アクティブラーニングを活用したOLED材料の設計と最適化の加速

はじめに

OLED（有機発光ダイオード）は、スマートフォン、テレビ画面、コンピューターモニター、ゲーム機などのデジタルディスプレイに広く利用されています。OLEDには、独自の電子構造を持つ有機分子が含まれており、これらが「エレクトロルミネッセンス」と呼ばれるプロセスを通じて、可視光領域の光を発生させます。 OLEDが商業的に価値を持つためには、高効率、低コストの製造、長期動作のための優れた電気化学的安定性など、いくつかの要件を満たす必要があり、そのため、新規なOLED材料の発見は困難な課題となっています。

課題

分子モデリングおよびシミュレーションツールは、材料探索においてその有効性が実証されており、産業界の研究開発においてますます活用されるようになっています。デジタルシミュレーションは、従来の実験的手法に比べ、研究開発のワークフローにおいて大幅な時間短縮をもたらしていますが、依然としていくつかの課題が残っています：

• 材料の設計や探索において、化合物空間 が持つ可能性は、制約の厳しい問題であっても極めて大きい
• 密度汎関数理論（DFT ）に基づく予測計算は、手間がかかり、計算コストも高いため、限られた時間枠やリソース内で評価できる候補の数が制限されてしまう。
• 材料の複雑さを適切に評価するために、高い精度を維持し続けることは困難である

解決策：アクティブ・ラーニングのワークフロー

科学者を、最も性能の高い、あるいは有用な候補へと導くためには、新たなアプローチが必要とされている。 「アクティブラーニング（AL）」と呼ばれる機械学習（ML）のパラダイムを応用したことで、Schrödinger はこの問題を容易に解決可能にしました。最近、Schrödinger は、光電子特性の予測において、物理ベースのシミュレーションと機械学習の相乗効果を活用したアクティブラーニング・ワークフローを開発しました。このアクティブラーニング・ワークフローにより、科学者は、与えられたサンプル空間の中で「最も性能の高い」部分に、より効率的かつ費用対効果の高い方法で焦点を当てることができます。このワークフローにより、以下のことが可能になります：

• ユーザーの入力は最小限で済む、アクティブラーニングの自動計算
• 材料探索における複数の光電子パラメータの同時考慮
• アクティブ・ラーニングとDFT を組み合わせ、最適な特性を持つ材料を効率的に同定 する
• 組み込みの記述子およびフィンガープリントを用いた化学構造の特徴抽出
• 適応型設計手法を用いた高性能MLモデルの構築
• 時間のかかる物理ベースの計算の回数を最小限に抑える

事例研究

Schrödinger による最近の研究は、『Frontiers in Chemistry』誌に掲載され、SID-Display Week 2022で発表されたが、この研究では、OLED材料の発見に向けたアクティブラーニングのパラダイムが実証された。^1,2

OLED向けに最も性能の高い正孔輸送分子を探索するため、研究者らは自動化されたアクティブラーニング・ワークフローを用いて、9,000種類もの分子からなる大規模な候補群をスクリーニングした。初期の学習セットには50種類の分子が含まれており、これらを用いて効率的な多パラメータ最適化（MPO）をサポートする機械学習モデルが開発された。その後、この機械学習モデルを用いて、候補群に残る8,950種類の分子について予測が行われ、各分子の予測にはわずか数分の1秒しかかからなかった。 MPOスコアが高く、不確実性が大きい上位50分子がDFT 計算の対象として選定され、その計算結果がMLモデルの次の反復学習に投入された。アクティブラーニングのトレーニングセットの規模は、10回の反復を経て50分子から550分子へと拡大された。

アクティブラーニングとは、DFT で算出されたデータと機械学習による予測データが十分な精度で収束するまで、これらの手順を繰り返すことです。このALアプローチを採用したことで、研究チームは、高コストを要する従来の量子力学計算手法に比べ、18倍の速さで材料の化合物空間 をスクリーニングすることができ、ライブラリ 、大幅な時間とリソースの節約につながりました。

アクティブ・ラーニングのワークフロー