MIT团队使用图神经网络，加速无定形聚合物电解质筛选，促进下一代锂电池技术开发

聚合物电解质是下一代锂离子电池技术的有希望的候选者。聚合物电解质的大规模筛选，受到无定形系统中分子动力学（MD）模拟的巨大成本的阻碍：聚合物的无定形结构需要多次重复采样以降低噪声，而缓慢的弛豫需要较长的模拟时间才能收敛。

在这里，麻省理工学院的研究人员，使用多任务图神经网络加速筛选，该网络从大量嘈杂、未收敛的短 MD 数据和少量收敛的长 MD 数据中学习。他们实现了 4 种不同收敛特性的准确预测，并筛选了 6247 种聚合物的空间，该空间比以前的计算研究大了几个数量级。

此外，研究人员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。研究表明，该方法可以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。

该研究以「 Accelerating amorphous polymer electrolyte screening by learning to reduce errors in molecular dynamics simulated properties」为题，于 2022 年 6 月 14 日发布在《 Nature Communications》。

论文链接： https://www.nature.com/articles/s41467-022-30994-1