L'innovation matérielle est cruciale pour les secteurs de l'aérospatiale, de l'énergie et de l'informatique. Cependant, la conception de nouveaux alliages métalliques reste un processus long et coûteux, freiné par la difficulté de modéliser avec précision leurs structures atomiques désordonnées. Les techniques de simulation actuelles peinent à capturer la complexité chimique de ces matériaux, tandis que les approches basées sur l'apprentissage automatique nécessitent généralement des jeux de données d'entraînement massifs et laborieux, pouvant dépasser cent mille heures de calcul pour un seul matériau. Pour résoudre ce goulot d'étranglement, une équipe de chercheurs du Massachusetts Institute of Technology a mis au point une méthode novatrice pour modéliser le comportement des alliages métalliques. Publiée dans la revue Science Advances, cette recherche s'appuie sur des modèles d'apprentissage automatique optimisés grâce à une nouvelle stratégie de construction des données d'entraînement. Plutôt que de s'appuyer sur un échantillonnage aléatoire ou des méthodes conventionnelles, l'équipe a exploité la théorie de l'information pour identifier et supprimer les redondances dans les configurations atomiques. En remplaçant systématiquement les environnements chimiques répétés par des structures inédites, ils ont généré des jeux de données plus informatifs, capables de représenter fidèlement la diversité des arrangements locaux présents dans les alliages réels. Les simulations menées avec cette approche ont démontré une précision remarquable. Les modèles entraînés sur ces jeux de données optimisés parviennent à prédire les propriétés mécaniques et thermiques d'une large gamme d'alliages, y compris leurs diagrammes de phase, qui indiquent les structures stables selon la température et la composition. Ces prédictions correspondent étroitement aux données expérimentales et surpassent même des modèles beaucoup plus volumineux développés par de grandes entreprises technologiques. En capturant les subtils biais énergétiques déterminant la formation des phases, la méthode offre une description chimique hautement fidèle, essentielle pour anticiper le comportement des matériaux en conditions réelles. Cette avancée promet d'accélérer considérablement le cycle de développement de nouveaux matériaux, en réduisant les itérations expérimentales coûteuses. Selon les chercheurs, la méthode n'est pas limitée aux métaux et peut être adaptée à d'autres classes de matériaux, comme les semi-conducteurs. Elle ouvre des perspectives concrètes pour la création d'aciers plus durables, de composants aérospatiaux plus performants ou de matériaux résistants aux rayonnements pour les environnements extrêmes. Les équipes du MIT, comprenant Killian Sheriff, Daniel Xiao, Yifan Cao et le professeur Lewis R. Owen de l'Université de Sheffield, visent désormais à intégrer cette approche dans les flux de travail existants des ingénieurs matériaux. Le prochain objectif consiste à étudier comment les variations de composition influencent la résistance mécanique et la tolérance aux dommages, afin de fournir aux industriels des outils de prédiction fiables et directement applicables pour la soudure, le moulage ou le traitement thermique des alliages.