Un réseau de neurones classique pour la chimie quantique ressemble à un élève qui apprend de ses erreurs, mais qui trébuche toujours au même endroit. Il progresse lentement vers la bonne réponse, est sensible aux réglages et perd souvent sa stabilité.

Les scientifiques ont proposé une autre voie : au lieu de choisir le pas au hasard, ils transforment la tâche d'apprentissage en recherche de la descente la plus raide sur la surface d'erreur. La méthode de Lanczos avec redémarrage implicite résout un petit problème de valeurs propres bien conditionné — comme si l'on trouvait l'axe principal le long duquel l'erreur diminue le plus rapidement. Cela permet de choisir automatiquement à la fois la direction et la taille du pas, sans réglage manuel.

Le résultat est impressionnant : même un réseau de neurones simple avec un petit nombre de paramètres atteint une précision de 10⁻¹² kcal/mol (c'est comme mesurer la distance de la Terre à la Lune avec la précision de l'épaisseur d'un cheveu) en seulement 3 à 5 étapes. Cette approche ouvre la voie à des calculs précis et rapides en physique et en chimie quantiques.