利用主动学习加速OLED材料的设计与优化

引言

OLED（有机发光二极管）被广泛应用于智能手机、电视屏幕、电脑显示器和游戏机等数字显示设备中。它们含有具有独特电子结构的有机分子，通过一种称为电致发光的过程，在可见光谱范围内产生光。 要使OLED具有商业价值，它必须满足多项要求，包括高效率、低成本制造以及长期运行所需的良好电化学稳定性，这使得新型OLED材料的发现成为一项具有挑战性的课题。

挑战

分子建模 模拟 等工具已在材料发现领域证明其有效性，并越来越多地应用于工业研发中。尽管与传统的实验方法相比，数字模拟为研发工作流程节省了大量时间，但仍存在一些挑战：

• 化学空间 在材料设计与发现方面具有巨大的潜力，即使对于受限条件极严苛的问题也是如此
• 基于密度泛函理论（DFT ）计算的预测往往费时且计算成本高昂，这限制了在固定时间范围和资源条件下可评估的候选方案数量。
• 要保持较高的准确度以正确评估材料的复杂性，是一项挑战。

解决方案：主动学习工作流

需要一种新方法来引导科学家找到表现最佳或最有用的候选物。 得益于一种名为“主动学习”（AL）的机器学习（机器学习（ML） ，ML）范式的应用，Schrödinger 已使这一问题变得易于解决。最近，Schrödinger 开发了主动学习工作流，该工作流利用了基于物理理论 模拟与机器学习（ML） 之间的协同作用，用于预测光电特性。该主动学习工作流使科学家能够以更高效、更具成本效益的方式，聚焦于给定样本空间中“表现最佳”的部分。该工作流允许：

• 只需用户最少输入即可实现自动主动学习计算
• 在材料发现过程中同时考虑多个光电参数
• 将主动学习与DFT 相结合，以高效识别具有最优性能的材料
• 利用内置描述符和指纹对化学结构进行特征提取
• 利用自适应设计方法构建高性能机器学习模型
• 尽量减少耗时的基于物理理论 计算次数

案例研究

Schrödinger 团队近期发表在《Frontiers in Chemistry》上并在2022年SID-Display Week上展示的研究，验证了主动学习范式在OLED材料发现中的应用。^1,2

为了探索适用于OLED的最佳空穴传输分子，科学家们利用自动化主动学习工作流对9,000种分子进行了筛选。初始训练集包含50种分子，针对这些分子开发了机器学习（ML） 模型，该模型支持高效的多参数优化 （MPO）。随后，利用该机器学习模型对剩余的8,950种分子进行了预测，每种分子的预测仅需几分之一秒。 选取MPO得分较高且不确定性较大的前50个分子进行DFT 计算，并将计算结果输入到机器学习模型的下一轮迭代训练中。在10轮迭代中，主动学习的训练集规模从50个分子逐步扩大至550个分子。

主动学习就是不断重复这些步骤，直到DFT 计算出的数据与机器学习（ML） 预测出的数据以足够的精度收敛。通过采用主动学习方法，科研团队对材料库的化学空间 进行筛选的速度比传统昂贵的量子力学计算方法快了18倍，从而节省了大量时间和资源。

主动学习工作流