Google DeepMind、BIFOLD、ベルリン工科大学の研究者らは、2026 年 3 月、『Nature Machine Intelligence』誌に新しい機械学習手法「ユークリッド・ファスト・アテンション（EFA）」を発表しました。この手法は、従来の方法では困難だった複雑な分子内の原子間の長距離相互作用を、効率的に計算できるようになりました。従来の計算モデルでは、分子をシミュレートする際、原子が近隣だけでなく遠くの原子からも影響を受け、特に大規模な分子（数百から数千の原子）になると計算量が急増し、現実的な時間内で処理することが限界でした。これは、新薬開発や効率の良いバッテリー、持続可能な材料の設計において重要な障壁となっていました。特に、機械学習の基盤である「セルフ・アテンション」機構を用いると、原子数が増えるにつれて必要な計算量が原子数の二乗に比例して増大するため、大規模な原子構造を正確にモデル化する際の計算コストが現実的ではなくなっていました。これに対し、EFA はアテンションの計算コストが原子数に比例して線形に増加する新しい表現法を開発しました。この手法は、分子や材料における原子の相対的な位置や向きといった幾何学的な規則（ユークリッド空間）に特化しており、物理的な対称性を損なうことなく空間情報を効率的に表現します。実験により、EFA が従来の機械学習力場では正確に捉えられなかった化学的相互作用も、遠距離であっても低コストで正確に記述できることが確認されました。ベルリン工学大学で BIFOLD の共同ディレクターを務めるクラウス＝ロベルト・ミュラー教授は、このアプローチにより、大規模な多次元系を量子力学的な精度でモデル化する新たな段階に進むと評価しています。EFA は計算効率を維持しながら全体の構造情報をモデルに組み込むことを可能にするため、将来、大規模で複雑な材料シミュレーションや、新薬・新素材の開発プロセスを加速させる有望な技術として期待されています。