重磅 | Nature论文：哈佛大学联手MIT，用机器学习筛选新型OLED材料
哈佛大学研究人员已经使用机器学习方法筛选出了 1000 多种可用于制造有机发光二极管（OLED）的新型蓝色发光分子，这项成果能够极大推动显示器的发展（点击阅读原文，可查看此论文连接）。
OLED 屏幕使用了施加电流时能够发光的有机分子。不像现在普遍使用的液晶显示器（LCD），OLED 屏幕不需要背光（backlight），这意味着 OLED 屏幕能够像一片塑料一样薄且具有柔性。单个像素能被开启或被完全关闭，这能极大改进屏幕的彩色对比度和能量消耗。OLED 在高端消费者设备中正在取代 LCD，但在电视这样的大型显示器上，因缺乏稳定有效的蓝光材料使得 OLED 缺乏竞争力。
哈佛的这支跨学科研究团队联合 MIT 和三星，开发了一个大规模的、计算机驱动的名为分子太空梭（Molecular Space Shuttle）的筛选流程；该流程结合了理论和实验化学、机器学习、化学信息学，可以快速识别和产业标准表现一样甚至更好的新型 OLED 分子。
Alan Aspuru-Guzik
领导这一研究的化学和生物化学教授 Alán Aspuru-Guzik 说，「人们一度相信有机发光分子的种类只限于分子空间的小部分区域。但通过开发一个复杂的分子生成器，使用前沿的机器学习技术，并利用实验学家的专业知识，我们发现了大量的高性能蓝光 OLED 材料。」
这一研究已经发表到了这一期的 Nature Materials 上。
OLED 制造成本最大的挑战是发出蓝光。
如同 LCD，OLED 依靠绿、红、蓝子像素在屏幕上产生各种颜色。但一直很难找到能够有效发出蓝光的有机分子。为了改进功效，OLED 生产商创造出了带有铱这样昂贵的过渡金属的有机金属分子，凭借磷光现象（ phosphorescence）增强分子。这一解决方法非常昂贵，且还不能实现稳定的蓝光。
Aspuru-Guzik 和他的团队想要使用完全的有机分子取代这些有机金属化合物系统。
首先，他们建立了一个拥有超过 160 万种候选分子的库。然后，为了收缩这一范围，哈佛大学保尔森工程与应用科学学院（Harvard John A. Paulson School of Engineering and Applied Sciences）由计算机科学助理教授 Ryan Adams 带领的一组研究团队开发了新型的机器学习算法来预测哪种分子更有可能产生好结果，并优先考虑对这些分子进行虚拟测试。这有效将搜索的计算成本至少减少了十倍。
本篇论文的作者之一、Adam 实验室的博士后研究者 David Duvenaud 说：「这是化学与机器学习之间的自然结合。因为我们的化学设计流程的早期阶段有数百万个候选项，用人力进行评估与优先级划分是不可能。所以基于已经评估过的分子，我们使用神经网络来快速划分候选分子。」
Adam 说，「机器学习工具正在日趋成熟，我们看到它们已经开始被用于大量的科学领域。这一协作是促进计算机科学领域内前沿科技的美好机遇，同时也能促进开发有众多实际应用的全新材料。看到这些设计能从机器学习预测变成人们可以拿在手中的设备，真是令人满足啊。」
该论文的第一作者、 Aspuru-Guzik 的实验室的博士后研究者 Rafael Gómez-Bombarelli说，「我们能够以一种真正具有预测性的方式建模这些分子。我们能从一个简单的量子化学计算中预测分子的颜色和亮度，计算每一种分子大约需要 12 个小时。我们为化学空间建立了图表，并通过进行虚拟实验来寻找分子所能做到的极限。」
Aspuru-Guzik 说，「分子就像是运动员。找到赛跑运动员很容易，找到游泳运动员、自行车赛车手也很容易，但找到兼三者于一身的运动员不容易。我们的分子需要是三项全能的运动员，它们需要是蓝色、稳定且明亮的。」
但是发现这些超分子所需的不仅仅是计算能力——还需要人类的直觉，Tim Hirzel 如是说，他是化学与化学生物学系的一位高级软件工程师，也是本论文的作者之一。
为了帮助弥合理论建模和实验实践之间的差距，Hirzel 及其团队搭建了一个网页应用以便合作者能探索这些量子化学模拟结果——该结果有 50 多万份。
每个月，Gómez-Bombarelli 与合著者 Jorge Aguilera-Iparraguirre（也是 Aspuru-Guzik 实验室的一位博士后）都会选出最有潜力的分子，并使用他们的软件来创造「棒球卡（baseball cards）」，其详细包含了关于每一种分子的重要信息。这个过程筛选出了 2500 种值得进一步研究的分子。然后该团队在三星和 MIT 的实验合作者会投票决定哪种分子最具有应用潜力。该团队还根据流行的在线约会应用 Tinder 为他们的投票工具起了一个绰号——「molecular Tinder（分子 Tinder）」。
Hirzel 说，「我们以一种非常谨慎的方式促进了这门科学的社会方面的发展。」
Gómez-Bombarelli 说，「计算机模型做了很多事，但天才的灵光仍然来自于人类。」
「这一工作的成功源自其多学科的本质，」Aspuru-Guzik 说，「我们在 MIT 和三星的合作者提供了有关这些分子结构的要求的关键反馈。」
「这种由哈佛的团队首创的高通量筛选技术显著地减少了对合成、实验表征和优化的需求。」该论文的作者之一、MIT 电气工程与计算机科学教授 Marc Baldo 说，「这表明了产业界更快更有效地推进 OLED 技术的方式。」
在这种加速的设计周期后，该团队得到了数百种性能表现和当前最佳的无金属 OLED 一样好（甚至更好）的分子。
这种类型的分子筛选应用也能极大地扩展到 OLED 领域之外。
「这项研究只是更多更先进的有机分子发展之路的一个中间站，我们可以将其用于液流电池、太阳能电池和有机激光器等更多领域。」Aspuru-Guzik 说，「加速分子设计的未来真的非常非常激动人心！」
目前看来，这些分子还不太可能很快推向市场。但已有传言说 iPhone 将会转用 OLED 显示屏，哈佛的这一技术可能会在未来几年内为这一技术的更迭提供非常大的助力。
- 论文：使用高通量虚拟筛选和实验性方法的高效分子有机发光二极管设计
摘要：由于可用计算机时间（computer time）的指数式增长与模拟和机器学习技术的不断改进，虚拟筛选（virtual screening）正在成为分子发现（molecular discovery）应用上的一项突破性技术。我们在这里报告一种综合式的有机功能材料设计流程，该流程整合了理论上的见解、量子化学、化学信息学、机器学习、工业专业技术、有机合成、分子表征、器件制造和光电检测。在探索了 160 万种分子的研究空间之后，该流程使用含时密度泛函理论（TDDFT：time-dependent density functional theory）从中筛选出了 400,000 多种，我们从中识别出了数千种在可见光谱上的有潜力的全新有机发光二极管。我们的团队一起协作从这个集合中选择了最好的候选材料。合成这些候选材料后，我们对其实验测定发现，它们的外量子效率（EQE：External Quantum Efficiency）可达到 22%。
机器学习, 分子, oled, 化学
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
