碩士生Katsuhiro Endo、博士生Katsufumi Tomobe、慶應義塾大學Kenji Yasuoka教授課題組通過深度學習學習短期分子模擬數據，生成長期分子模擬數據，提出新模型。驗證實驗已經顯示出有用性和顯著的效率。
分子模擬是一種可以再現分子運動的方法，在生物物質、大分子、材料等方面具有極其廣泛的用途，用於新材料的開發和病理的闡明。另一方面，當進行大分子或長時間模擬時，存在計算困難的缺點，因為需要大規模的計算資源。
在這項研究中，我們將分子模擬建模為隨機時間演化，並提出了一種用於隨機時間演化的深度學習（人工智能之一）新模型。在重複的時間演化中存在誤差累積的問題，但由於所提出的模型具有減少誤差的機制，因此可以重複時間演化。
這次，我們針對聚合物聚乙烯的纏結解開現象進行了應用實驗。用短時分子模擬數據無法再現該現象，但從短時數據看所提出的模型預測的長期數據時，解纏結現像被牢牢再現，成為正常擴散率。原來是有的。
有了這一成果，使用分子模擬進行研究的公司和研究機構將能夠減少需要計算的模擬量，從而大大提高研發效率。此外，它有望應用於各種時間序列數據，例如自然語言處理、經濟數據和運動數據。該研究成果於2018年4月26日（當地時間）發表在第32屆人工智能促進會（AAAI-18）網站上。
