Le présent article a pour objet d’optimiser les paramètres intervenant dans la fabrication additive métallique par le procédé de diffusion atomique grâce à un usage optimal des données expérimentales disponibles issues d’essais de caractérisation des propriétés mécaniques de matériaux obtenus par ce biais. L’objectif est d’utiliser de grands volumes de données hybrides issues de mesures physiques et de modèles numériques, recueillies pour décrire des phénomènes à des échelles nano- à effets induits sur des échelles micro- et macro-scopiques, pour contribuer in fine au déploiement d’une conception itérative soutenable de matériaux métalliques constitutifs de composants mécaniques. Les données sont traitées pour construire des réseaux de neurones artificiels permettant de relier les paramètres de fabrication aux propriétés des matériaux ainsi conçus. Ces réseaux de neurones sont ensuite utilisés pour ajuster ou modifier par approche inverse les paramètres de fabrication et réduire ou éliminer les défauts de conception qui se présentent sous la forme de pororisités incluses à l’échelle des microsctructures du matériau. La combinaison de réseaux de neurones convolutifs et récurrents permet d’aborder aussi bien les problématiques de maîtrise des distributions spatiales des porosités que la question de l’auto-réparation et correction en temps réel des défauts avec le suivi en dynamique du comportement du matériau. L’enjeu est la réduction des coûts de production par la maîtrise et la suppression ou la remédiation en temps réel des défauts induits par le procédé de fabrication.