Grâce aux nouvelles architectures des supercalculateurs, les simulations de dynamique moléculaire classique (DM) entreront bientôt dans le domaine du millier de milliard d’atomes, jamais atteint jusque là, devenant ainsi capables de représenter la plasticité des métaux à l’échelle du micron. Pour autant, de telles simulations génèrent une quantité considérable de données et la difficulté réside désormais dans leur exploitation, afin d'en extraire les ingrédients statistiques pertinents pour l’échelle de la plasticité « mésoscopique » (échelle des modèles continus).
L'évolution d'un matériau est complexe car elle dépend de lignes de défauts cristallins très étendues (les dislocations) dont l’évolution est régie par de nombreux mécanismes. Afin d'alimenter les modèles aux échelles supérieures, les grandeurs à extraire sont les vitesses et la longueur des dislocations, ainsi que leur évolution au cours du temps. L’extraction de ces données peut se faire par des techniques d'analyse spécifique basées sur la caractérisation de l'environnement local ('distortion score', 'local deformation'), a posteriori ou in situ au cours de la simulation. Enfin, les outils du machine learning peuvent intervenir afin d’analyser la statistique obtenue et d’en extraire et synthétiser (par réduction de modèle) une description minimale de la plasticité pour les modèles aux échelles supérieures.