聚合物电解质在下一代高性能锂离子电池具有重要前景，目前从无定形体系进行大规模筛选优化聚合物电解质进行分子动力学模拟的计算具有非常昂贵的问题：对无定形聚合物进行优化需要将样品进行重复化处理从而尽量降低噪声的影响，这个过程导致弛豫时间非常缓慢，需要非常长的收敛时间。

有鉴于此，麻省理工学院谢天（Tian Xie）、Jeffrey C. Grossman等报道通过多任务神经网络技术能够显著的加速计算筛选所需的时间，这种技术通过从大量的噪声、无法收敛的短时间分子动力学数据与少量收敛的长时间分子动力学数据结合实现快速筛选。

本文要点

（1）

通过这种技术，从6247种不同的聚合物中进行4种不同性质收敛，与之前报道的相关研究相比，这种方法实现了多个数量级的提高。

（2）

提出了多种聚合物电解质的设计理念，提供了用于研究的开放数据库。这种方法有助于帮助解决大量从无定形或者复杂材料筛选具有可行性材料面临的问题。

参考文献

Xie, T., France-Lanord, A., Wang, Y. et al. Accelerating amorphous polymer electrolyte screening by learning to reduce errors in molecular dynamics simulated properties. Nat Commun 13, 3415 (2022)

DOI: 10.1038/s41467-022-30994-1

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