科学家用GNN进行不确定性量化，实现高效的分子设计，登Nature子刊

本文介绍了台湾大学研究人员在《Nature Communications》上发表的一项研究，该研究通过将不确定性量化（UQ）与图神经网络（GNN）和遗传算法（GA）相结合，解决了在广阔化学空间中优化分子设计的挑战。研究背景指出，传统实验方法在分子发现过程中存在劳动密集型的问题，而计算辅助分子设计（CAMD）则面临在域转移情况下保持预测准确性的困难。研究目的是通过UQ增强的GNN来提高分子优化的成功率，特别是在多目标优化任务中。实验结果表明，概率改进优化（PIO）方法在大多数情况下能够提高优化成功率，并在多目标任务中表现出色，能够平衡相互竞争的目标。结论强调了UQ与GNN集成的开创性方法为新型化学材料的发现提供了更可靠和可扩展的策略，并在有机电子、生物化学和材料科学等领域具有广泛的应用前景。