有機EL（OLED）、二次電池、太陽電池、トランジスタなどの先進的な電子デバイスの多くは、複数の異なる材料を組み合わせた複雑な多層構造（積層アーキテクチャ）によって成り立っています。デバイスの性能、安定性、および効率を最適化するには、各層の組成と配置を精密に制御する必要がありますが、新規設計の実験的な探索には多大なコストと時間がかかります。物理モデルに基づくシミュレーションは、個々の材料の特性を理解する上で有用ですが、計算コストや手法的な限界から、フルデバイス（デバイス全体）の構造に対して適用することは実用的ではないケースが多々あります。

シュレーディンガーは、デバイス構造や駆動条件に関するシンプルで直感的な入力情報から、積層型電子デバイスの主要な性能指標を予測する機械学習（ML）フレームワークを開発しました。この手法は、Schrödinger Materials Scienceスイート内の物理シミュレーションと自動化されたMLワークフローを統合するものであり、物理シミュレーションの出力を特徴量として活用することで、モデルの精度と予測力を向上させています。本技術は、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を提供します。これにより、層の組成変更、層の追加や削除、各層の膜厚やモルフォロジーの調整など、ターゲットを絞った評価が可能になります。ユーザーはデバイス性能を効率的に予測し、機能性、層の構造、そして材料化学との間の解釈可能な関係性（Interpretable relationships）を明らかにすることができます。本ウェビナーでは、シングルユニットおよびタンデム型OLEDに焦点を当てて解説しますが、この手法は幅広い電子デバイスに容易に適用可能です。

主なハイライト：

• ユーザーがデバイスの構造的特徴を定義し、新規のデバイス構成を探索することを可能にする、電子デバイス性能モデリングのための機械学習フレームワーク
• 複数の主要な性能指標について、2,000種類以上のOLED構造データセットを用いて実証されたモデル精度
• 外部量子効率（EQE）、電流効率（CE）、電力効率（PE）、EL発光ピーク波長、発光スペクトル半値幅、および発光色など、6つのデバイス性能指標に対応した「すぐに使える（Out-of-the-box）」学習済みMLモデル
• 新規材料（化学構造）やデバイス構造の設計、モデルの学習、および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
• 本フレームワークの幅広い電子デバイスへの拡張性を示すデモンストレーション

対象となる方：

• デバイス開発エンジニア
• 研究開発（R&D）部門リーダー
• イノベーション推進マネージャー
• DX（マテリアルズ・インフォマティクス等）推進担当者
• 合成化学者
• 計算材料科学者