精度が高く、転移可能で、計算コストが低い機械学習モデルの開発は、新材料の発見と開発を急速に加速することができます。このようなモデルを開発する際の主要な課題には、(i) 他の分野と比較して材料データの限られた入手可能性、(ii) 材料の様々な特性を予測するための普遍的な記述子の欠如があります。材料データの限られた入手可能性は転移学習を通じて解決できますが、一般的な表現については最近、XieとGrossman [1] によって結晶グラフ畳み込みニューラルネットワーク (CGCNN) が開発され、結晶の一貫した表現を提供しました。本研究では、CGCNNと多タスク (MT) 学習に基づく転移学習を統合することで新しいモデル (MT-CGCNN) を開発しました。私たちはMT-CGCNNの有効性を示すために、形成エネルギー、バンドギャップ、フェルミエネルギーなどの様々な材料特性を広範な無機結晶（46,774種類の材料）に対して同時予測を行いました。相関のある特性に対するテスト誤差は最大8%減少し、訓練データが10%削減された場合でもCGCNNよりも低いテスト誤差を示しています。さらに、金属/非金属分類に関連するエンドユーザーシナリオでの予測により、私たちのモデルの優れた性能を示しました。これらの結果は、多タスク学習を利用して前述の新材料探索における課題に対処する機械学習アプローチのさらなる開発を促進します。また、再現可能な研究を奨励するためにMT-CGCNNのソースコードを公開しています。