Abstrait Les aimants en néodyme-fer-bore (NdFeB), réputés pour leurs propriétés magnétiques exceptionnelles, sont essentiels aux technologies modernes, des véhicules électriques aux éoliennes. L'optimisation de leur composition chimique – un équilibre délicat entre néodyme (Nd), fer (Fe), bore (B) et additifs de terres rares comme le dysprosium (Dy) – est essentielle pour améliorer les performances tout en réduisant les coûts et l'impact environnemental. Les méthodes traditionnelles d'essais-erreurs pour le développement de formules sont chronophages et gourmandes en ressources. Cet article explore comment l'apprentissage automatique (AA), pierre angulaire de l'informatique des matériaux, peut révolutionner la prédiction de nouvelles formules d'aimants en NdFeB en s'appuyant sur l'intégration de données multi-échelles, des techniques de modélisation avancées et des cadres d'interprétation. Nous abordons les défis, les méthodologies et les avancées récentes dans ce domaine, aboutissant à une feuille de route pour la découverte de matériaux par AA.