Dans le monde microscopique des matériaux quantiques, les électrons ne se comportent pas comme des voyageurs solitaires. Lorsqu'ils sont étroitement regroupés dans un solide, ils deviennent intensément conscients les uns des autres, se poussant et se tirant dans une danse collective complexe qui donne naissance à des phénomènes étranges et puissants. Parmi ces comportements les plus intrigants figure la supraconductivité, un état où l'électricité circule avec une résistance nulle. Si nous comprenons comment fonctionnent les supraconducteurs simples, les matériaux les plus passionnants et les plus utiles — ceux qui conduisent l'électricité sans résistance à des températures beaucoup plus élevées — demeurent un mystère. Ces supraconducteurs « non conventionnels », souvent présents dans les céramiques à base de cuivre, impliquent des électrons si fortement liés que leur comportement ne peut être prédit en les observant individuellement. Pour les comprendre, les scientifiques doivent simuler l'ensemble de la foule d'électrons à la fois, une tâche notoirement difficile car le nombre de configurations possibles croît si rapidement que même les supercalculateurs les plus puissants du monde manquent rapidement de temps et de mémoire.

Pendant des décennies, les chercheurs ont tenté de dompter cette complexité en utilisant des raccourcis mathématiques, mais ceux-ci échouent souvent à capturer les connexions subtiles et à longue portée qui définissent ces matériaux exotiques. Récemment, une nouvelle approche est apparue, empruntant au domaine de l'intelligence artificielle. Au lieu de s'appuyer sur des formules rigides et prédéfinies, les scientifiques entraînent désormais des réseaux de neurones — des systèmes informatiques conçus pour reconnaître des motifs — à apprendre les règles du monde quantique directement à partir des données. Cette méthode, connue sous le nom d'états quantiques neuronaux, a déjà révolutionné notre compréhension des matériaux magnétiques, mais l'appliquer aux électrons supraconducteurs est resté un défi tenace. La difficulté réside dans le fait que les électrons supraconducteurs forment des paires, et les outils de réseaux de neurones standards peinent à décrire ces paires avec précision tout en gérant la taille immense des systèmes nécessaires pour avoir une vue d'ensemble.

Dans une nouvelle étude, une équipe de chercheurs a comblé ce fossé en combinant la puissance des réseaux de neurones avec une structure mathématique spécifique qui décrit naturellement l'appariement des électrons. Ils ont développé un nouveau type de simulation appelé l'« état de Pfaffien de fermions cachés ». Pour comprendre ce que cela signifie, imaginez que vous essayez de décrire une pièce bondée où tout le monde se tient par la main deux par deux, mais où certaines personnes tiennent également la main de partenaires invisibles qui n'apparaissent que si l'on regarde de près. Les méthodes traditionnelles pouvaient bien décrire les paires visibles, ou les invisibles, mais pas les deux en même temps sans devenir informatiquement impossibles. La nouvelle méthode des chercheurs agit comme un traducteur sophistiqué capable de suivre simultanément les électrons visibles et les interactions d'appariement cachées qui les lient. Ce faisant, ils ont créé un outil qui est non seulement plus précis que les tentatives précédentes, mais aussi assez efficace pour fonctionner sur des systèmes beaucoup plus grands que jamais auparavant.

L'équipe a testé son nouvel outil sur un modèle standard utilisé par les physiciens pour décrire les électrons en interaction, connu sous le nom de modèle de Hubbard. Ils ont lancé des simulations à travers différentes conditions, modifiant la force de l'interaction entre les électrons et le nombre d'électrons présents. Dans les cas les plus simples, où les électrons étaient relativement libres de se déplacer, la nouvelle méthode a confirmé sa capacité à apprendre le comportement correct, correspondant aux résultats de calculs exacts qui ne sont possibles que pour de très petits systèmes. Mais le véritable test est venu des régimes plus difficiles où les électrons sont forcés de s'apparier étroitement. Dans les simulations d'interactions attractives, où les électrons veulent naturellement former des paires, la nouvelle méthode a capturé avec précision la transition d'un état d'appariement faible à un état lié étroitement et fortement. Elle a reproduit le comportement d'une théorie bien connue appelée la théorie BCS dans la limite faible, mais est allée bien au-delà lorsqu'elle a atteint des interactions fortes, un régime où les théories plus anciennes échouent souvent.

Peut-être l'accomplissement le plus significatif fut l'étude d'un état connu sous le nom d'isolant de Mott, où les électrons sont tellement repoussés les uns par les autres qu'ils se figent, créant un matériau isolant. Dans ce régime, les chercheurs ont découvert que leur nouvelle méthode pouvait prédire l'énergie du système avec une marge d'erreur si petite qu'elle était presque indiscernable des méthodes de référence les plus précises disponibles. Ce niveau de précision est crucial car la différence entre un matériau étant un supraconducteur ou un isolant se joue souvent sur des différences d'énergie qui ne représentent qu'une fraction infime d'un pour cent. La capacité de distinguer ces minuscules écarts d'énergie signifie que la nouvelle méthode peut enfin cartographier les frontières précises entre les différentes phases de la matière, ce qui a été un obstacle majeur pendant des décennies.

Les chercheurs ont également abordé un scénario particulièrement complexe connu sous le nom de « phase de stries » (stripe phase), qui se produit dans les matériaux à base de cuivre lorsqu'ils sont légèrement dopés avec des électrons supplémentaires. Dans cet état, les électrons s'organisent en lignes alternées de haute et basse densité, créant un motif qui ressemble à des rayures sur une chemise. Cette phase est censée être étroitement liée à la supraconductivité à haute température, mais elle a été incroyablement difficile à simuler avec précision. La nouvelle méthode de l'équipe a réussi à capturer les motifs complexes de charge et de spin dans ces stries, surpassant toutes les approches précédentes par réseaux de neurones. Ils ont découvert que même dans cet état isolant, il existait encore des appariements d'électrons à courte portée, une découverte qui suggère que les germes de la supraconductivité pourraient être présents avant même que le matériau ne devienne un véritable supraconducteur. Cette intuition n'a été possible que parce que leur méthode pouvait gérer les tailles de systèmes importantes nécessaires pour voir ces motifs clairement.

Une clé de leur succès n'était pas seulement la nouvelle architecture, mais aussi la manière dont ils ont optimisé le code informatique pour qu'il fonctionne efficacement. En utilisant des astuces mathématiques spécifiques pour réduire le nombre de calculs nécessaires, ils ont pu accélérer le processus de simulation d'un facteur de mille par rapport à ce qui aurait été possible avec les techniques standards. Cette accélération leur a permis de simuler des systèmes comprenant des centaines de sites, une échelle qui était auparavant hors de portée pour ce type d'approche par réseaux de neurones. Le résultat est une méthode qui passe bien à l'échelle avec la taille, ce qui signifie qu'elle peut être appliquée à des matériaux encore plus grands et plus complexes à l'avenir sans perdre sa précision.

Les implications de ce travail s'étendent au-delà de la simple résolution d'un problème mathématique. En fournissant un moyen fiable de simuler les électrons fortement interagissants, les chercheurs ont ouvert une porte vers la compréhension des mécanismes derrière la supraconductivité à haute température. Ils ont démontré qu'il est possible de modéliser ces systèmes avec un niveau de détail que l'on pensait auparavant impossible, capturant à la fois l'ordre à longue portée des isolants et l'appariement à courte portée des supraconducteurs. L'étude suggère que la clé pour déverrouiller les secrets de ces matériaux pourrait résider dans des méthodes capables de s'adapter de manière flexible à différents types de comportements électroniques, plutôt que de les forcer dans un moule unique et rigide. Comme le notent les auteurs, cette approche pourrait bientôt être appliquée à des matériaux plus complexes, tels que ceux possédant plusieurs types d'orbitales électroniques, ou à des modèles incluant les effets de champs magnétiques et de couches atomiques torsadées.

En fin de compte, ce travail représente une étape importante dans la quête de compréhension du monde quantique. Il démontre qu'en combinant la puissance de reconnaissance de formes de l'intelligence artificielle avec les connaissances physiques profondes de la mécanique quantique, les scientifiques peuvent désormais aborder des problèmes qui étaient autrefois considérés comme insolubles. La nouvelle méthode n'offre pas seulement une meilleure approximation ; elle fournit un moyen fondamentalement plus puissant d'explorer le comportement de la matière à son niveau le plus fondamental. À mesure que les chercheurs continueront à affiner ces outils, ils pourront peut-être enfin concevoir de nouveaux matériaux aux propriétés sur mesure, menant potentiellement à une nouvelle génération de technologies qui exploitent toute la puissance de la mécanique quantique. Le chemin vers la compréhension de la supraconductivité non conventionnelle est long, mais cette étude a fourni une carte claire et fiable pour la prochaine étape du voyage.