近日，北京科学智能研究院与元璟投后企业深势科技采用结合自然科学大模型Uni-Mol的高通量方法实现了二代OLED分子Ir(III)配合物的高效筛选，并发现了具备优良光学性质的潜在专利分子，为新型发光材料的设计和发现助力。与大家分享这一好消息！
相关工作以 “Automatic Screen-out of Ir(III) Complex Emitters by Combined Machine Learning and Computational Analysis” 为题，被 Advanced Optical Materials 以封面文章的形式报道[1]。此外研究人员们同时开源了此篇文章的高精度计算数据，基于此举办的“AI4S-Cup OLED量化属性预测大赛”也在Bohrium®平台热烈进行中。
研究背景
研究结果
自然科学大模型Uni-Mol构建
基于Uni-Mol网络架构，研究者利用了近160万个分子的结构信息及半经验计算结果预训练，再使用约1500个量子化学计算数据进行微调。其中荧光量子产率（PLQY）的计算使用了清华大学帅志刚教授课题组开发的分子性能预测软件包MOMAP[3]。研究者发现Uni-Mol模型可以定量预测OLED分子包括PLQY在内的关键光学性质（见图1）。
图1. Uni-Mol 预测值 a) HOMO、b) LUMO、c) 绝热激发能和 d PLQY 和 QM 对应值之间的相关性，蓝点和黄点分别代表训练集和测试集，颜色条代表训练集中数据点的密度。
Ir(III)配合物高通量筛选
研究者通过随机组合Ir(III)和有机配体的方式得到了百万级的潜在有机配合物数据库，然后基于Uni-Mol模型进行了高通量虚拟筛选（流程如图2所示）。
图2. Uni-Mol助力的高通量流程。
Uni-Mol强大的预测能力极大节省了的计算成本，在量子化学精度下实现了百万级有机配合物数据库的筛选，并发现了数千个对显示器和照明都非常有前景的新型发光材料。研究者从数千个分子中随机挑选了多个分子并采用MOMAP计算了发射光谱，研究表明筛选出的分子可分别用于显示和照明的需求（见图3）。
图3. 用于显示 (a,b) 和照明 (c,d) 目的筛选出的候选物的理论预测发射光谱和 CIE 坐标。
总结
本工作首次将分子表征学习Uni-Mol应用于有机发光材料，通过对Ir(III)配合物的虚拟筛选发现了满足显示和照明需求的新分子。此外，该研究方案也可扩展到其他光电子材料的设计,值得业界关注。相信在不久的将来,计算机虚拟筛选可以大规模地、低成本地帮助我们实现对新型发光材料的设计和发现,让曲面显示器、色彩丰富的智能照明等科幻梦想成为现实!
同时，《AI4S-Cup OLED量化属性预测》大赛也在Bohrium®平台激烈举办中，本次比赛总奖金高达80000人民币，希望选手们能够利用AI模型去预测OLED关键量化属性，拓展AI在发光材料高通量筛选领域的应用。
https://nb.bohrium.dp.tech/competitions/detail/9041900864
最后，为了方便使用，我们也在Bohrium® NoteBook上准备了相应案例和Baseline代码：
《使用unimol进行OLED量化属性预测》
https://nb.bohrium.dp.tech/detail/2412844127
参考文献
