다음 기술을 활용하여 OLED 소재의 설계 및 최적화 가속화 액티브 러닝

서론

OLED(유기 발광 다이오드)는 스마트폰, TV 화면, 컴퓨터 모니터, 게임 콘솔 등의 디지털 디스플레이에 널리 사용되고 있습니다. OLED는 독특한 전자 구조를 가진 유기 분자를 포함하고 있으며, 이 분자들은 ‘전기발광’이라고 하는 과정을 통해 가시광선 영역의 빛을 생성합니다. OLED가 상업적 가치를 가지려면 높은 효율, 저비용 제조, 장기적인 작동을 위한 우수한 전기화학적 내구성 안정성 을 비롯한 여러 조건을 충족해야 하므로, 새로운 OLED 소재를 개발하는 것은 어려운 과제입니다.

과제

분자모델링 또한 시뮬레이션 도구는 신소재 발굴에 효과적인 것으로 입증되었으며, 산업계 연구개발(R&D) 분야에서 점점 더 널리 활용되고 있습니다. 디지털 시뮬레이션은 기존의 실험적 접근 방식에 비해 연구개발(R&D) 워크플로우에서 상당한 시간 절감을 가져다주었지만, 여전히 몇 가지 과제가 남아 있습니다:

• 재료 설계 및 발굴을 위한 잠재적 화학적 공간은, 제약 조건이 매우 엄격한 문제의 경우에도 그 규모가 방대합니다.
• 밀도 함수 이론(DFT) 계산을 기반으로 한 예측은 시간이 많이 걸리고 계산 비용이 높을 수 있어, 정해진 시간 범위와 자원 내에서 평가할 수 있는 후보의 수를 제한하게 된다.
• 재료의 복잡성을 적절히 평가하기 위해 높은 수준의 정확도를 유지하는 것은 어려운 일입니다.

해결 방법: 액티브 러닝 워크플로우

과학자들이 가장 성능이 뛰어나거나 유용한 후보를 찾아낼 수 있도록 돕기 위해서는 새로운 접근 방식이 필요합니다. “알고리즘 학습(액티브 러닝, AL)”이라 불리는 기계 학습( 머신러닝 , ML) 패러다임을 적용한 덕분에, Schrödinger 는 이 문제를 손쉽게 해결할 수 있게 되었습니다. 최근 Schrödinger 는 광전자 특성 예측을 위해 물리 기반 시뮬레이션과 알고리즘 학습( 머신러닝 ) 간의 시너지를 활용하는 액티브 러닝 워크플로우를 개발했습니다. 이 액티브 러닝 워크플로우를 통해 과학자들은 주어진 표본 공간에서 “성능이 가장 우수한” 부분에 더 효율적이고 비용 효율적인 방식으로 집중할 수 있습니다. 이 워크플로우는 다음과 같은 기능을 제공합니다:

• 사용자 입력을 최소화한 자동화된 액티브 러닝 계산
• 신소재 발굴을 위한 다중 광전자 매개변수의 동시 고려
• 액티브 러닝 와 DFT 를 결합하여 최적의 물성을 지닌 소재를 효율적으로 식별하기
• 표현자 및 지문 분석 기능을 활용하여 화학 구조를 특징화하기
• 적응형 설계 절차를 활용한 고성능 ML 모델 구축
• 시간이 많이 소요되는 물리 기반 계산의 횟수를 최소화하기

사례 연구

Schrödinger 가 수행한 최근 연구 결과는 『Frontiers in Chemistry』에 게재되었으며, SID-Display Week 2022에서 발표되었는데, 이를 통해 OLED 소재 발굴을 위한 ‘ 액티브 러닝 ’ 패러다임이 입증되었다^.1,2

OLED에 가장 우수한 성능을 보이는 정공 수송 분자를 탐색하기 위해, 과학자들은 자동화된 ‘ 액티브 러닝 ’ 워크플로우를 활용해 9,000개의 방대한 분자 풀을 선별했습니다. 초기 훈련 세트에는 효율적인 다중 매개변수 최적화(MPO)를 지원하는 머신러닝 모델이 개발된 50개의 분자가 포함되었습니다. 이후 이 ML 모델을 사용하여 나머지 8,950개의 분자에 대한 예측을 수행했으며, 각 분자당 예측에 소요되는 시간은 불과 몇 분의 1초에 불과했습니다. MPO 점수와 불확실성이 높은 상위 50개 분자를 선정하여 DFT 계산을 수행했고, 계산된 데이터를 ML 모델 훈련의 다음 반복 단계에 입력했습니다. 액티브 러닝 의 훈련 세트 규모는 10회의 반복 과정을 통해 50개 분자에서 550개 분자로 확대되었습니다.

액티브 러닝 이는 DFT 에서 계산된 데이터와 머신러닝 에서 예측된 데이터가 충분한 정확도로 수렴할 때까지 이러한 단계를 반복하는 과정입니다. AL 접근법을 활용함으로써 연구팀은 비용이 많이 드는 양자역학적 계산을 사용하는 기존 방식보다 18배 더 빠르게 물질 라이브러리의 화학적 공간을 스크리닝할 수 있었으며, 이를 통해 상당한 시간과 자원을 절약할 수 있었습니다.

액티브 러닝 워크플로우