Dans le détecteur du Grand collisionneur de hadrons, après chaque collision de protons, il reste des milliers de points — les traces des particules qui s'éloignent. Un réseau de neurones a appris à voir des motifs dans cette configuration et à prédire ce qui s'est passé au moment de l'impact. Maintenant, le même réseau a été entraîné à regarder les molécules : au lieu des traces de particules, on a les positions des atomes, et au lieu de la collision, on a la façon dont ces atomes vont se déplacer et interagir.

Le secret réside dans le fait que le modèle intègre une règle : les atomes proches les uns des autres ont plus d'influence que les atomes éloignés. C'est comme si les voisins de palier se remarquaient plus souvent que les habitants de quartiers différents. Grâce à cela, le réseau ne se contente pas de mémoriser des images, il ressent la physique des interactions. Les tests ont montré que même après un léger ajustement, le modèle prédit très bien le comportement des molécules, et il calcule nettement plus vite que les modèles équivalents.

Ce transfert de connaissances de la physique des hautes énergies vers la chimie est rare. Mais s'il fonctionne, nous disposons d'un outil universel : la même architecture comprend à la fois les particules subatomiques et les molécules médicamenteuses. Cela signifie que la recherche de nouveaux matériaux et de nouveaux médicaments pourrait être accélérée considérablement.