Опубликовано: 12.08.2026 | Источник: CNews (новости)

ИИ-сервис ускорения разработки катализаторов в дипломе: от анализа до реализации

В начале 2026 года учёные Университета Иннополис заявили о создании полностью отечественного программного комплекса на базе ИИ, который ускоряет разработку катализаторов для нефтегазовой и водородной энергетики в 5 раз. Для студента технической специальности это не просто новость — это готовая рамка для сильной ВКР. Кейс даёт свежий материал для аналитики, проектирования ML-системы и оценки экономического эффекта. В этой статье разбираем, как превратить сюжет из статьи в полноценный диплом: какие темы брать, как выстроить главы, какие метрики и стандарты использовать, и какие ошибки чаще всего губят работу на защите.

Основная часть: переносим кейс в структуру ВКР

Статья о ИИ-сервисе для катализаторов — не просто прецедент, а источник для формирования целей, задач и практической части дипломной работы. В зависимости от специальности и уровня (бакалавр/магистр) её можно встроить в три разных типа работ: аналитическую, проектную или исследовательскую. Ниже — три конкретные темы ВКР с актуальностью, целями, задачами и структурой по главам.

Темы ВКР на основе кейса Иннополиса

Как видно, в каждой теме мы опираемся на факт из статьи — ускорение в 5 раз и полностью отечественная разработка. Это делает работу привязанной к реальности, а не «модели ради модели».

Как встроить кейс в главы 1–3: советы практика

Для любой темы обязательна первая глава — аналитическая. Здесь важно раскрыть физико-химические основы: почему катализаторы важны для нефтегаза, как их подбор выглядел до ИИ, какие точки торможения несёт ручной подбор. Подкрепите это цифрами из статьи: 5-кратное ускорение — ваша отправная точка. Далее опишите существующие решения: Gaussian Process, нейросети, коммерческий софт и, конечно, разработку Иннополиса.

Во второй главе — проектирование. Если вы делаете ML-сервис, обязательно добавьте схему пайплайна в нотации C4 (Context, Container, Component). Например:

+------------------+    +------------------+    +------------------+
|  Пользователь    | -> |   API Gateway    | -> |  ML Engine       |
|  (химик)         |    |  (FastAPI)       |    |  (PyTorch)       |
+------------------+    +------------------+    +------------------+
                                                      |
                                                      v
                                          +------------------+
                                          | Feature Store    |
                                          |  (ClickHouse)    |
                                          +------------------+

Отразите в тексте, почему выбран именно такой стек, как обрабатываются данные по катализаторам, какие модели сравниваются. Для защиты обязательно покажите early-example: обучение модели на открытом наборе данных (например, из каталитической базы NREL) и расчёт метрик.

В третьей главе — оценка эффективности. Здесь недостаточно просто вывести R². По аналогии со статьёй нужно посчитать временной эффект: на сколько процентов сокращается срок подбора катализатора по сравнению с ручным методом. Замерьте время обучения, инференса, доли автоматизированных шагов. Оформите это таблицей:

В приложении размещайте листинги кода, скриншоты интерфейса и полностью оформленное ТЗ по ГОСТ 34.602-2020.

Пример: минимальный код для ML-эксперимента

Чтобы показать комиссии «живость» работы, включите во вторую главу небольшой пайплайн обучения модели на синтетических или реальных данных. Например:

# Скрипт быстрой проверки гипотезы предсказания активности катализатора
import pandas as pd
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_absolute_error, r2_score

# X — признаки: состав, температура, давление; y — наблюдаемая активность
df = pd.read_csv('catalysts.csv')
X = df[['Ni_percent', 'Mo_percent', 'temp_C', 'pressure_atm']]
y = df['conversion']  # целевая переменная

model = GradientBoostingRegressor(n_estimators=200, max_depth=5)
model.fit(X, y)

pred = model.predict(X)
print(f'MAE: {mean_absolute_error(y, pred):.3f}')
print(f'R²: {r2_score(y, pred):.3f}')

# Сохраняем модель для REST-API
import joblib
joblib.dump(model, 'model_catalyst.joblib')

Этот фрагмент — отличная иллюстрация, но не забывайте про разделение train/test и кросс-валидацию в реальной работе.

Практические выводы: чему вы научитесь

Работа над такой ВКР даёт студенту не только отметку о защите, но и вполне реальные навыки, которые пригодятся на работе:

• строить полные ML-пайплайны: от сырых данных до REST API;
• проектировать архитектуру сервиса в C4 и UML, согласовывая её с ГОСТ 34.602;
• оценивать качество ПО по ISO/IEC 25010: функциональность, производительность, переносимость;
• считать продуктовую эффективность: время разработки, экономию ресурсов, ROC-кривые и бизнес-метрики;
• оформлять документацию в соответствии с нормами вуза и ГОСТ.

FAQ: частые вопросы студентов

1. Какую тему выбрать, если я учусь на бизнес-информатике, а не на Data Science?

Тема №3 из таблицы — «Проектирование архитектуры ИИ-сервиса» — подойдёт идеально, если сделать упор на технико-экономическое обоснование, анализ требований и оценку рисков. Можно добавить PMBOK 7 для описания жизненного цикла проекта.

2. Где взять данные о катализаторах, если это закрытая область?

Используйте открытые датасеты: Catalysis-Hub, NREL, материалы из OpenCatalyst. Если их мало — допустимо сгенерировать синтетические данные на основе физико-химических закономерностей и явно оговорить это в работе.

3. Как правильно оформить схемы в ВКР, чтобы не придрался нормоконтроль?

Для диаграмм используйте нотацию UML и C4. Каждая схема должна иметь номер, подпись и описание в тексте. Если вуз требует определенный ГОСТ на документы, сверяйтесь с методичкой, но универсальные стандарты — ГОСТ 34.601-90 (информационные технологии).

4. Какие метрики считаются хорошими для доказательства эффективности ИИ-решения?

Для катализаторов важны регрессионные метрики: MAE, RMSE, R², а также бизнес-метрика — ускорение в X раз. Покажите сравнение с базовым регрессором и с ручным методом подбора. Метрика «в точности как у Иннополиса» не обязательна, важно обосновать свой результат.

Чек-лист: что проверить перед сдачей

Типичные ошибки студентов

Мягкий CTA

Эксперт

Источник: В России создали ИИ-сервис, который ускоряет разработку катализаторов для нефтегаза и водородной энергетики в 5 раз (опубликовано 2026-03-18)