計算化学や材料科学における分子シミュレーションの主流は、エネルギー保存則や対称性など物理法則をモデル構造に組み込む手法でした。しかし、ベルリン学習データ基盤研究所（BIFOLD）と Google DeepMind の研究者らは、あえてこうした物理的制約を外した一般用のトランスフォーマーアーキテクチャのみで、高い精度を実現する手法を開発しました。彼らが発表した MD-ET というモデルは、3,000 万という膨大な分子構造データセットで事前学習を行い、特定の系に対して少量のデータで微調整するだけで動作します。研究結果によると、このモデルは多くの既存ベンチマークにおいて、物理法則を明示的に実装した他モデルと同等かそれ以上の性能を発揮しました。特に力の予測に関しては、分子の向きに依存しない性質が、数値的な誤差を無視できるレベルまで自動的に学習されていることが確認されています。ただし、エネルギー保存が厳密に必要とされる NVE シミュレーションでは課題が残ります。分子サイズが大きくなったり数値的な摂動が生じたりすると、エネルギーが急激に増大する不安定な現象が観測され、物理モデル特有の保証がないため、各ケースごとに慎重な検証が必要だと研究者らは指摘しています。この研究は、物理的バイアスを強制的に課すことが常に不可欠なのか、あるいは十分な量と質のデータと表現力のある一般モデルがあれば、物理法則が自ら学習されるのかという学界の議論に重要な示唆を与えます。多くの実用的な用途においては物理制約を排除したアプローチが有効である可能性を示しつつも、その適用範囲と限界を明確にした点は、今後の分子シミュレーション技術の発展に寄与するものと期待されています。