グラフネットワークは、関係推論と組合せ的一般化を両立する新しい機械学習（ML）のパラダイムです。本研究では、分子と結晶の両方で正確な特性予測を実現する普遍的なマテリアルグラフネットワーク（MEGNet）モデルを開発しました。QM9分子データセットの13つの特性のうち11つにおいて、MEGNetモデルがSchNetなどの従来のMLモデルを上回ることを示しています。同様に、Materials Projectの約60,000個の結晶データで訓練されたMEGNetモデルは、結晶の生成エネルギー、バンドギャップ、弾性率の予測において従来のMLモデルを大幅に上回り、より大規模なデータセットに対してDFT精度を超える性能を達成しています。材料科学や化学における一般的なデータ制約に対処するために、2つの新しい戦略を提案します。まず、温度、圧力、エントロピーを全体状態入力として取り入れることにより、0 Kおよび室温での内部エネルギー、エンタルピー、ギブス自由エネルギーに関する4つの独立した分子MEGNetモデルを統一し、単一の自由エネルギーMEGNetモデルを作成する物理的に直感的なアプローチを示します。次に、MEGNetモデルで学習された元素埋め込みが周期的な化学的トレンドを符号化し、大規模なデータセット（生成エネルギー）で訓練された特性モデルから小規模なデータセット（バンドギャップと弾性率）を持つ特性モデルへの転移学習によって性能向上が可能であることを示します。