Les molécules voisines améliorent la précision des prédictions express
Prédire les propriétés d'une nouvelle molécule, c'est un peu comme deviner le goût d'un plat inconnu. Le programme agit comme un chef expérimenté : il « goûte » des molécules similaires dont les propriétés sont déjà connues et, en se basant sur leur « saveur », affine son estimation. Par exemple, pour l'eau ou le dioxyde de carbone, l'algorithme trouve des analogues étudiés et ajuste la température d'ébullition ou la solubilité.
Le chef ne se contente pas de copier ses voisins : il évalue à quel point il peut se fier à sa propre prédiction. Pour cela, on utilise une mesure d'incertitude, semblable à l'entropie en physique : plus l'incertitude est grande, plus le programme s'appuie sur les données vérifiées de substances similaires. Étonnamment, la méthode peut fonctionner avec des informations contradictoires : elle décide elle-même à quel « voisin » se fier davantage, en pondérant la fiabilité des sources.
Au final, l'erreur diminue de près de 20 % — un peu comme si les prévisions météo devenaient plus précises d'un cinquième. Et tout cela sans long réglage : l'algorithme intègre de nouvelles données à la volée, accélérant la recherche de médicaments et de matériaux.
Mesurer une propriété d'une molécule en laboratoire peut prendre des heures, alors qu'une prédiction informatique ne prend que des fractions de seconde. La nouvelle méthode rend ces calculs près de 20 % plus précis, sans nécessiter d'expériences supplémentaires.
L'analyseur universel de substances de science-fiction devient plus réel : l'algorithme affine les propriétés des molécules sans laboratoire, en s'appuyant sur l'expérience des « voisins ».