在此,美国麻省理工学院Jeffrey C. Grossman教授、谢天博士(共同通讯)等人使用多任务图神经网络从大量嘈杂、未收敛的短MD数据和少量收敛的长MD数据中学习,从而加速聚合物电解质筛选。其中,作者采用多任务学习来实现从短模拟属性到长模拟属性的校正。结果显示,模型对真实属性的预测误差小于来自单个MD模拟的随机误差,并且它还比线性校正更好地校正了来自未收敛模拟的系统误差。结合随机和系统误差的减小,作者成功地筛选了6247种聚合物的空间并发现了最好的聚合物电解质,与直接模拟每种聚合物相比,这相当于22.8倍的加速度。此外,作者还提取了聚合物电解质的几个设计原则,并为社区提供了一个开放的数据集。总之,该方法可适用于涉及模拟复杂、无定形材料的广泛类型的材料发现问题。这项研究以“Accelerating amorphous polymer electrolyte screening by learning to reduce errors in molecular dynamics simulated properties”为题发表于国际顶级期刊Nature Communications。