유기 전자소자를 위한 정공 전도 분자의 데 노보 설계

요약

엄청난 시간 절약과 비용 절감

• 개발 및 평가된 3가지드 노보설계 방법
• 1,400만 개의 분자를 계수하고 선별함
• DFT 계산 9,000회 수행됨
• 목표 성능 프로파일을 갖춘 50개 이상의 분자 확인

성능 향상

훈련 데이터셋에서 가장 낮은 값보다 더 낮은 정공 재구성 에너지를 보이는 분자들을 확인함 (최대 22% 감소)

예측력이 뛰어난 기계 학습( 머신러닝 , ML) 모델 개발

DFT 의 250,000개 분자에 대한 계산 결과를 바탕으로 한 데이터 활용

제안된 새로운 통찰

고품질의드 노보설계는 분자 열거 및 가상 스크리닝을 보완합니다

전하 운반체 이동도는 반도체 물질의 가장 중요한 특성 중 하나입니다.

인쇄 전자 분야의 응용 분야에서는 이동도가 높은 분자가 요구됩니다. 이동도가 향상된 새로운 분자를 발견하기 위한 연구가 빠르게 진전되고 있음에도 불구하고, 여전히 해결해야 할 과제가 남아 있습니다. 예를 들어, 분자의 위상학적 형태가 정공 이동도의 크기에 미치는 영향은 최적화된 분자 설계를 위해 충분히 규명되지 않았으며, 모든 후보 분자를 합성하고 평가하는 데는 막대한 비용과 시간이 소요될 수 있습니다. 원자 수준 시뮬레이션과 머신러닝 기술은 실험적 방법만으로는 얻을 수 없는 새로운 통찰력을 제공할 수 있습니다.

접근 방식

파나소닉의 과학자들은 효율이 더 높은 새로운 유기 반도체 소재를 개발해야 하는 과제에 직면해 있습니다. 혁신을 주도하기 위해 파나소닉은 Schrödinger 와 협력하여, 고처리량 DFT 계산, 머신러닝/딥러닝 모델 구축, 화학 열거 분야의 Schrödinger 가 보유한 계산 능력과 전문 지식을 활용해 새로운 분자를처음부터설계하고있습니다.

결과

파나소닉(Panasonic)과 켄타로 연구소( Schrödinger )의 과학자들은 세 가지드 노보(de novo)기법에 대한 철저한 벤치마크 연구를 수행하고, 향상된 전하 운반 특성을 보일 가능성이 있는 헤테로아센(heteroacene) 계열의 분자 구조를 규명했습니다. 1 켄타로 연구소( Schrödinger )는강력한대규모 컴퓨팅 역량과 머신러닝 분야의자체 전문성을바탕으로, 지식 및 문헌 보고서를 기반으로 한드 노보 기법을개발하고, 베이지안 최적화 알고리즘을 구축하며 보상 공학(reward engineering)을 적용했습니다.

결론

파나소닉(Panasonic)과 캘리포니아 대학교 버클리( Schrödinger )의 과학자들은 재료 과학 분야에서 전하 운반체 이동도를 향상시키는 어려운 과제에 대해,데 노보(de novo) 분자 설계(역설계) 방법의 세 가지 주요 유형을 적용했다. 이들은 정공 재편성 에너지에 대한 대규모 양자 역학( DFT ) 계산을 통해 이러한 방법들의 성능을 평가했다. 이러한 방법들은 분자 열거법 및 가상 스크리닝을 보완하는 매력적인 대안을 제시하며, 데 노보 설계를 위한 딥러닝 분야의 최근 발전은 신소재 설계에 있어 유망한 결과를 도출해냈다.

• 훈련 데이터 세트의 최저값보다 낮은 정공 재구성 에너지를 가진 50개 이상의 분자가 확인되었습니다(최대 22% 감소). 새로 설계된 분자에서 재구성 에너지가 감소함에 따라 정공 이동도가 크게 향상될 것으로 기대됩니다.
• JTNN 기법을 통해 가장 높은 점수를 받은 화합물이 발견되었으며, 그 다음으로 REINVENT 기법이 뒤를 이었습니다. 그러나 전반적으로 볼 때, REINVENT 기법이 상위 1,000개 분자 중에서 가장 우수한 결과를 도출해 냈습니다.
• 이 연구 결과를 바탕으로, 과학자들은 고품질의드 노보(de novo) 기법이 열거 공간의 “공백을 메우는” 화합물을 최적화하여 표적성이 매우 높은 분자를 생성해야 한다고 제안한다.