Dans une batterie ordinaire, l'électrolyte est liquide et les particules chargées (les ions) se déplacent librement. Dans la version solide, elles se faufilent à travers des « couloirs » atomiques, comme des piétons dans des passages étroits. Pour que la batterie fonctionne rapidement, il faut un matériau avec une bonne conductivité ionique. Mais chercher de tels matériaux à l'aveugle, c'est des années d'essais et d'erreurs. L'apprentissage automatique joue le rôle d'« ingénieur de la circulation » : entraîné sur des exemples précis, il prédit où les ions ne resteront pas coincés.
Les chercheurs ont découvert que pour des prévisions précises, ce ne sont pas les gigaoctets de données qui comptent, mais l'étiquetage impeccable de petits échantillons. Même dans les matériaux riches en carbone, le modèle apprend parfaitement sur une petite quantité de calculs de qualité. La surprise est venue du fait que la mesure d'erreur habituelle — l'entropie des forces — n'est presque pas liée à la rapidité réelle du transport ionique. C'est comme évaluer la circulation dans les rues par la couleur des façades. La spectroscopie confirme que dans un solide sans eau, les ions se déplacent différemment que dans un liquide.
Le résultat est une recette claire pour les ingénieurs : des données petites mais parfaites raccourcissent le chemin vers des batteries sûres qui résisteront au gel et à la canicule.
Pour une prévision fiable des propriétés d'un matériau, 500 exemples précis suffisent souvent à un réseau de neurones — et il surpasse un modèle entraîné sur 50 000 données bruitées.