Concevoir des machines, c'est un peu comme faire de la pâtisserie : il faut savoir exactement où la pâte va se déchirer. Les anciens calculs informatiques vérifient chaque point de la pièce pendant des heures — comme si on mesurait toute la casserole pour être sûr que l'anse ne se détache pas. Le nouveau réseau de neurones regarde la pièce comme un maillage de points, à la manière d'un chef expérimenté qui sent d'un coup d'œil comment la chaleur va se répartir dans n'importe quelle poêle. À l'image de la spectroscopie, qui décompose la lumière en couleurs, il décompose les tensions, révélant les points faibles.

Contrairement aux anciennes méthodes d'apprentissage automatique, qui se perdaient lors d'un changement de forme (la précision chutait à 1 %), ce réseau comprend l'essence de la structure. Peu importe les rotations, les déplacements ou le matériau — fibre de carbone, acier — le principe fonctionne de la même manière. La précision atteint 97 % en une fraction de seconde. Étonnamment, le réseau ne connaît pas la physique : il est simplement entraîné sur des exemples, comme un cuisinier qui, sans manuel, sent où la pâte va se déchirer.

Avec l'augmentation de l'entropie — l'incertitude due aux formes complexes — les anciennes méthodes donnent des prédictions chaotiques, tandis que le réseau de neurones ne fait que légèrement baisser en précision. Cette approche pourrait devenir le modèle standard pour l'analyse rapide de la résistance.