Des chercheurs de l'Université nationale de Singapour ont mis au point une nouvelle méthode d'intelligence artificielle capable de prédire le comportement macroscopique de matériaux complexes à partir de données microscopiques. Dirigée par l'associate professor Qianxiao Li du département de mathématiques, l'équipe a développé des algorithmes qui identifient automatiquement un nombre réduit de variables cachées représentant le comportement collectif d'un système. Cette approche permet de prédire l'évolution des matériaux au fil du temps sans avoir à simuler le mouvement de chaque atome individuellement, ce qui réduit considérablement le coût et le temps de calcul. Comprendre les propriétés des matériaux à l'échelle macroscopique est essentiel pour concevoir des technologies de pointe. Toutefois, ces propriétés émergent des interactions entre des milliards d'atomes, rendant les simulations complètes souvent impossibles même sur les supercalculateurs les plus puissants. Pour contourner ce goulot d'étranglement computationnel, les chercheurs ont conçu des modèles entraînés sur des systèmes de petite taille contenant un nombre limité de particules. Une fois formés, ces modèles sont capables d'extrapoler et de prédire le comportement de systèmes des centaines de fois plus grands, tout en préservant une exactitude physique rigoureuse. L'approche repose sur deux avancées majeures. La première démontre qu'il est possible de prédire avec précision le comportement de grands systèmes stochastiques en n'utilisant que des simulations sur de plus petits échantillons. Au lieu de calculer les forces agissant sur chaque atome, la méthode se base sur les forces observées sur une fraction réduite, tout en garantissant mathématiquement la précision des résultats. La deuxième avancée permet aux modèles de traiter des systèmes désordonnés, tels que les fluides, les assemblages de particules ou les polymères. L'intelligence artificielle apprend les motifs globaux de distribution des particules plutôt que de les suivre individuellement, produisant ainsi des résultats indépendants de l'ordre d'étiquetage des composants. Ces progrès ont été validés avec succès sur des modèles de populations biologiques et sur des alliages simulés composés de plus de 500 000 atomes. Les résultats de cette recherche ont été publiés dans la revue Physical Review Materials et présentés lors de la conférence internationale ICML 2026, ainsi que sur le serveur de prépublication arXiv. Selon le professeur Li, l'objectif est de développer des outils capables de découvrir automatiquement les lois effectives régissant les grands systèmes, permettant aux chercheurs d'étudier des phénomènes complexes à un coût computationnel nettement inférieur. À l'avenir, les équipes prévoient d'intégrer ces méthodes à des données expérimentales et à des simulations mésoscopiques plus avancées. Cette évolution pourrait accélérer significativement la découverte et l'optimisation de nouveaux matériaux destinés au secteur de l'énergie, de l'électronique et de l'industrie manufacturière.