Директор ИВМиМГ СО РАН Михаил Марченко выступил на экспертной стратегической сессии компании «Газпром нефть» «Технологический форсайт в нефтепереработке и нефтехимии

Директор Института вычислительной математики и математической геофизики СО РАН, д.ф-м.н., профессор РАН  Михаил Александрович Марченко принял участие в экспертной стратегической сессии «Технологический форсайт в нефтепереработке и нефтехимии». Мероприятие, организованное компаний «Газпром Нефть» в Санкт-Петербурге, было посвящено формированию сценариев научно-технологического развития отрасли, импортозамещению критически важного оборудования, внедрению отечественных катализаторов и ИИ-решений, а также стратегии перехода российских НПЗ и нефтехимических производств от сырьевой модели к глубокой переработке углеводородов.
Выступления экспертов были сфокусированы на долгосрочном прогнозировании (форсайт до 2030–2040 годов) и практическом применении ИИ-решений в секторе даунстрим. В ходе сессии обсуждались перспективы развития искусственного интеллекта и создания суверенных вычислительных моделей для ТЭК, риски внедрения ИИ-агентов в непрерывные производства, смещение фокуса в структуре переработки в сторону малотоннажной и среднетоннажной химии, а также технологические кейсы по созданию отечественных катализаторов гидрокрекинга и изомеризации и оборудования для работы в осложнённых условиях.
В своём выступлении Михаил Александрович Марченко поставил ключевой вопрос: как сократить время и стоимость перехода от лабораторных исследований к промышленному применению технологий в нефтепереработке и нефтехимии. По его словам, искусственный интеллект, математическое моделирование и цифровые двойники создают для этого новые возможности, однако само их наличие ещё не гарантирует результата. Необходимы правильная постановка задач, организация совместной работы различных методов и оценка достоверности получаемых результатов.
Директор ИВМиМГ СО РАН представил эволюцию прикладного программного обеспечения — от самостоятельной разработки кода инженером до интеллектуальных агентов и больших языковых моделей, интегрируемых в научное и инженерное ПО. Он отметил, что при использовании новых инструментов возникают три принципиальных вопроса: какую практическую пользу они обеспечивают, насколько можно доверять полученным результатам и какова стоимость их применения. При этом рост масштаба нейросетевых моделей сам по себе не является достаточной характеристикой их практической полезности.
Центральной темой выступления стало развитие научного искусственного интеллекта (Scientific AI). Михаил Марченко сформулировал принцип, согласно которому основой научных и инженерных вычислений должны оставаться математические модели, учитывающие фундаментальные закономерности исследуемых процессов. Перспективные вычислительные системы должны объединять математические модели физических и химических процессов, законы сохранения и балансовые соотношения, методы машинного обучения, экспериментальные и производственные данные, высокопроизводительные вычисления и интеллектуальные программные агенты. Игнорирование физических ограничений, подчеркнул докладчик, может приводить к получению формально правдоподобных, но физически некорректных результатов. Ключевой тезис: развитие научного ИИ связано не с заменой математического моделирования нейросетями, а с объединением математических методов, физических законов, данных и вычислительных технологий.
В выступлении были выделены два существенных ограничения развития научного ИИ. Первое связано с качеством научно-технических данных: публикации и открытые источники содержат значительные объёмы полезной информации, однако часть технологически значимых данных не раскрывается по причинам защиты интеллектуальной собственности и коммерческих интересов, поэтому автоматическое использование опубликованных данных без проверки создаёт риски получения некорректных результатов. Второе ограничение — недостаточность доступных высокопроизводительных вычислительных ресурсов и существенное отставание российской вычислительной инфраструктуры от ведущих мировых центров. Одним из направлений решения проблемы была названа разработка более эффективных математических алгоритмов, в частности возможность существенного сокращения вычислительных затрат на обучение больших моделей за счёт оптимизационных методов.
Значительная часть выступления Михаила Марченко была посвящена цифровым двойникам. Их основная практическая ценность связывалась с использованием обратной связи от физического объекта для повышения надёжности оборудования, прогнозирования его поведения и поддержки принятия решений. Цифровые двойники могут применяться как на этапе проектирования, так и при эксплуатации объекта. В качестве примера собственных работ института была упомянута разработка цифрового двойника Сибирского кольцевого источника фотонов (СКИФ), а также проект для исследования экологической ситуации в Красноярске, связанный с анализом загрязнения атмосферы, использованием данных мониторинга и выполнением сценарных расчётов для обоснования управленческих решений. Докладчик отметил, что создание полноценного цифрового двойника требует значительных затрат интеллектуального труда и вычислительных ресурсов, и привёл ориентировочную оценку — около 10% стоимости объекта, оговорив, что методика расчёта и границы применимости этой оценки требуют уточнения.
Отдельно рассматривались вопросы организации вычислений и обработки данных. Была описана многоуровневая архитектура цифрового двойника, в которой часть вычислений выполняется непосредственно на датчиках и контроллерах, данные поступают в системы сбора и обработки, интегрируются в информационную инфраструктуру и используются прикладными моделями. Предусматривается сочетание вычислений в реальном времени и более сложных расчётов, выполняемых в отложенном режиме, что позволяет разделить задачи оперативного мониторинга и управления с задачами детального моделирования. Основной ожидаемый эффект применения подобных архитектур — повышение надёжности оборудования и снижение затрат на его обслуживание.
В заключительной части выступления был поставлен вопрос о применении математического моделирования для выбора направлений технологических инвестиций. Михаил Марченко подчеркнул, что инвестиционные решения должны опираться на проверяемые модели, для которых определены границы применимости и учтены неопределённости, а особое значение имеет возможность сравнения альтернативных технологических решений.
Директор ИВМиМГ СО РАН обозначил роль математических методов в решении сложных технологических задач: решение прямых и обратных задач математического моделирования, определение параметров моделей, оптимизация технологических режимов, обработка экспериментальных и производственных данных, применение высокопроизводительных вычислений, оценка достоверности результатов.
«Институт обладает компетенциями в области прямых и обратных задач и может участвовать в разработке математических и вычислительных методов для решения отраслевых проблем. При этом результат требует совместной работы математиков, специалистов по искусственному интеллекту и экспертов предметной области», - подчеркнул Михаил Марченко.
Завершающая часть выступления была посвящена проблеме доверия к результатам искусственного интеллекта. Михаил Марченко подчеркнул, что высокая точность нейросетевого прогноза не гарантирует корректности рекомендаций во всех возможных условиях, поэтому результаты работы ИИ должны проходить проверку перед использованием в производственной деятельности. Особое значение имеют участие специалиста, экспериментальная проверка, понимание ограничений модели и формирование регламентов промышленного применения ИИ.