针对……的空穴传导分子的从头设计有机电子

执行摘要

大大节省了时间，降低了成本

• 开发并评估了3种从头设计方法
• 对1400万个分子进行了计数和筛选
• 已执行 9,000 次DFT 计算
• 已鉴定出50余种具有靶点 性能特征的分子

性能提升

鉴定出一些分子的空穴重排能低于训练数据集中最低值（降低幅度最高达22%）

开发出预测能力极强的机器学习（机器学习（ML） , ML）模型

基于DFT 对250,000种分子进行的计算所得的数据

提出了新的见解

高质量的从头设计与分子计数及虚拟设计相辅相成筛选

电荷载流子迁移率是半导体 材料最重要的特性之一。

印刷电子学领域的应用需要具有高迁移率的分子。尽管在发现迁移率更高的全新分子方面取得了快速进展，但挑战依然存在。例如，分子拓扑形状对空穴迁移率大小的影响尚未被充分理解，这阻碍了优化分子设计；而且，合成并评估每一个候选分子可能极其耗时且成本高昂。原子级模拟和机器学习（ML） 技术能够揭示仅靠实验方法无法获得的新见解。

方法

松下公司的科学家们面临着开发效率更高的新型有机半导体 材料的挑战。为了推动创新，松下与Schrödinger 合作，利用Schrödinger 在高通量DFT 计算、机器学习（ML）/深度学习模型构建以及化学枚举方面的计算能力和专业知识，对新分子进行了从头设计。

结果

松下（Panasonic）和Schrödinger 的科学家们对三种从头设计方法进行了全面的基准研究，并鉴定出异亚苄烯家族中的一些分子结构，这些结构可能具有更优异的载流子输运性能。¹Schrödinger 展示了强大的大规模计算能力以及在机器学习（ML） 方面的内部专业知识，基于现有知识和文献报道开发了从头设计方法，并构建了贝叶斯优化器和奖励工程。

结论

来自松下（Panasonic）和阿斯顿大学（Schrödinger ）的科学家们将三类主要的从头算分子设计（逆向设计）方法应用于材料科学中提高载流子迁移率这一难题。他们通过大规模的DFT 计算来评估这些方法在空穴重排能方面的性能。这些方法为分子枚举和虚拟筛选 提供了极具吸引力的补充，而深度学习在从头设计 方面的最新进展，为新型材料的设计带来了令人鼓舞的结果。

• 已鉴定出50多种分子的空穴重排能低于训练集中的最低数据（降低幅度最高达22%）。我们预计，通过降低新设计分子的重排能，空穴迁移率将得到显著提升。
• 通过JTNN方法筛选出了得分最高的化合物，其次是REINVENT方法。不过，总体而言，REINVENT方法生成的前1,000个分子质量最佳。
• 基于这些研究结果，科学家们提出，高质量的从头合成方法应针对能够“填补”枚举空间中“空白”的化合物进行优化，从而生成高度靶向的分子。