Katsuhiro Endo、博士生Katsufumi Tomobe和庆应义塾大学Kenji Yasuoka教授的研究小组可以通过深度学习学习短期分子模拟数据来生成长期分子模拟数据，并提出了一种新模型。验证实验显示了有用性和显着的效率。
分子模拟是一种可以再现分子运动的方法，在生物物质、高分子、材料等方面具有极其广泛的用途，用于新材料的开发和病理学的阐明。另一方面，在进行大分子或长时间的模拟时，由于需要大规模的计算资源，因此存在计算困难的缺点。
在这项研究中，我们将分子模拟建模为随机时间演化，并提出了一种用于随机时间演化的深度学习（人工智能之一）新模型。在重复的时间演化中存在误差累积的问题，但由于所提出的模型具有误差减少机制，使得重复时间演化成为可能。
这一次，我们对作为聚合物的聚乙烯的缠结解开的现象进行了应用实验。这种现象用短时分子模拟数据无法重现，但从短时数据看该模型预测的长期数据时，解缠结现象被牢固地重现，成为正常扩散率。原来是有的。
有了这一成果，使用分子模拟进行研究的公司和研究机构将能够减少需要计算的模拟量，这将大大提高研发效率。此外，它有望应用于各种时间序列数据，例如自然语言处理、经济数据和运动数据。该研究结果于2018年4月26日（当地时间）在第32届人工智能促进会（AAAI-18）网站上发表。
