東京大学の研究グループは，グラフニューラルネットワーク（GNN）と呼ばれる深層学習手法を用い，ガラスの原子配置から，原子の運動によって構造が変化する様子を予測する新手法を開発し，予測精度の世界記録を大きく更新した（ニュースリリース）。

ガラスでは，ダイヤモンドや通常の金属固体のように原子分子が規則的に並んだ「結晶」と違って原子構造が不規則であり，その性質を予測するための手がかりを原子構造の中に見つけることが困難だった。そのため，ガラスの構造を研究するときには，原子配置の時間変化をまずシミュレーションで調べるというのが標準的なアプローチだった。

ガラスの原子運動のシミュレーション研究では，対象となるそれぞれの原子について，近くにある原子との間に働く力を時々刻々計算し，原子の運動を模擬的に求める。このような計算から，ガラスの原子の運動は一様ではなく，局所的に強い振動があらわれた場所で原子の入れ替わりが起きてガラスの構造が変化してゆく（構造緩和する）。

シミュレーション研究から，強い振動がガラスのどの位置に現れるかは原子の配置によって決定づけられているという知見が得られている。これは，ガラスの原子の配置パターンに，時間と共に構造がどのように変化してゆくか，という情報があらかじめ埋め込まれていることが明らかになってきたため。

一方，このようなシミュレーションは最新のプロセッサを用いても計算に何日もかかった。そこで，近年データ科学の分野で注目されている「グラフニューラルネットワーク（GNN）」と呼ばれる深層学習の手法をガラスの構造変化の研究に導入することを試みた。

先行研究では，初期状態の原子の配置パターンと時間発展させたシミュレーション結果を学習させることで，原子配置のある一瞬の「スナップショット」から長時間にわたる原子の運動をわずか数分で予測できることが示された。

研究グループが開発したGNNによる深層学習モデル「BOnd TArgeting Network（BOTAN）」は，原子の運動に加え，近くの原子同士の距離の変化の情報を利用してガラスの原子構造の時間変化を学習し，ある時点のガラスの原子配置のみからそのガラスが将来示す複雑な運動を，精密かつ短時間で予測する。

研究では，先行研究と比較して20%から50%程度予測誤差が小さく（平均自乗誤差による評価），短時間から長時間まで安定して高い精度で予測できることが示された。研究グループは，長い時間が必要なシミュレーションを人工知能による予測で代替する手法の実現への重要な一歩だとしている。