OLED、電池、太陽電池、トランジスタなど、多くの最先端電子デバイスは、複数の材料から構成される複雑な多層構造に依存しています。デバイスの性能、安定性、効率を最適化するには、各層の組成や配置を精密に制御する必要がありますが、新しい設計を実験的に検証するには多大なコストと時間がかかります。物理ベースのシミュレーションは個々の材料に関する知見を提供しますが、計算コストや手法上の制約から、デバイス全体の構造を扱うには現実的でない場合が少なくありません。

Schrödinger 同社は、多層電子デバイスのアーキテクチャや動作条件に関するシンプルで直感的な記述から、主要な性能指標を予測できる機械学習（ML）フレームワークを開発しました。このアプローチでは、Schrödinger の材料科学スイートにおいて、自動化されたMLワークフローと物理ベースのシミュレーションを統合し、物理ベースのシミュレーション出力を活用することで、モデルの精度と予測能力を向上させています。 この進歩により、新規デバイスの設計空間を迅速に探索するためのスケーラブルなソリューションが提供され、層の組成変更、層の追加・削除、層の寸法や形態の調整といった、目的を絞った評価が可能になります。ユーザーはデバイスの性能を効率的に予測し、機能性、層のアーキテクチャ、および材料化学の間の解釈可能な関係性を明らかにすることができます。本ウェビナーでは単層およびタンデム型OLEDに焦点を当てていますが、このアプローチは幅広い電子デバイスに容易に適用可能です。

主なポイント：

• 電子デバイスの性能をモデル化するための機械学習フレームワークであり、ユーザーがアーキテクチャ上の特徴を定義して、新しいデバイス構成を探索できるようにする
• 2,000件を超えるOLEDアーキテクチャのデータセットを用いて、複数の主要な性能指標についてモデルの精度を実証した
• 外部量子効率、電流効率、電力効率、エレクトロルミネッセンスの最大ピーク位置、帯域幅、発光色など、6つのデバイス性能指標に対応した事前学習済みMLモデルが、導入直後から利用可能です。
• 新しい化学反応やデバイスアーキテクチャの設計、トレーニング、探索を行うための直感的なグラフィカルインターフェース
• 幅広い電子機器へのフレームワークの拡張性の実証

参加対象：

• デバイス開発者
• 研究開発のリーダーたち
• イノベーション・マネージャー
• デジタル化担当マネージャー
• 合成化学者
• 計算材料科学者