近年、深層学習が飛躍的発展したことにより、複雑な計算を経て得られるシミュレーション結果を高精度に予測することができるようになった。時間発展型の様々なシミュレーションに対する深層学習予測手法が発展し、シミュレーションを代替できる可能性に期待が持たれている。本研究では、ゆっくりとした緩和する液体「非晶質固体」の動力学予測手法をテーマとする。これまでに代表者らが開発してきた、現在世界最高の予測精度をもつグラフニューラルネットワーク"BOnd TArgeting Network" をさらに高精度化するとともに、最新のGPUを用いてグラフニューラルネットワークによる高精度予測と生成モデルを組み合わせた、新たな非晶質固体のサンプリング手法や破壊スポット予測手法の開発に繋げる。