Des chercheurs de l’Université du Nouveau-Mexique et du Laboratoire national de Los Alamos ont développé un cadre computationnel révolutionnaire basé sur les réseaux de tenseurs et l’intelligence artificielle, permettant de résoudre un défi fondamental de la physique statistique qui durait depuis un siècle. Ce projet, baptisé THOR (Tensors for High-dimensional Object Representation), utilise des algorithmes de réseaux de tenseurs pour compresser efficacement et évaluer des intégrales de configuration extrêmement complexes — des quantités centrales dans le calcul des propriétés thermodynamiques et mécaniques des matériaux. L’intégrale de configuration, qui décrit les interactions entre particules dans un système, est traditionnellement considérée comme intraitable à cause de la « malédiction de la dimensionnalité » : son évaluation directe implique des espaces de dimension milliers, rendant les méthodes classiques impossibles à appliquer, même avec les supercalculateurs les plus puissants. Jusqu’à présent, les scientifiques s’appuyaient sur des approches approximatives comme les simulations de dynamique moléculaire ou les méthodes de Monte Carlo, qui simulent des milliards de mouvements atomiques sur de longues durées pour estimer les résultats. Ces méthodes, bien que courantes, sont lentes, coûteuses en ressources — parfois nécessitant des semaines de calcul — et souffrent de limites intrinsèques en précision. Boian Alexandrov, scientifique senior en intelligence artificielle à Los Alamos et coordinateur du projet, souligne que cette nouvelle approche permet une évaluation directe et exacte de l’intégrale de configuration, une avancée sans précédent. « Comprendre précisément le comportement thermodynamique d’un matériau profonde notre compréhension de la mécanique statistique et a des implications majeures en métallurgie, en physique des matériaux et au-delà », explique-t-il. Le cadre THOR repose sur une technique mathématique appelée « interpolation croisée en chaîne de tenseurs » (tensor train cross interpolation), qui décompose le tenseur de Boltzmann — une représentation multidimensionnelle de l’intégrande — en une suite de composants plus petits et interconnectés. Une version personnalisée de cette méthode permet de capturer les symétries cristallines essentielles, ce qui rend le calcul non seulement possible, mais extrêmement rapide. En quelques secondes seulement, THOR parvient à reproduire les résultats des simulations les plus précises de Los Alamos, mais plus de 400 fois plus vite. Les applications du cadre sont déjà prometteuses : il a été testé avec succès sur des métaux comme le cuivre, des gaz rares sous haute pression (comme l’argon en phase solide), ainsi que pour prédire la transition de phase solide-solide du étain. En outre, THOR s’intègre parfaitement aux potentiels basés sur l’apprentissage automatique, qui modélisent les interactions atomiques avec une grande précision, rendant l’outil particulièrement adapté aux recherches modernes en science des matériaux, physique et chimie. « Cette percée remplace des simulations approximatives du siècle dernier par un calcul fondé sur les principes premiers », affirme Duc Truong, scientifique de Los Alamos et auteur principal de l’étude publiée dans Physical Review Materials. « THOR ouvre la voie à des découvertes plus rapides et à une compréhension plus profonde des matériaux. » Le projet THOR est désormais disponible en open source sur GitHub, permettant à la communauté scientifique de l’utiliser, de le modifier et de le faire évoluer. Cette initiative marque une étape décisive dans l’application des réseaux de tenseurs et de l’intelligence artificielle à des problèmes fondamentaux de la physique, offrant un nouvel outil puissant pour explorer les matériaux sous conditions extrêmes.