게이오 대학의 엔도 카츠히로 석사 과정 학생, 토모부 카츠후미 박사 과정 수료 학생, 타이오카 현지 교수의 연구 그룹은 딥 러닝에 의해 단시간의 분자 시뮬레이션 데이터를 학습함으로써 장시간의 분자 시뮬레이션 데이터를 생성 가능 새로운 모델을 제안.검증 실험은 유용성과 상당한 효율성을 보였다.
분자 시뮬레이션은 분자의 움직임을 재현할 수 있는 수법이며, 생체물질, 고분자, 재료 등 용도는 매우 다방면에 걸쳐, 신규 재료 개발이나 병 이해명에 이용되고 있다.한편, 큰 분자나 장시간의 시뮬레이션을 행하는 경우에는, 대규모의 계산 자원을 필요로 하기 때문에 계산이 곤란하다는 단점이 있었다.
이번 연구에서는 분자 시뮬레이션을 확률론적 시간 발전으로서 모델화하고, 확률론적 시간 발전을 위한 딥러닝(인공지능 중 하나)의 신규 모델을 제안했다.반복 시간 발전에서는 오차가 축적된다는 문제가 있었지만, 제안 모델에는 오차 저감의 구조가 있기 때문에 반복 시간 발전이 가능해졌다.
이번에 고분자인 폴리에틸렌의 얽힘이 풀리는 현상에의 응용 실험을 실시하였다.단시간의 분자 시뮬레이션 데이터에서는 현상 재현은 할 수 없었지만, 그 단시간 데이터로부터 제안 모델에 의해 예측된 장시간 데이터를 보면, 얽힘이 풀리는 현상이 확실히 재현되어, 통상의 확산성이 되어 있다는 것을 알았다.
이번 성과에 의해 분자 시뮬레이션을 이용하여 연구를 하고 있는 기업이나 연구 기관은 계산이 필요한 시뮬레이션량을 줄일 수 있기 때문에 연구 개발의 대폭적인 효율화가 가능해진다.또한, 자연언어 처리, 경제 데이터, 모션 데이터 등의 다양한 시계열 데이터에의 응용이 기대된다.이 연구 성과는 2018년 4월 26일(현지시간) 제32회 미국인공지능학회(AAAI-18) 사이트에 공개됐다.
