有機エレクトロニクス向け正孔伝導分子のデ・ノボ設計

要約

大幅な時間の節約とコスト削減

• 3つのデ・ノボ設計手法を開発し、評価した
• 1,400万個の分子を列挙・スクリーニングした
• 9,000回のDFT 計算が実行された
• ターゲット のパフォーマンスプロファイルにより、50種類以上の分子が特定された

パフォーマンスが向上しました

トレーニングデータセットの中で最も低い値よりも低い正孔再配置エネルギー（最大22％の低減）を示す分子を特定した

予測精度の高い機械学習（ML）モデルが開発された

DFT による25万種の分子の計算結果に基づくデータを活用した

新たな知見が提唱された

高品質なデ・ノボ設計は、分子の列挙およびバーチャルスクリーニングを補完する

電荷キャリアの移動度は、半導体材料の最も重要な特性の一つである。

プリンテッドエレクトロニクス分野での応用には、高い移動度を持つ分子が求められます。移動度が向上した新規分子の発見に向けた急速な進展が見られる一方で、依然として課題は残っています。例えば、最適化された分子設計を行う上で、分子のトポロジカル形状が正孔移動度の大きさに与える影響については十分に解明されておらず、候補となるすべての分子を合成・評価するには、多大なコストと時間を要する場合があります。原子レベルでのシミュレーションや機械学習技術を活用することで、実験手法だけでは得られない新たな知見が得られる可能性があります。

アプローチ

パナソニックの科学者たちは、より高効率な新規有機半導体材料の開発という課題に取り組んでいます。イノベーションを推進するため、パナソニックはSchrödinger と提携し、Schrödinger の計算能力と専門知識を活用して、高スループットなDFT 計算、機械学習／深層学習モデルの構築、および化学的列挙による新規分子のデ・ノボ設計を行っています。

結果

パナソニックとSchrödinger の科学者たちは、3つのデ・ノボ手法について徹底的なベンチマーク研究を実施し、キャリア輸送特性の向上が期待されるヘテロアセン系化合物の分子構造を特定した。1Schrödinger は、知識や文献報告に基づいたデ・ノボ手法の開発において、強力な大規模計算能力と機械学習に関する社内の専門知識を発揮し、ベイズ最適化アルゴリズムの構築や報酬工学の適用を行った。

結論

パナソニックとSchrödinger の研究者らは、材料科学における電荷キャリアの移動度向上という困難な課題に対し、デ・ノボ分子設計（逆設計）手法の3つの主要な分類を適用した。彼らは、正孔の再配置エネルギーに関する大規模なDFT 計算を通じて、これらの手法の性能を評価した。これらの手法は、分子列挙法や仮想スクリーニングを補完する魅力的な手法であり、デ・ノボ設計におけるディープラーニングの最近の進歩は、新規材料の設計において有望な結果をもたらしている。

• 50種以上の分子について、トレーニングセット内の最低値よりも低い正孔再配置エネルギー（最大22％の低減）が確認された。新たに設計された分子において再配置エネルギーが低減されることで、正孔の移動度が大幅に向上すると期待される。
• スコアが最も高かった化合物 はJTNN法によって特定され、次いでREINVENT法が続きした。しかし、全体としては、REINVENT法がトップ1,000分子の中で最も優れた結果を生成した。
• この知見に基づき、科学者たちは、高品質なデ・ノヴォ法においては、列挙空間の「空白を埋める」化合物を最適化することで、標的特異性の高い分子を生成すべきであると提唱している。