Les potentiels interatomiques par apprentissage automatique (MLIPs) se sont imposés comme un outil clé pour la modélisation atomistique en science des matériaux. Les MLIPs couvrent un large éventail de systèmes, tirant parti des calculs très précis de structure électronique basés sur la mécanique quantique, mais à un coût computationnel nettement inférieur. Ils permettent d’étendre les simulations atomistiques à des systèmes plus grands, à des échelles de temps plus longues et à des phénomènes plus complexes, contribuant ainsi de manière significative à l’accélération de la découverte de nouveaux matériaux structurels et fonctionnels, ainsi qu’aux avancées dans notre compréhension de la matière. Des travaux révolutionnaires ont été publiés depuis les travaux fondateurs de Behler et Parrinello en 2007, transformant ce domaine en une discipline de recherche en évolution rapide. Cependant, parallèlement à ces avancées, un défi crucial se pose : la nécessité de protocoles standardisés pour la génération et le stockage des MLIPs, ainsi que de bases de données complètes et accessibles pour les ensembles de données ab initio.