Une équipe de chercheurs réunie autour de Google DeepMind, de l'Institut Berlin pour les Fondements de l'Apprentissage et des Données (BIFOLD) et de l'Université technique de Berlin a développé une nouvelle méthode d'intelligence artificielle capable de modéliser efficacement les interactions atomiques à longue portée dans des systèmes complexes. Publiée en mars 2026 dans la revue Nature Machine Intelligence sous le titre « Représentations atomiques globales par attention rapide euclidienne », cette étude introduit un algorithme baptisé Attention Rapide Euclidienne (EFA). Contrairement aux approches antérieures qui se concentraient principalement sur l'environnement immédiat d'un atome, l'EFA intègre directement les régions éloignées, permettant une vue globale de la molécule. La simulation précise du mouvement et des interactions atomiques est fondamentale pour le développement de médicaments, de nouveaux matériaux et de catalyseurs. Cependant, les méthodes computationnelles traditionnelles atteignent leurs limites face à des molécules contenant des centaines ou des milliers d'atomes. Le défi réside dans le fait que chaque atome subit des forces provenant non seulement de ses voisins directs, mais aussi d'atomes situés à grande distance. Ce phénomène crée un système à plusieurs corps extrêmement complexe où une modification locale peut influencer l'ensemble du système. Les modèles existants s'appuient souvent sur un concept de l'apprentissage automatique appelé l'attention auto, qui permet d'évaluer l'importance relative des informations. Bien qu'efficace pour capturer des relations à longue portée, l'attention auto devient exponentiellement coûteuse en puissance de calcul dès que le nombre d'atomes augmente, car le nombre d'interactions potentielles croît avec le carré du nombre d'atomes. Cela restreint sévèrement la taille des structures atomiques simulables. L'innovation de l'EFA réside dans sa capacité à représenter ces interactions avec une efficacité linéaire. Conçue spécifiquement pour les données dans l'espace euclidien, où s'appliquent les règles de la géométrie classique, elle capture avec précision la position et l'orientation relatives des atomes. L'algorithme intègre efficacement les informations spatiales tout en respectant les symétries physiques fondamentales. Les expérimentations ont démontré que cette méthode décrit correctement les effets à longue portée et les interactions chimiques que les champs de force traditionnels échouent souvent à prédire. Selon le professeur Klaus-Robert Müller, codirecteur du BIFOLD et professeur à l'Université technique de Berlin, cette approche marque une étape importante vers une modélisation des systèmes à plusieurs corps d'une précision proche de la mécanique quantique. Elle répond à la question cruciale de l'intégration des informations structurelles globales dans les modèles atomiques sans compromettre l'efficacité computationnelle nécessaire aux grands systèmes. Les implications pour les sciences de la chimie et des matériaux sont potentiellement majeures. En permettant la simulation fiable de molécules massives et complexes avec un effort de calcul réduit, cette technologie pourrait accélérer considérablement la découverte de nouveaux médicaments, de batteries plus performantes et de matériaux plus durables. Les auteurs considèrent l'EFA comme une méthode prometteuse pour renforcer la robustesse et l'efficacité des outils d'apprentissage automatique appliqués aux défis complexes de la science des matériaux.