研究表明，图神经网络在预测分子性质方面表现优异，尤其在聚合物的介电常数和能带隙预测中，精度接近DFT结果。新提出的多模态深度学习框架MMPolymer结合1D和3D信息，提升了聚合物性质预测的性能。

通过高通量工作流结合机器学习和人类专家直觉，成功合成和表征了两种新型介电材料CsTaTeO6和Bi2Zr2O7。机器学习方法在能带间隙和介电常数之间的倒数相关性方面表现出良好的性能。这是机器学习指导的多目标材料优化在实验合成和表征方面的首个成功案例。