优化分子性质的方法与流程

本技术涉及分子设计领域，特别是用于oled中应用的发射体分子，并且涉及一种用于使分子自动化设计的计算机实现的方法、一种具有用于执行该方法的程序代码的计算机程序、一种用于训练在该方法中使用的神经网络的方法、以及一种被配置为执行该方法和/或这种神经网络的训练的系统。

背景技术：

1、含有一个或更多个基于有机物的发光层的有机电致发光器件（诸如，以有机发光二极管（oled）、发光电化学电池（lec）和发光晶体管为例）越来越重要。特别地，oled是用于电子产品（诸如，以屏幕、显示器和照明装置为例）的有前景的装置。与基本上基于无机物的大多数电致发光器件相反，基于有机物的有机电致发光器件通常相当柔性并且能够以特别薄的层来制造。

2、对于许多应用，包括用于oled的发射体分子的设计，需要具有针对其相应应用而优化的物理和/或化学的性质的分子。然而，由于理论上可行的分子结构数量庞大，合成足够数量的可行分子并测量物理和/或化学的性质的期望值以及/或者用现有技术已知的方法模拟分子及其性质并基于这些发现来优化分子结构通常是极度耗时的。因此，需要一种改进的方法用于设计针对其物理和/或化学的性质方面进行优化的分子。

技术实现思路

1、技术问题

2、本发明的目的是提供一种用于根据分子的物理性质和/或化学性质来自动化设计和优化用作特定目的的材料的分子的方法。在本发明的含义中，分子的物理性质和/或化学性质应理解为单个分子和/或由多个这些分子构成的（分子）材料的任何物理性质和/或化学性质。

3、问题的解决方案

4、实施例是一种用于使分子（优选地用于oled中的发射体分子，特别是tadf发射体）自动化设计的计算机实现的方法。所述方法使用遗传算法并且将包含至少一个分子结构的一组起始分子结构作为输入、用于指定遗传算法的允许变异的一组变异规则、基于相应分子的物理性质和/或化学性质的一个或更多个预测值的分子结构的评分函数以及终止条件，所述方法提供所设计的分子的分子结构作为输出，所述方法包括以下步骤：

5、a)将一组起始分子结构作为父分子结构种群提供给遗传算法；

6、b)通过使用遗传算法使父分子结构种群的至少一个成员变异，使用遗传算法从父分子结构种群部分地或完全地生成子代分子结构种群；

7、c)预测与子代分子结构种群的成员对应的分子的物理性质和/或化学性质的一个或更多个值，并基于此计算子代分子结构种群的每个成员的评分函数的值，

8、其中，物理性质和/或化学性质的一个或更多个值是使用神经网络来预测的，所述神经网络使用对分子结构具有自注意力衰减的变换器，所述变换器使用分子结构作为输入来预测成员的物理性质和/或化学性质的一个或更多个值；

9、d)检查是否满足终止条件，如果不满足终止条件，则生成新的父分子结构种群，所述新的父分子结构种群由子代分子结构种群的在子代分子结构之中具有评分函数的最佳值的至少一个成员构成；

10、e)使步骤b、步骤c和步骤d迭代，直到满足终止条件；

11、f)选择在步骤b或其任何迭代中生成的分子结构作为输出。

12、计算机实现的方法的特征在于，如果子代分子结构种群的至少一个成员的评分函数大于或小于或等于预定值和/或达到步骤b、步骤c、步骤d的预定迭代次数，则满足终止条件。

13、计算机实现的方法的特征在于，使用遗传算法的变异是基于片段的变异和/或基于字符串的变异。

14、计算机实现的方法的特征在于，遗传算法使用锦标赛选择和/或精英主义。

15、计算机实现的方法的特征在于，为了预测物理性质和/或化学性质的一个或更多个值，使用用于预测分子的物理性质和/或化学性质的值的计算机实现的方法，所述用于预测物理性质和/或化学性质的值的方法使用分子的作为原子-键-图的分子结构作为输入，原子-键-图至少包括分子结构的原子和分子结构的键作为节点，所述方法提供物理性质和/或化学性质的预测值作为输出，所述方法包括以下步骤：

16、a)针对原子-键-图的所有nnodes节点中的每个节点提取维度为dfeatures的特征向量，所述特征向量包括节点类型，所述节点类型优选地是原子、键和全局中的一个，并且特征向量包括在节点类型是原子或键的情况下关于节点的进一步数据；

17、b)生成由所提取的nnodes特征向量构成的维度为nnodes×dfeatures的特征矩阵；

18、c)基于和/或包括分子结构的原子和键之间的距离来计算维度为nnodes×nnodes的平方距离矩阵d；

19、d)将包括变换器的经训练的神经网络应用于特征矩阵，以生成分子的物理性质和/或化学性质的值的预测，变换器使用平方距离矩阵d进行自注意力衰减，

20、其中，神经网络包括：

21、经训练的输入编码器，被配置为从维度为nnodes×dfeatures的特征矩阵生成维度为nnodes×dmodel的输入矩阵，其中，dmodel是变换器模型的维度，

22、具有nlayers>1个变换器-编码器层的经训练的变换器-编码器堆叠作为变换器，使用平方距离矩阵d进行自注意力衰减，其中，经训练的变换器-编码器堆叠被配置为使用输入编码器的输入矩阵作为输入来生成维度为nnodes×dmodel的矩阵作为输出，

23、经训练的投影层，包括自注意力层，所述自注意力层被配置为使用由经训练的变换器-编码器堆叠生成的矩阵作为输入来生成维度为dmodel的向量作为输出，

24、经训练的多层感知器，被配置为从经训练的投影层输出的向量生成物理性质和/或化学性质的值的预测。

25、计算机实现的方法的特征在于，nlayers个经训练的变换器-编码器层中的每个包括经训练的多头衰减自注意力、经训练的前馈网络、两个经训练的层归一化和两个残差连接。

26、计算机实现的方法的特征在于，附加输入参数被用作经训练的多层感知器的附加输入。

27、计算机实施的方法的特征在于，物理性质和/或化学性质是homo能级、lumo能级、单重态能级、三重态能级、单重态-三重态能隙、振子强度、偶极矩、光致发光量子产率、延迟荧光寿命和/或峰值发射波长之一。

28、计算机实现的方法的特征在于，通过使用从原子-键-图导出的抽象距离来计算平方距离矩阵d。

29、计算机实现的方法的特征在于，经训练的神经网络的一部分（例如，经训练的神经网络的变换器）由适用于执行根据前述权利要求中任一项所述的方法的另一经训练的神经网络的另一变换器初始化。

30、实施例是一种用于训练在计算机实现的方法中使用的神经网络的方法，其中，该方法使用包括至少一个处理器和存储设备的系统，并且神经网络包括变换器、一个或更多个投影层以及一个或更多个多层感知器，所述变换器被配置为使用平方距离矩阵d进行注意力衰减，所述一个或更多个投影层包括注意力层，所述注意力层被配置为使用由变换器生成的矩阵作为输入来生成向量作为输出，所述一个或更多个多层感知器使用所述一个或更多个投影层中的一个投影层的输出作为输入，该方法包括以下步骤：

31、a)提供包括分子的分子结构和分子的物理性质和/或化学性质的值的数据集，其中物理性质和/或化学性质被分配给多层感知器中的一个；

32、b)将每个分子的分子结构转换为至少包括分子结构的原子和分子结构的键作为节点的原子-键-图；

33、c)对于原子-键-图(100)的所有nnodes节点中的每个节点提取维度为dfeatures的特征向量，所述特征向量包括节点类型，所述节点类型优选地是原子、键和全局中的一个，并且特征向量包括在节点类型是原子或键的情况下关于节点的进一步数据；

34、d)生成由所提取的nnodes特征向量构成的维度为nnodes×dfeatures的特征矩阵；

35、e)基于和/或包括分子结构的原子和键之间的距离来计算维度为nnodes×nnodes的平方距离矩阵d；

36、f)生成分配给物理性质和/或化学性质的多层感知器的输出值；以及

37、g)基于将多层感知器的输出值与分配给多层感知器的物理性质和/或化学性质的值进行比较来调整神经网络。

38、在该方法中，神经网络包括至少两个多层感知器，其特征在于，针对不同的数据集重复步骤a至步骤g，不同的数据集包括分子的分子结构和不同的物理性质和/或化学性质的值，不同的物理性质和/或化学性质被分配给不同的多层感知器。

39、该方法的特征在于，针对包括不同分子的分子结构和不同分子的物理性质和/或化学性质的值的不同数据集重复步骤a至步骤g。

40、该方法的特征在于，使用适合于在计算机实现的方法中使用的另一经训练的神经网络的另一变换器来使神经网络的一部分（例如变换器）初始化。

41、一种包括处理器和存储设备的系统，其中，所述系统被配置为执行所述方法。

42、一种具有用于执行所述方法的程序代码的计算机程序。

43、发明的有益效果

44、本发明提供一种用于根据分子的物理性质和/或化学性质来自动化设计和优化用作特定目的的材料的分子的方法。