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 à partir de leur « saveur », il ajuste son estimation. Par exemple, pour l'eau ou le dioxyde de carbone, l'algorithme trouve des analogues étudiés et corrige 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 des 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 chute 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 les nouvelles données à la volée, accélérant la recherche de médicaments et de matériaux.