднего бизнеса. Выявлены основные барьеры развития рынка цифрового инверсного проектирования полимеров, связанные с ограниченностью данных, проблемой интерпретируемости моделей искусственного интеллекта и разрывом между лабораторными и промышленными условиями. Сформулированы перспективные направления развития, включая автономные R&D-контуры, расширение подходов на композитные и функциональные материалы, а также интеграцию экологических и регуляторных критериев. Полученные результаты могут быть использованы для формирования стратегий развития цифровых платформ проектирования материалов и оценки инвестиционного потенциала отрасли.

The article provides a comprehensive analysis of global technological, market, and institutional trends in the development of digital inverse engineering of polymer materials, with a particular focus on applications in additive manufacturing. It is demonstrated that traditional empirical approaches to polymer development increasingly fail to meet modern industrial requirements, which are characterized by growing product complexity, shortened innovation cycles, and the need for rapid delivery of materials with precisely defined properties. The concept of inverse engineering is examined as an alternative paradigm, where material development starts from target performance characteristics, and the selection of structure and composition is carried out using computational modeling and artificial intelligence methods. The study reviews key technological drivers of digital materials science, including machine learning techniques, generative models, graph neural networks, and natural language processing for the formalization of engineering requirements. Special attention is given to platform-based solutions that implement a closed digital loop “request — model — material” and their integration with CAD/CAE, PLM, ELN systems, and robotic laboratories. The economic rationale for adopting digital inverse engineering is analyzed, highlighting reduced R&D costs, accelerated commercialization of new materials, and the democratization of access to advanced materials design capabilities for small and medium-sized enterprises. The paper identifies major barriers to market development, including data scarcity, limited interpretability of AI models, and discrepancies between laboratory-scale predictions and industrial-scale performance. Perspective directions are outlined, such as autonomous R&D loops, extension of inverse design approaches to composite and functional materials, and the integration of sustainability and regulatory constraints into digital platforms. The results of the study can support strategic decision-making in the development of digital materials design platforms and in assessing the long-term growth potential of the industry.

 цифровое инверсное проектирование; цифровая трансформация промышленности; рынок полимерных материалов; аддитивные технологии; экономика инноваций; искусственный интеллект в промышленности; платформенные бизнес-модели; научно-исследовательские и опытно-конструкторские работы (НИОКР); высокотехнологичные рынки digital inverse engineering; industrial digital transformation; polymer materials market; additive manufacturing; innovation economics; artificial intelligence in industry; platform-based business models; research and development (R&D); high-tech markets

Воеводина, Е. И. Области применения технологий искусственного интеллекта в бизнесе / Е. И. Воеводина, В. А. Кваша, А. Д. Бурыкин // Мягкие измерения и вычисления. – 2022. – Т. 61, № 12. – С. 75–83. Voevodina, E. I. Oblasti primeneniya tehnologiy iskusstvennogo intellekta v biznese / E. I. Voevodina, V. A. Kvasha, A. D. Burykin // Myagkie izmereniya i vychisleniya. – 2022. – T. 61, № 12. – S. 75–83. Воеводина, Е. И. Современные системы поддержки принятия решений и проблемы использования в них нейронных сетей / Е. И. Воеводина, Ю. М. Гуляева, Д. Е. Варахтин [и др.] // Экономика и управление: проблемы, решения. – 2023. – Т. 2, № 2(134). – С. 69–74. Voevodina, E. I. Sovremennye sistemy podderzhki prinyatiya resheniy i problemy ispol'zovaniya v nih neyronnyh setey / E. I. Voevodina, Yu. M. Gulyaeva, D. E. Varahtin [i dr.] // Ekonomika i upravlenie: problemy, resheniya. – 2023. – T. 2, № 2(134). – S. 69–74. Кичатов, К. Г. Применение цифровых инструментов для создания полимеров с заданными свойствами / К. Г. Кичатов, Т. Р. Просочкина, Р. Ф. Хамадалиев [и др.] // Башкирский химический журнал. – 2023. – Т. 30, № 2. – С. 56–59. – DOI: 10.17122/bcj-2023-2-56-59. Kichatov, K. G. Primenenie cifrovyh instrumentov dlya sozdaniya polimerov s zadannymi svoystvami / K. G. Kichatov, T. R. Prosochkina, R. F. Hamadaliev [i dr.] // Bashkirskiy himicheskiy zhurnal. – 2023. – T. 30, № 2. – S. 56–59. – DOI: 10.17122/bcj-2023-2-56-59. Кудрявцев, И. В. Исследование технологии послойного синтеза при создании изделий из термопластичных полимеров с заданными свойствами / И. В. Кудрявцев, К. Д. Кузнецова, Д. С. Котов // Оптические технологии, материалы и системы («Оптотех 2022») : сборник докладов конференции, Москва, 05–10 декабря 2022 года. – Москва : МИРЭА – Российский технологический университет, 2022. – С. 321–324. Kudryavcev, I. V. Issledovanie tehnologii posloynogo sinteza pri sozdanii izdeliy iz termoplastichnyh polimerov s zadannymi svoystvami / I. V. Kudryavcev, K. D. Kuznecova, D. S. Kotov // Opticheskie tehnologii, materialy i sistemy («Optoteh 2022») : sbornik dokladov konferencii, Moskva, 05–10 dekabrya 2022 goda. – Moskva : MIREA – Rossiyskiy tehnologicheskiy universitet, 2022. – S. 321–324. Объем мирового рынка полимеров к 2030 году [Электронный ресурс]. – URL: https://www.icrowdru.com/2024/08/27/объем-мирового-рынка-полимеров-к-2030-год/ (дата обращения: 24.11.2025). Ob'em mirovogo rynka polimerov k 2030 godu [Elektronnyy resurs]. – URL: https://www.icrowdru.com/2024/08/27/ob'em-mirovogo-rynka-polimerov-k-2030-god/ (data obrascheniya: 24.11.2025). СИБУР. Объем производства полимеров в России [Электронный ресурс]. – URL: https://www.sibur.ru/ru/ (дата обращения: 20.10.2025). SIBUR. Ob'em proizvodstva polimerov v Rossii [Elektronnyy resurs]. – URL: https://www.sibur.ru/ru/ (data obrascheniya: 20.10.2025). Audus, D. J. Polymer informatics: Opportunities and challenges / D. J. Audus, J. J. de Pablo // ACS Macro Letters. – 2017. – Vol. 6, No. 10. – P. 1078–1082. Audus, D. J. Polymer informatics: Opportunities and challenges / D. J. Audus, J. J. de Pablo // ACS Macro Letters. – 2017. – Vol. 6, No. 10. – P. 1078–1082. Butler, K. T. Machine learning for molecular and materials science / K. T. Butler, D. W. Davies, H. Cartwright [et al.] // Nature. – 2018. – Vol. 559. – P. 547–555. Butler, K. T. Machine learning for molecular and materials science / K. T. Butler, D. W. Davies, H. Cartwright [et al.] // Nature. – 2018. – Vol. 559. – P. 547–555. Citrine Informatics. AI-driven materials design and inverse design platforms [Электронный ресурс]. – URL: https://citrine.io/resources/ (дата обращения: 26.11.2025). Citrine Informatics. AI-driven materials design and inverse design platforms [Elektronnyy resurs]. – URL: https://citrine.io/resources/ (data obrascheniya: 26.11.2025). Copolymer informatics with multi-task deep neural networks [Электронный ресурс]. – URL: https://www.researchgate.net/publication/350456853 (дата обращения: 25.11.2025). Copolymer informatics with multi-task deep neural networks [Elektronnyy resurs]. – URL: https://www.researchgate.net/publication/350456853 (data obrascheniya: 25.11.2025). Court, C. J. Auto-generated materials discovery pipelines using text mining / C. J. Court, J. M. Cole // Advanced Materials. – 2018. – Vol. 30, No. 20. – Art. 1704944. Court, C. J. Auto-generated materials discovery pipelines using text mining / C. J. Court, J. M. Cole // Advanced Materials. – 2018. – Vol. 30, No. 20. – Art. 1704944. European Commission. Digital Product Passport under the Ecodesign Regulation [Электронный ресурс]. – URL: https://environment.ec.europa.eu/topics/circular-economy/digital-product-passport_en (дата обращения: 26.11.2025). European Commission. Digital Product Passport under the Ecodesign Regulation [Elektronnyy resurs]. – URL: https://environment.ec.europa.eu/topics/circular-economy/digital-product-passport_en (data obrascheniya: 26.11.2025). Gibson, I. Additive Manufacturing Technologies / I. Gibson, D. Rosen, B. Stucker. – Springer, 2021. – 498 p. Gibson, I. Additive Manufacturing Technologies / I. Gibson, D. Rosen, B. Stucker. – Springer, 2021. – 498 p. Gilmer, J. Neural message passing for quantum chemistry / J. Gilmer, S. S. Schoenholz, P. F. Riley [et al.] // Proceedings of ICML. – 2017. – P. 1263–1272. Gilmer, J. Neural message passing for quantum chemistry / J. Gilmer, S. S. Schoenholz, P. F. Riley [et al.] // Proceedings of ICML. – 2017. – P. 1263–1272. Häse, F. Next-generation experimentation with self-driving laboratories / F. Häse, L. M. Roch, A. Aspuru-Guzik // Trends in Chemistry. – 2019. – Vol. 1, No. 3. – P. 282–291. Häse, F. Next-generation experimentation with self-driving laboratories / F. Häse, L. M. Roch, A. Aspuru-Guzik // Trends in Chemistry. – 2019. – Vol. 1, No. 3. – P. 282–291. Jain, A. The Materials Project: A materials genome approach to accelerating materials innovation / A. Jain, S. P. Ong, G. Hautier [et al.] // APL Materials. – 2013. – Vol. 1, No. 1. – Art. 011002. Jain, A. The Materials Project: A materials genome approach to accelerating materials innovation / A. Jain, S. P. Ong, G. Hautier [et al.] // APL Materials. – 2013. – Vol. 1, No. 1. – Art. 011002. Kearnes, S. Molecular graph convolutions: moving beyond fingerprints / S. Kearnes, K. McCloskey, M. Berndl [et al.] // Journal of Computer-Aided Molecular Design. – 2016. – Vol. 30. – P. 595–608. Kearnes, S. Molecular graph convolutions: moving beyond fingerprints / S. Kearnes, K. McCloskey, M. Berndl [et al.] // Journal of Computer-Aided Molecular Design. – 2016. – Vol. 30. – P. 595–608. Kim, C. Polymer informatics: Current status and critical next steps / C. Kim, T. J. Webb, J. J. de Pablo // Materials Science and Engineering R. – 2021. – Vol. 147. – Art. 100627. Kim, C. Polymer informatics: Current status and critical next steps / C. Kim, T. J. Webb, J. J. de Pablo // Materials Science and Engineering R. – 2021. – Vol. 147. – Art. 100627. Kuenneth, C. PolyBERT: a chemical language model for polymer property prediction / C. Kuenneth, G. Ramakrishnan, M. Häse [et al.] // Nature Communications. – 2023. – Vol. 14. – Art. 4098. Kuenneth, C. PolyBERT: a chemical language model for polymer property prediction / C. Kuenneth, G. Ramakrishnan, M. Häse [et al.] // Nature Communications. – 2023. – Vol. 14. – Art. 4098. Materials Genome Initiative [Электронный ресурс]. – URL: https://www.mgi.gov (дата обращения: 26.11.2025). Materials Genome Initiative [Elektronnyy resurs]. – URL: https://www.mgi.gov (data obrascheniya: 26.11.2025). McKinsey & Company. The future of materials informatics and R&D digitalization [Электронный ресурс]. – URL: https://www.mckinsey.com/industries/chemicals/our-insights (дата обращения: 27.11.2025). McKinsey & Company. The future of materials informatics and R&D digitalization [Elektronnyy resurs]. – URL: https://www.mckinsey.com/industries/chemicals/our-insights (data obrascheniya: 27.11.2025). McKinsey & Company. The state of the chemicals industry: Time for bold action and innovation [Электронный ресурс]. – URL: https://www.mckinsey.com/industries/chemicals/our-insights/the-state-of-the-chemicals-industry-time-for-bold-action-and-innovation (дата обращения: 27.11.2025). McKinsey & Company. The state of the chemicals industry: Time for bold action and innovation [Elektronnyy resurs]. – URL: https://www.mckinsey.com/industries/chemicals/our-insights/the-state-of-the-chemicals-industry-time-for-bold-action-and-innovation (data obrascheniya: 27.11.2025). Ngo, T. D. Additive manufacturing (3D printing): A review of materials, methods, applications / T. D. Ngo, A. Kashani, G. Imbalzano [et al.] // Composites Part B. – 2018. – Vol. 143. – P. 172–196. Ngo, T. D. Additive manufacturing (3D printing): A review of materials, methods, applications / T. D. Ngo, A. Kashani, G. Imbalzano [et al.] // Composites Part B. – 2018. – Vol. 143. – P. 172–196. OECD. Advanced materials for sustainability and industrial competitiveness [Электронный ресурс]. – URL: https://www.oecd.org/innovation/advanced-materials/ (дата обращения: 27.11.2025). OECD. Advanced materials for sustainability and industrial competitiveness [Elektronnyy resurs]. – URL: https://www.oecd.org/innovation/advanced-materials/ (data obrascheniya: 27.11.2025). Olson, G. B. Designing a new material world // Science. – 2000. – Vol. 288, No. 5468. – P. 993–998. Olson, G. B. Designing a new material world // Science. – 2000. – Vol. 288, No. 5468. – P. 993–998. polyOne Data Set: 100 million hypothetical polymers including 29 properties [Электронный ресурс]. – URL: https://zenodo.org/records/7766806 (дата обращения: 25.11.2025). polyOne Data Set: 100 million hypothetical polymers including 29 properties [Elektronnyy resurs]. – URL: https://zenodo.org/records/7766806 (data obrascheniya: 25.11.2025). Precedence research. Polymers Market Strengthen industrial application with bio-based materials, lightweight thermoplastics, and Asia-Pacific scale [Электронный ресурс]. – URL: https://www.precedenceresearch.com/polymers-market (дата обращения: 27.11.2025). Precedence research. Polymers Market Strengthen industrial application with bio-based materials, lightweight thermoplastics, and Asia-Pacific scale [Elektronnyy resurs]. – URL: https://www.precedenceresearch.com/polymers-market (data obrascheniya: 27.11.2025). Rajan, K. Materials informatics: The materials “gene” and big data // Annual Review of Materials Research. – 2015. – Vol. 45. – P. 153–169. Rajan, K. Materials informatics: The materials “gene” and big data // Annual Review of Materials Research. – 2015. – Vol. 45. – P. 153–169. Schmidt, J. Recent advances and applications of machine learning in solid-state materials science / J. Schmidt, M. R. G. Marques, S. Botti, M. A. L. Marques // npj Computational Materials. – 2019. – Vol. 5. – Art. 83. Schmidt, J. Recent advances and applications of machine learning in solid-state materials science / J. Schmidt, M. R. G. Marques, S. Botti, M. A. L. Marques // npj Computational Materials. – 2019. – Vol. 5. – Art. 83. Schwaller, P. Molecular transformer: A model for uncertainty-calibrated chemical reaction prediction / P. Schwaller, T. Laino, T. Gaudin [et al.] // ACS Central Science. – 2019. – Vol. 5, No. 9. – P. 1572–1583. Schwaller, P. Molecular transformer: A model for uncertainty-calibrated chemical reaction prediction / P. Schwaller, T. Laino, T. Gaudin [et al.] // ACS Central Science. – 2019. – Vol. 5, No. 9. – P. 1572–1583. Training data set for the property predictors [Электронный ресурс]. – URL: https://www.nature.com/articles/s41467-023-39868-6/tables/1 (дата обращения: 25.11.2025). Training data set for the property predictors [Elektronnyy resurs]. – URL: https://www.nature.com/articles/s41467-023-39868-6/tables/1 (data obrascheniya: 25.11.2025). Tshitoyan, V. Unsupervised word embeddings capture latent knowledge from materials science literature / V. Tshitoyan, J. Dagdelen, L. Weston [et al.] // Nature. – 2019. – Vol. 571. – P. 95–98. Tshitoyan, V. Unsupervised word embeddings capture latent knowledge from materials science literature / V. Tshitoyan, J. Dagdelen, L. Weston [et al.] // Nature. – 2019. – Vol. 571. – P. 95–98.