機械学習が前駆体の揮発性の正確な予測をどのように可能にするか
ボラティリティ予測における課題
CPUやその他のハイテクデバイスの製造において極めて重要なプロセスの一つが、反応性蒸気からの固体材料の成膜である。化学気相成長（CVD）、気相phase エピタキシー（VPE）、原子層堆積（ALD）――そして、その逆プロセスである原子層エッチング――には、それぞれ異なる前駆体蒸気が使用されており、ナノスケールでの材料品質を制御できるよう、各プロセスごとに前駆体の化学組成が慎重に設計されている。 しかし、これらすべての技術に共通しているのは、前駆体化学物質が十分に低い温度で蒸発または昇華しなければならないという点です。前駆体を気化させる際に加熱しすぎると、前駆体が分解してしまい、成長中の表面に供給できなくなる恐れがあります。
この技術（および蒸留、冷凍、インクジェット印刷、食品、香水などの他の分野）において揮発性がこれほど重要な役割を果たしているにもかかわらず、私たちがそれについてほとんど理解していないというのは驚くべきことです。揮発性は、原子間の力が驚くほど繊細なバランスを保っている結果であり、分子が固体や液体として凝縮する程度、あるいは互いに跳ね離れて気体となり、特定の温度で一定の蒸気圧をもたらす程度を決定づけています。 これらの原子間力は、単一の分子や分子のグループ については量子力学を用いて非常に正確に計算できますが、液体や固体のスケールではそうはいきません。今日の計算能力をもってしても、前駆体の揮発性を「第一原理」に基づいて日常的かつ正確に予測することは、残念ながら依然として困難なままです。
機械学習の手法
より実証的な代替アプローチが有用となる可能性はあるだろうか？ 揮発性と化学的構造 との関連性を解明するのに十分な実験データは存在するのだろうか？ アルコール分や天然香料など、一部の有機分子の気化については何世紀にもわたって関心が寄せられており、文献には高品質な蒸気圧データが掲載されている。 過去10年間、これらのデータは「機械学習」という枠組みに属する高度なフィッティングアルゴリズムを用いて分析されてきました。Schrödinger は、最新の機械学習技術を活用し、C20までの有機分子の揮発性を予測する高精度なモデルを開発しました。
しかし、通常は有機金属錯体である前駆体分子の揮発性を予測するための機械学習モデルを構築する場合、状況はそれほど単純ではありません。 新しい前駆体分子が絶えず提案され、評価されています。商業上の機密性から、データの一部が非公開とされたり、研究室ごとに実験条件が異なるためにデータにばらつきが生じたりすることがあります。さらに、材料加工という一般的な目的においては、蒸気が反応器まで確実に輸送されるための温度に焦点を当てる方が現実的であるため、完全な圧力-温度曲線が測定されることはほとんどありません。その結果、予測モデルを構築するためのデータセットはまばらで不完全なものとなっています。
無機および有機金属錯体の揮発性の予測
Schrödinger 科学者たちは、前駆体分子の揮発性を予測する機械学習モデルの構築という課題に取り組みました。Schrödinger の科学者たちは、機械学習と高度な情報科学に関する社内の専門知識を活用し、さまざまな文献から有機金属前駆体に関する情報を収集・デジタル化し、ランダムフォレストやニューラルネットワークなどの多様な機械学習アルゴリズムを、さまざまなケモインフォマティクス記述子やフィンガープリントと組み合わせて適用しました。 その結果、化学構造から無機および有機金属錯体の揮発性を正確かつ効率的に予測する、この種の技術としては初の機能が実現しました。最も一般的な50種類の金属および半金属の錯体について、このモデルは所定の蒸気圧における蒸発温度または昇華温度を、平均精度±9°C（絶対温度の約3％）で予測します。 学習済みのモデルであるため、処理速度は高速で、1秒あたり数百個の錯体の計算が可能です。
前駆体開発の新たな道筋
この予測モデルは、性能が向上した新規前駆体の設計に向けた新たな道を開くものであり、その成膜やエッチングの化学的挙動を改善するだけでなく、蒸発や昇華して蒸気として供給される温度を最適化することも可能にします。この進歩により、これまで以上に幅広い構造改変を計算機上でスクリーニングできるようになり、実験的な合成や試験に向けた、リスクが低く、かつより革新的な前駆体候補を生み出すことが可能になります。 この揮発性モデルは、Schrödingerの反応性や分解を計算するための量子力学に基づくワークフローと相まって、科学者に蒸気phase による成膜やエッチングのための包括的な設計キットを提供し、新技術に向けた材料やプロセスの研究を加速させます。