La modélisation des métaux sous conditions extrêmes nécessite une approche de type multi-échelles. En effet, pour des raisons de complexité numérique, il n'est pas possible d'utiliser un formalisme unique, précis et transférable pour toutes les échelles de simulation. Il correspond, en général, une ou plusieurs méthodes utilisables pour une échelle spatiale et temporelle donnée. Ces méthodes se basent sur des approximations - physiques et/ou numériques - dont le nombre croît lorsque les échelles d'espace et de temps simulés augmentent. La modélisation multi-échelle peut donc se résumer comme un - utopique - équilibre entre échelles "spatio-temporelles" simulées et représentativité des phénomènes mis en jeu lors des transformations du système étudié.Les méthodes multi-échelles appliquées à la science des matériaux doivent aussi prendre en compte les effets de températures finies afin de simuler des structures dans leurs conditions nominales d'utilisation industrielles. Ces dernières années, les effets de température ont été traités dans le cadre d'approximations locales : harmonique et/ou quasiharmonique. La prise en compte des effets anharmoniques reste difficile - mais nécessaire pour rendre compte de certains phénomènes physiques - et est un sujet de recherche à part entière pour l'amélioration des modèles multi-échelles.Les objectifs de cette thèse sont de (i) développer de nouveaux outils de simulations afin d’étendre les domaines d’applicabilité des méthodes multi-échelles (ii) et d’estimer des grandeurs de températures finies. Nous nous basons sur un ensemble de méthodes en plein essor dans le domaine de la science des matériaux : le Machine Learning. Ces méthodes permettent de développer des outils statistiques systématiques et d'étudier plus facilement des corrélations.Dans un premier temps, nous développons des méthodes d’estimations rapides de quantités dérivées de propriétés vibrationnelles harmoniques : l’entropie de formation de défauts et les fréquences d’attaque. Le formalisme développé est précis, transférable et permet de réduire grandement le coût numérique (évoluant traditionnellement comme O(N^3) où N est le nombre de particules dans le système) dont la complexité numérique évolue comme O(N).Dans un deuxième temps, nous nous intéressons à quantifier l’influence des effets anharmoniques pour des systèmes métalliques. Nous développons une approche de calcul direct (couplant Machine Learning et méthodes d’énergie libre) permettant de calculer le coefficient d’auto-diffusion, avec une précision "ab initio", des métaux cubiques centrés. Nous confrontons directement nos résultats avec l’expérience et nous donnons une explication, générale pour les métaux cubiques centrés, du comportement anormal du coefficient d’auto-diffusion à hautes températures.