特許 7577666 特性予測システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-10-25

(45)【発行日】2024-11-05

(54)【発明の名称】特性予測システム

(51)【国際特許分類】

   H10K 50/10 20230101AFI20241028BHJP

   G06F 30/27 20200101ALI20241028BHJP

   G06N 20/00 20190101ALI20241028BHJP

   H10K 50/11 20230101ALI20241028BHJP

   H10K 71/00 20230101ALI20241028BHJP

   H10K 85/00 20230101ALI20241028BHJP

   H10K 101/30 20230101ALN20241028BHJP

   H10K 101/40 20230101ALN20241028BHJP

【ＦＩ】

H10K50/10

G06F30/27

G06N20/00 130

H10K50/11

H10K71/00

H10K85/00

H10K101:30

H10K101:40

【請求項の数】 6

(21)【出願番号】P 2021541741

(86)(22)【出願日】2020-08-17

(86)【国際出願番号】 IB2020057715

(87)【国際公開番号】W WO2021038362

(87)【国際公開日】2021-03-04

【審査請求日】2023-07-26

(31)【優先権主張番号】P 2019156559

(32)【優先日】2019-08-29

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】000153878

【氏名又は名称】株式会社半導体エネルギー研究所

(72)【発明者】

【氏名】細海 俊介

(72)【発明者】

【氏名】河内 峻太郎

(72)【発明者】

【氏名】鈴木 邦彦

【審査官】横川 美穂

(56)【参考文献】

【文献】国際公開第２０１９／０４８９６５（ＷＯ，Ａ１）

【文献】特開２００８－１３８０９７（ＪＰ，Ａ）

【文献】米国特許出願公開第２００８／０１３３１８８（ＵＳ，Ａ１）

【文献】特開２０１２－００４１８１（ＪＰ，Ａ）

【文献】特開２０１７－０９１５２６（ＪＰ，Ａ）

【文献】特表２０１９－５０２９８８（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ１０Ｋ ５０／００－１０２／２０

Ｈ０５Ｂ ３３／００－３３／２８

Ｇ０６Ｆ ３０／２７

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

有機化合物を含む層を有する発光デバイスの特性を予測する、特性予測システムであって、
入力部と、処理部と、演算部と、出力部と、を有し、
前記入力部は、前記発光デバイスの構造、または、前記発光デバイスの特性を供給する機能を有し、
前記処理部は、学習用データセット、または、特性の予測に用いるデータを生成する機能と、有機化合物の分子構造を数値化する機能と、を有し、
前記演算部は、前記学習用データセットに基づいて、教師あり学習を行う機能と、前記教師あり学習の学習結果を基にして、前記データから、発光デバイスの特性の推論を行う機能と、を有し、
前記出力部は、前記推論の結果を提供する機能を有し、
前記発光デバイスは、複数の層を有し、
前記複数の層のうち一以上は、一または複数の有機化合物を有し、
前記学習用データセットは、複数の学習用データを有し、
前記複数の学習用データのそれぞれは、入力データ、および前記入力データに対する教師データを有し、
前記入力データは、前記複数の層の積層順と、前記複数の層のうち一以上が有する、前記一または複数の有機化合物の分子構造と、前記複数の層それぞれの膜厚と、複数の有機化合物を有する層における、前記複数の有機化合物の濃度比と、を有し、
前記教師データは、前記入力データに対する発光デバイスの特性を有する、
特性予測システム。

【請求項2】

請求項１において、
前記発光デバイスの特性は、輝度－電流密度特性、電流効率－輝度特性、輝度－電圧特性、電流－電圧特性、外部量子効率－輝度特性、色度－輝度特性、発光スペクトル、および信頼性のいずれか一または複数である、
特性予測システム。

【請求項3】

有機化合物を含む層を有する発光デバイスの特性を予測する、特性予測システムであって、
入力部と、処理部と、演算部と、出力部と、を有し、
前記入力部には、学習用データセットと、特性の予測に用いられるデータと、が入力され、
前記処理部は、有機化合物の分子構造を数値化する機能を有し、
前記演算部は、前記学習用データセットに基づいて、教師あり学習を行う機能と、前記教師あり学習の学習結果を基にして、前記データから、発光デバイスの信頼性の推論を行う機能と、を有し、
前記出力部は、前記推論の結果を提供する機能を有し、
前記学習用データセットは、複数の学習用データを有し、
前記複数の学習用データのそれぞれは、入力データ、および前記入力データに対する教師データを複数有し、
前記入力データは、前記複数の層の積層順と、前記複数の層それぞれが有する、前記一または複数の有機化合物の分子構造と、前記複数の層それぞれの膜厚と、複数の有機化合物を有する層における、前記複数の有機化合物の濃度比と、前記発光デバイスの外部量子効率－輝度特性と、を有し、
前記教師データは、前記入力データに対する発光デバイスの信頼性を有する、
特性予測システム。

【請求項4】

請求項１乃至請求項３のいずれか一において、
前記有機化合物の分子構造の数値化は、定量的構造活性相関またはフィンガープリント法を用いて行われる、
特性予測システム。

【請求項5】

請求項１乃至請求項４のいずれか一において、
前記教師あり学習に、ニューラルネットワークを用い、
前記ニューラルネットワークは、入力層と、出力層との間に、２以上の隠れ層を有する、
特性予測システム。

【請求項6】

請求項１乃至請求項５のいずれか一において、
記憶部を有し、
前記記憶部には、前記教師あり学習により生成された学習済みモデルが記憶される、
特性予測システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の一態様は、発光デバイスの特性を予測する方法に関する。また、本発明の一態様は、発光デバイスの特性を予測する特性予測システムに関する。

【背景技術】

【0002】

一対の電極間にＥＬ（Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ）層を挟んでなる発光デバイス（発光素子ともいう）は、薄型軽量、入力信号に対する高速な応答性、低消費電力などの特性を有することから、これらを適用したディスプレイは、次世代のフラットパネルディスプレイとして注目されている。

【0003】

ＥＬ層に有機化合物を用いた発光デバイス（有機ＥＬデバイス、有機ＥＬ素子ともいう）は、様々な有機化合物を積層することによって様々な特性を示す。しかしながら、有機化合物は、知られているだけでも１００万種類を超える。更に、発光デバイスが積層構造で構成される場合、積層した各層の膜厚、有機化合物の濃度比なども、発光デバイスの特性に影響を与える。したがって、発光デバイスの構造（単に素子構造ともいう）の最適化に大きな労力を要する。

【0004】

近年、機械学習などの方法を利用して分類、推定、予測などを行う方法が大きな進化を遂げている。ニューラルネットワーク（特に、ディープラーニング）による選別や予測の性能は大きく向上しており、様々な分野において優れた成果を上げている。特許文献１では、機械学習を用いた新規物質探索方法およびその装置について開示されている。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２０１７－９１５２６号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

有機ＥＬデバイスの構造を最適化するためには、熟練者によるところが大きい。有機ＥＬデバイスの技術は複数の学問領域にまたがっており、有機化学、半導体物理、電気工学などの知識を要するため、高い熟練が必要とされる。また、最適化に長い年月が必要となるため、その過程を記憶する必要がある。

【0007】

そこで、本発明の一態様は、発光デバイスの特性を予測する方法を提供することを課題の一とする。また、本発明の一態様は、発光デバイスの特性を予測するシステムを提供することを課題の一とする。また、本発明の一態様は、学習用データセットの生成方法を提供することを課題の一とする。

【0008】

なお、これらの課題の記載は、他の課題の存在を妨げるものではない。なお、本発明の一態様は、これらの課題の全てを解決する必要はないものとする。なお、これら以外の課題は、明細書、図面、請求項などの記載から、自ずと明らかとなるものであり、明細書、図面、請求項などの記載から、これら以外の課題を抽出することが可能である。

【課題を解決するための手段】

【0009】

上記問題を鑑み、本発明の一態様は、複数の発光デバイスに関する情報と、当該複数の発光デバイスの特性とを機械学習に用いることで、発光デバイスに関する情報から、当該発光デバイスの特性を予測するシステムを提供する。

【0010】

本発明の一態様は、有機化合物を含む層を有する発光デバイスの特性を予測する、特性予測システムである。特性予測システムは、入力部と、処理部と、演算部と、出力部と、を有する。入力部は、発光デバイスの構造、または、発光デバイスの特性を供給する機能を有する。処理部は、学習用データセット、または、特性の予測に用いるデータを生成する機能と、有機化合物の分子構造を数値化する機能と、を有する。演算部は、学習用データセットに基づいて、教師あり学習を行う機能と、教師あり学習の学習結果を基にして、データから、発光デバイスの特性の推論を行う機能と、を有する。出力部は、推論の結果を提供する機能を有する。

【0011】

上記特性予測システムにおいて、発光デバイスは、複数の層を有し、複数の層のうち一以上は、一または複数の有機化合物を有し、学習用データセットは、複数の学習用データを有し、複数の学習用データのそれぞれは、入力データ、および入力データに対する教師データを有し、入力データは、複数の層の積層順と、複数の層のうち一以上が有する、一または複数の有機化合物の分子構造と、複数の層それぞれの膜厚と、複数の有機化合物を有する層における、複数の有機化合物の濃度比と、を有し、教師データは、入力データに対する発光デバイスの特性を有することが好ましい。

【0012】

また、上記特性予測システムにおいて、発光デバイスの特性は、輝度－電流密度特性、電流効率－輝度特性、輝度－電圧特性、電流－電圧特性、外部量子効率－輝度特性、色度－輝度特性、発光スペクトル、および信頼性のいずれか一または複数であることが好ましい。

【0013】

本発明の他の一態様は、有機化合物を含む層を有する発光デバイスの特性を予測する、特性予測システムである。特性予測システムは、入力部と、処理部と、演算部と、出力部と、を有する。入力部には、学習用データセットと、特性の予測に用いられるデータと、が入力される。処理部は、有機化合物の分子構造を数値化する機能を有する。演算部は、学習用データセットに基づいて、教師あり学習を行う機能と、教師あり学習の学習結果を基にして、データから、発光デバイスの信頼性の推論を行う機能と、を有する。出力部は、推論の結果を提供する機能を有する。学習用データセットは、複数の学習用データを有し、複数の学習用データのそれぞれは、入力データ、および入力データに対する教師データを複数有する。入力データは、複数の層の積層順と、複数の層それぞれが有する、一または複数の有機化合物の分子構造と、複数の層それぞれの膜厚と、複数の有機化合物を有する層における、複数の有機化合物の濃度比と、発光デバイスの外部量子効率－輝度特性と、を有する。教師データは、入力データに対する発光デバイスの信頼性を有する。

【0014】

上記特性予測システムにおいて、有機化合物の分子構造の数値化は、定量的構造活性相関またはフィンガープリント法を用いて行われることが好ましい。

【0015】

また、上記特性予測システムにおいて、教師あり学習に、ニューラルネットワークを用い、ニューラルネットワークは、入力層と、出力層との間に、２以上の隠れ層を有することが好ましい。

【0016】

また、上記特性予測システムにおいて、記憶部を有し、記憶部には、教師あり学習により生成された学習済みモデルが記憶されることが好ましい。

【発明の効果】

【0017】

本発明の一態様により、発光デバイスの特性を予測する方法を提供することができる。また、本発明の一態様により、発光デバイスの特性を予測するシステムを提供することができる。また、本発明の一態様により、学習用データセットの生成方法を提供することができる。

【0018】

なお、本発明の一態様の効果は、上記列挙した効果に限定されない。上記列挙した効果は、他の効果の存在を妨げるものではない。なお、他の効果は、以下の記載で述べる、本項目で言及していない効果である。本項目で言及していない効果は、当業者であれば、明細書、図面などの記載から導き出せるものであり、これらの記載から適宜抽出することができる。なお、本発明の一態様は、上記列挙した効果、及び／又は他の効果のうち、少なくとも一つの効果を有するものである。したがって本発明の一態様は、場合によっては、上記列挙した効果を有さない場合もある。

【図面の簡単な説明】

【0019】

図１Ａ、図１Ｂは、特性予測システムを説明する図である。
図２は、発光デバイスの特性を予測する方法を示すフローである。
図３は、発光デバイスの特性を予測する方法を示すフローである。
図４Ａ、図４Ｂは、ニューラルネットワークの構成を説明する図である。
図５は、発光デバイスの構造を示す図である。
図６Ａ乃至図６Ｄは、学習用データセットを説明する図である。
図７は、フィンガープリント法による分子構造の変換方法を表す図である。
図８Ａ乃至図８Ｄは、フィンガープリント法の種類について説明する図である。
図９は、ＳＭＩＬＥＳ表記からフィンガープリント法による表記への変換を説明する図である。
図１０は、フィンガープリント法の種類と表記の重複について説明する図である。
図１１Ａ、図１１Ｂは、複数のフィンガープリント法を用いて分子構造を表記した例を説明する図である。

【発明を実施するための形態】

【0020】

実施の形態について、図面を用いて詳細に説明する。但し、本発明は以下の説明に限定されず、本発明の趣旨およびその範囲から逸脱することなくその形態及び詳細を様々に変更し得ることは当業者であれば容易に理解される。したがって、本発明は以下に示す実施の形態の記載内容に限定して解釈されるものではない。

【0021】

なお、以下に説明する発明の構成において、同一部分または同様な機能を有する部分には同一の符号を異なる図面間で共通して用い、その繰り返しの説明は省略する。また、同様の機能を指す場合には、ハッチパターンを同じくし、特に符号を付さない場合がある。

【0022】

また、図面において示す各構成の、位置、大きさ、範囲などは、理解の簡単のため、実際の位置、大きさ、範囲などを表していない場合がある。このため、開示する発明は、必ずしも、図面に開示された位置、大きさ、範囲などに限定されない。

【0023】

また、本明細書にて用いる「第１」、「第２」、「第３」という序数詞は、構成要素の混同を避けるために付したものであり、数的に限定するものではないことを付記する。

【0024】

（実施の形態１）
本実施の形態では、発光デバイスの特性を予測する特性予測システム、および発光デバイスの特性を予測する方法について説明する。

【0025】

＜特性予測システムの構成例＞
特性予測システムの構成例について、図１Ａ、および図１Ｂを用いて説明する。

【0026】

図１Ａは、特性予測システム１００の構成例を示す図である。特性予測システム１００は、入力部１０１と、処理部１０２と、演算部１０３と、出力部１０４と、を有する。

【0027】

入力部１０１と、処理部１０２とは、伝送路を介して接続されている。また、処理部１０２と、演算部１０３とは、伝送路を介して接続されている。また、演算部１０３と、出力部１０４とは、伝送路を介して接続されている。なお、入力部１０１と、処理部１０２と、演算部１０３と、出力部１０４と、のそれぞれは、伝送路を介して接続されていてもよい。

【0028】

上記伝送路には、ローカルエリアネットワーク（ＬＡＮ）や、インターネットなどのネットワークが含まれる。また、当該ネットワークは、有線、および無線のいずれか一方、または両方による通信を用いることができる。

【0029】

また、上記ネットワークにおいて無線通信を用いる場合、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの近距離通信手段の他に、第３世代移動通信システム（３Ｇ）に準拠した通信手段、ＬＴＥ（３．９Ｇと呼ぶ場合もある）に準拠した通信手段、第４世代移動通信システム（４Ｇ）に準拠した通信手段、または第５世代移動通信システム（５Ｇ）に準拠した通信手段などの様々な通信手段を用いることができる。

【0030】

入力部１０１は、データＩＮ１、およびデータＩＮ２を処理部１０２へ供給する機能を有する。データＩＮ１、およびデータＩＮ２のそれぞれには、発光デバイスに関する情報、発光デバイスの特性などのデータが含まれる。なお、データＩＮ２には、少なくとも発光デバイスに関する情報が含まれる。また、データＩＮ２には、発光デバイスの特性などのデータが含まれる場合がある。

【0031】

データＩＮ１、およびデータＩＮ２の、処理部１０２への供給は、同じタイミングでもよいし、異なるタイミングでもよい。なお、異なるタイミングで供給される場合、データＩＮ１が処理部１０２へ供給された後、データＩＮ２が処理部１０２へ供給されるとよい。

【0032】

処理部１０２は、データＩＮ１から、学習用データセットＤＳを生成する機能を有する。また、処理部１０２は、データＩＮ２から、特性の予測に用いるデータＤＩを生成する機能を有する。また、処理部１０２は、有機化合物の分子構造を数値化する機能を有する。なお、処理部１０２は、無機化合物の構造を数値化する機能を有してもよい。

【0033】

演算部１０３は、機械学習を行う機能を有する。例えば、演算部１０３は、学習用データセットＤＳに基づいて、教師あり学習を行う機能を有することが好ましい。また、演算部１０３は、当該教師あり学習の学習結果を基にして、特性の予測に用いるデータＤＩから、発光デバイスの特性の推論を行う機能を有することが好ましい。教師あり学習を行うことで、発光デバイスの特性の推論の精度を高めることができる。なお、当該教師あり学習を行うことで、学習済みモデルを生成してもよい。

【0034】

上記教師あり学習には、ニューラルネットワーク（特に、ディープラーニング）を用いることが好ましい。ディープラーニングとして、例えば、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、再帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、オートエンコーダ（ＡＥ：Ａｕｔｏｅｎｃｏｄｅｒ）、変分オートエンコーダ（ＶＡＥ：Ｖａｒｉａｔｉｏｎａｌ Ａｕｔｏｅｎｃｏｄｅｒ）、ランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）、サポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、勾配ブースティング（Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ）、敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）などを用いることが好ましい。

【0035】

なお、ニューラルネットワークにおいては、積和演算が行われる。当該積和演算をハードウェアによって行う場合、演算部１０３は、積和演算回路を有することが好ましい。当該積和演算回路としては、デジタル回路を用いてもよいし、アナログ回路を用いてもよい。なお、当該積和演算は、プログラムを用いてソフトウェア上で行ってもよい。

【0036】

演算部１０３は、機械学習として、半教師あり学習を行う機能を有してもよい。学習用データには、教師データ（教師信号、正解ラベルなどともいう）として発光デバイスの特性のデータが与えられるが、教師データを用意するには、実際に発光デバイスを作製し、発光デバイスの特性を測定する必要がある。教師あり学習と比べて、半教師あり学習は、学習用データセットに含まれる学習用データの数が少なくてもよいため、学習用データの作成に費やす時間を短縮しつつ、推論を行うことができる。

【0037】

出力部１０４は、データＯＵＴを提供する機能を有する。データＯＵＴには、上記推論の結果が含まれる。

【0038】

以上により、発光デバイスの特性を予測する、特性予測システムが構成される。

【0039】

なお、特性予測システム１００は、上記の構成に限られない。例えば、図１Ｂに示すように、入力部１０１、処理部１０２、演算部１０３、および出力部１０４に加えて、記憶部１０５を有してもよい。

【0040】

記憶部１０５は、演算部１０３が生成した学習済みモデルを格納する機能を有する。特性予測システム１００が記憶部１０５を有することで、学習済みモデルを基にして、発光デバイスの特性の予測を行うことができる。よって、学習済みモデルを予め生成しておくことで、発光デバイスの特性を予測する際、教師あり学習を実施する必要がなくなる。したがって、発光デバイスの特性を予測するのに要する時間を短縮することができる。

【0041】

記憶部１０５は、演算部１０３と伝送路を介して接続されている。なお、記憶部１０５は、入力部１０１、処理部１０２、演算部１０３、および出力部１０４のそれぞれと、伝送路を介して接続されていてもよい。

【0042】

以上が、特性予測システムの構成例についての説明である。

【0043】

＜特性を予測する方法＞
次に、発光デバイスの特性を予測する方法の一例について、図２、図３、図４Ａ、および図４Ｂを用いて説明する。

【0044】

図２は、発光デバイスの特性を予測する方法の一例を示すフロー図である。発光デバイスの特性を予測する方法は、ステップＳ００１乃至ステップＳ００７を有する。ステップＳ００１乃至ステップ００３は、教師あり学習を行う工程であり、ステップＳ００４乃至ステップＳ００７は、発光デバイスの特性の推論を行う工程である。

【0045】

ステップＳ００１は、第１のデータを入力する工程である。ステップＳ００１は、図１Ａおよび図１Ｂに示す入力部１０１にて行われる。また、当該第１のデータは、図１Ａおよび図１Ｂに示すデータＩＮ１に対応する。つまり、当該第１のデータには、発光デバイスに関する情報、発光デバイスの特性などのデータが含まれる。

【0046】

ステップＳ００２は、上記第１のデータから、学習用データセットを作成する工程である。ステップＳ００２は、図１Ａおよび図１Ｂに示す処理部１０２にて行われる。当該学習用データセットは、図１Ａおよび図１Ｂに示す学習用データセットＤＳに対応する。

【0047】

また、上記第１のデータに、有機化合物の分子構造が含まれる場合、ステップＳ００２は、当該有機化合物の分子構造を数値化する工程を含む。なお、数値化された有機化合物の分子構造は、上記学習用データセットに含まれる。

【0048】

また、上記第１のデータに、無機化合物の構造が含まれる場合、ステップＳ００２は、当該無機化合物の構造を数値化する工程を含んでもよい。また、数値化された無機化合物の構造は、上記学習用データセットに含まれてもよい。

【0049】

ステップＳ００３は、上記学習用データセットに基づいて、教師あり学習を行う工程である。ステップＳ００３は、図１Ａおよび図１Ｂに示す演算部１０３にて行われる。当該教師あり学習に、ニューラルネットワーク（特に、ディープラーニング）を用いることが好ましい。なお、当該教師あり学習により、発光デバイスの特性を予測するための、学習済みモデルを生成してもよい。

【0050】

ステップＳ００４は、第２のデータを入力する工程である。ステップＳ００４は、図１Ａおよび図１Ｂに示す入力部１０１にて行われる。当該第２のデータは、図１Ａおよび図１Ｂに示すデータＩＮ２に対応する。つまり、当該第２のデータには、少なくとも発光デバイスに関する情報が含まれる。なお、当該第２のデータには、発光デバイスの特性などのデータが含まれる場合がある。

【0051】

なお、ステップＳ００４は、ステップＳ００１と同時に実施してもよいし、ステップＳ００１乃至ステップＳ００３の実施中に実施してもよいし、ステップＳ００３まで実施された後に実施してもよい。

【0052】

ステップＳ００５は、上記第２のデータから、特性の予測に用いるデータを作成する工程である。ステップＳ００５は、図１Ａおよび図１Ｂに示す処理部１０２にて行われる。つまり、当該データは、図１Ａおよび図１Ｂに示す、特性の予測に用いるデータＤＩに対応する。

【0053】

また、上記第２のデータに、有機化合物の分子構造が含まれる場合、ステップＳ００５は、当該有機化合物の分子構造を数値化する工程を含む。なお、数値化された有機化合物の分子構造は、上記データに含まれる。

【0054】

また、上記第２のデータに、無機化合物の構造が含まれる場合、ステップＳ００５は、当該無機化合物の構造を数値化する工程を含んでもよい。また、数値化された無機化合物の構造は、上記データに含まれてもよい。

【0055】

ステップＳ００６は、上記教師あり学習の学習結果を基にして、上記データから、発光デバイスの特性の推論を行う工程である。ステップＳ００６は、図１Ａおよび図１Ｂに示す演算部１０３にて行われる。

【0056】

ステップＳ００７は、第３のデータを出力する工程である。ステップＳ００７は、図１Ａおよび図１Ｂに示す出力部１０４にて行われる。当該第３のデータは、図１Ａおよび図１Ｂに示すデータＯＵＴに対応する。つまり、当該第３のデータには、上記推論の結果が含まれる。

【0057】

以上により、発光デバイスの特性を予測することができる。

【0058】

なお、発光デバイスの特性を予測する方法は、上記に限られない。例えば、図３に示すように、発光デバイスの特性を予測する方法は、ステップＳ００３の後に、ステップＳ００８を有してもよい。

【0059】

ステップＳ００８は、ステップＳ００３で生成された学習済みモデルを記憶する工程である。なお、当該学習済みモデルは、図１Ｂに示す記憶部１０５に格納される。学習済みモデルを予め生成しておくことで、発光デバイスの特性を予測する際、ステップＳ００１乃至ステップＳ００３の工程を省略することができる。よって、発光デバイスの特性を予測するのに要する時間を短縮することができる。

【0060】

＜＜ニューラルネットワーク＞＞
ここで、教師あり学習に用いることができるニューラルネットワークについて説明する。

【0061】

図４Ａに示すように、ニューラルネットワークＮＮは、入力層ＩＬ、出力層ＯＬ、および隠れ層ＨＬによって構成することができる。入力層ＩＬ、出力層ＯＬ、および隠れ層ＨＬはそれぞれ、１または複数のニューロン（ユニット）を有する。なお、隠れ層ＨＬは、１層であってもよいし２層以上であってもよい。２層以上の隠れ層ＨＬを有するニューラルネットワークはディープニューラルネットワーク（ＤＮＮ）と呼ぶこともできる。また、ディープニューラルネットワークを用いた学習は深層学習（ディープラーニング）と呼ぶこともできる。

【0062】

入力層ＩＬの各ニューロンには、入力データが入力される。隠れ層ＨＬの各ニューロンには、前層または後層のニューロンの出力信号が入力される。出力層ＯＬの各ニューロンには、前層のニューロンの出力信号が入力される。なお、各ニューロンは、前後の層の全てのニューロンと結合されていてもよいし（全結合）、一部のニューロンと結合されていてもよい。

【0063】

図４Ｂに、ニューロンによる演算の例を示す。ここでは、ニューロンＮと、ニューロンＮに信号を出力する前層の２つのニューロンを示している。ニューロンＮには、前層のニューロンの出力ｘ_１と、前層のニューロンの出力ｘ_２が入力される。そして、ニューロンＮにおいて、出力ｘ_１と重みｗ_１の乗算結果（ｘ_１ｗ_１）と、出力ｘ_２と重みｗ_２の乗算結果（ｘ_２ｗ_２）の総和ｘ_１ｗ_１＋ｘ_２ｗ_２が計算された後、必要に応じてバイアスｂが加算され、値ａ＝ｘ_１ｗ_１＋ｘ_２ｗ_２＋ｂが得られる。そして、値ａは活性化関数ｈによって変換され、ニューロンＮから出力信号ｙ＝ａｈが出力される。活性化関数ｈとして、例えば、シグモイド関数、ｔａｎｈ関数、ｓｏｆｔｍａｘ関数、ＲｅＬＵ関数、しきい値関数などを用いることができる。

【0064】

このように、ニューロンによる演算には、前層のニューロンの出力と重みの積を足し合わせる演算、すなわち積和演算が含まれる（上記のｘ_１ｗ_１＋ｘ_２ｗ_２）。この積和演算は、プログラムを用いてソフトウェア上で行ってもよいし、ハードウェアによって行われてもよい。積和演算をハードウェアによって行う場合は、積和演算回路を用いることができる。この積和演算回路としては、デジタル回路を用いてもよいし、アナログ回路を用いてもよい。積和演算回路にアナログ回路を用いる場合、積和演算回路の回路規模の縮小、または、メモリへのアクセス回数の減少による処理速度の向上および消費電力の低減を図ることができる。

【0065】

積和演算回路は、チャネル形成領域にシリコン（単結晶シリコンなど）を含むトランジスタ（以下、Ｓｉトランジスタともいう）によって構成してもよいし、チャネル形成領域に酸化物半導体を含むトランジスタ（以下、ＯＳトランジスタともいう）によって構成してもよい。特に、ＯＳトランジスタはオフ電流が極めて小さいため、積和演算回路のアナログメモリを構成するトランジスタとして好適である。なお、ＳｉトランジスタとＯＳトランジスタの両方を用いて積和演算回路を構成してもよい。

【0066】

積和演算をハードウェアによって行う場合、積和演算回路は、特性予測システム１００が有する演算部１０３に含まれるとよい。

【0067】

以上が、ニューラルネットワークについての説明である。なお、本発明の一態様においては、ディープラーニングを用いることが好ましい。つまり、２層以上の隠れ層ＨＬを有するニューラルネットワークを用いることが好ましい。

【0068】

以上が、発光デバイスの特性を予測する方法の一例についての説明である。

【0069】

＜発光デバイスの特性を予測する方法の詳細＞
以下では、発光デバイスの特性を予測する方法の詳細について、図５乃至図１１Ｂを用いて説明する。

【0070】

＜＜発光デバイスの構造＞＞
はじめに、発光デバイスの構造について説明する。

【0071】

発光デバイスは、基本的には、一対の電極間に発光性の材料を含む層（発光層ともいう。）を挟持したデバイスである。当該デバイスに電圧を印加することにより、発光性の材料から発光を得ることができる。発光性の材料として、有機化合物、または無機化合物を用いることができる。なお、発光層は、一の有機化合物または一の無機化合物を用いて設けてられてもよいし、複数の有機化合物を混合または積層して設けられてもよいし、複数の無機化合物を混合または積層して設けられてもよいし、有機化合物および無機化合物を混合または積層して設けられてもよい。以降では、発光性の材料として有機化合物を用いる発光デバイスを例として説明する。

【0072】

図５は、発光デバイス１０の構造を示す模式図である。発光デバイス１０は、複数の層が積層した構造を有する。例えば、発光デバイス１０は、ｎ個（ｎは、３以上の整数である。）の層が積層した層２０を有する。つまり、層２０は、層２０（１）乃至層２０（ｎ）で構成される。なお、図５では、基板を図示してない。

【0073】

発光デバイスは、一対の電極間に発光性の材料を含む層を挟持した構造を有する。よって、層２０（１）は、発光デバイス１０の陽極および陰極の一方として機能し、層２０（ｎ）は、発光デバイスの陽極および陰極の他方として機能する。なお、発光デバイス１０の陽極および／または陰極は、単層に限られず、積層であってもよい。このとき、発光デバイス１０の陽極および陰極の一方は、層２０（１）乃至層２０（ｊ）（ｊは１以上（ｎ－２）以下の整数である。）で構成され、発光デバイス１０の陽極および陰極の他方は、層２０（ｋ）乃至層２０（ｎ）（ｋは（ｊ＋２）以上ｎ以下の整数である。）で構成される。以降では、説明を容易にするため、発光デバイス１０の陽極および陰極はいずれも単層で構成されるとみなす。

【0074】

発光デバイス１０の陽極および陰極がいずれも単層である場合、層２０（２）乃至層２０（ｎ－１）の一部または全ては、有機化合物を含む層である。さらに、層２０（２）乃至層２０（ｎ－１）のいずれか一または複数は、発光性の材料を有する。以降では、層２０（２）乃至層２０（ｎ－１）の全ては、有機化合物を含む層であるとみなす。また、一対の電極間に位置する層（層２０（２）乃至層２０（ｎ－１））をまとめて、中間層２５と表記する場合がある。

【0075】

ｎが３である場合、中間層２５は、単層で構成される。つまり、中間層２５は層２０（２）のみで構成される。ｎが３である発光デバイス１０の構造を、シングル構造と呼ぶ場合がある。また、ｎが４以上である場合、中間層２５は、複数の層で構成される。つまり、中間層２５は、積層構造を有する。

【0076】

［中間層が積層構造で構成される発光デバイス］
以下では、中間層が積層構造で構成される発光デバイス１０について説明する。

【0077】

ｎが５である場合、中間層２５は、３層の積層構造を有する。このとき、中間層２５は、正孔輸送層と、発光層と、電子輸送層と、の積層構造を有することができる。これにより、発光デバイス１０の電流効率および外部量子効率を高めることができる。また、ｎが６以上である場合、中間層２５は４以上の層が積層された構造を有する。よって、正孔輸送層、発光層、および電子輸送層のいずれか一または複数が、積層構造を有することができる。

【0078】

層２０（１）が陽極として機能し、層２０（ｎ）が陰極として機能する場合、中間層２５は、正孔輸送層、発光層、電子輸送層が順次積層された構造を有する。なお、層２０（１）が陰極として機能し、層２０（ｎ）が陽極として機能する場合、積層順は逆になる。

【0079】

なお、陽極、正孔輸送層、発光層、電子輸送層、および陰極の、それぞれの膜厚を適切に調整することで、発光効率、外部量子効率などの、発光デバイスの特性を向上させることができる。別言すると、発光デバイスの特性は、層２０（１）乃至層２０（ｎ）のそれぞれの膜厚に影響される。

【0080】

ｎが７である場合、中間層２５は、５層の積層構造を有する。このとき、中間層２５は、正孔注入層と、正孔輸送層と、発光層と、電子輸送層と、電子注入層と、の積層構造を有することができる。これにより、発光デバイス１０の電流効率および外部量子効率をより高めることができる。また、ｎが８以上である場合、中間層２５は６以上の層が積層された構造を有する。よって、正孔注入層、正孔輸送層、発光層、電子輸送層、および電子注入層のいずれか一または複数が、積層構造を有することができる。

【0081】

層２０（１）が陽極として機能し、層２０（ｎ）が陰極として機能する場合、中間層２５は、正孔注入層、正孔輸送層、発光層、電子輸送層、電子注入層が順次積層された構造を有する。なお、層２０（１）が陰極として機能し、層２０（ｎ）が陽極として機能する場合、積層順は逆になる。

【0082】

発光層は、発光性の材料や複数の材料を適宜組み合わせて有しており、所望の発光色を呈する蛍光発光や燐光発光が得られる構成とすることができる。また、発光層を発光色の異なる積層構造としてもよい。なお、この場合、積層された各発光層に用いる発光物質やその他の物質は、それぞれ異なる材料を用いればよい。

【0083】

発光デバイス１０において、例えば、層２０（１）を反射電極とし、層２０（ｎ）を半透過・半反射電極とし、微小光共振器（マイクロキャビティ）構造とすることにより、中間層２５に含まれる発光層から得られる発光を両電極間で共振させ、層２０（ｎ）を透過して射出される発光を強めることができる。

【0084】

なお、発光デバイス１０の層２０（１）が、反射性を有する導電性材料と透光性を有する導電性材料（透明導電膜）との積層構造からなる反射電極である場合、透明導電膜の膜厚を制御することにより光学調整を行うことができる。具体的には、発光層から得られる光の波長λに対して、層２０（１）と、層２０（ｎ）との電極間距離がｍ_１λ／２（ただし、ｍ_１は自然数である。）近傍となるように調整するのが好ましい。

【0085】

また、発光層から得られる所望の光（波長：λ）を増幅させるために、層２０（１）から発光層の所望の光が得られる領域（発光領域）までの光学距離と、層２０（ｎ）から発光層の所望の光が得られる領域（発光領域）までの光学距離と、をそれぞれ（２ｍ_２＋１）λ／４（ただし、ｍ_２は自然数である。）近傍となるように調節するのが好ましい。なお、ここでいう発光領域とは、発光層における正孔（ホール）と電子との再結合領域を示す。

【0086】

このような光学調整を行うことにより、発光層から得られる特定の単色光のスペクトルを狭線化させ、色純度のよい発光を得ることができる。

【0087】

上記の場合、層２０（１）と層２０（ｎ）との電極間距離は、厳密には層２０（１）における反射領域から層２０（ｎ）における反射領域までの総厚ということができる。しかし、層２０（１）や層２０（ｎ）における反射領域を厳密に決定することは困難であるため、層２０（１）と層２０（ｎ）の任意の位置を反射領域と仮定することで充分に上述の効果を得ることができるものとする。また、層２０（１）または層２０（ｎ）と、所望の光が得られる発光層との光学距離は、厳密には層２０（１）または層２０（ｎ）における反射領域と、所望の光が得られる発光層における発光領域との光学距離であるということができる。しかし、層２０（１）または層２０（ｎ）における反射領域、及び所望の光が得られる発光層における発光領域を厳密に決定することは困難であるため、層２０（１）または層２０（ｎ）の任意の位置を反射領域、所望の光が得られる発光層の任意の位置を発光領域と仮定することで充分に上述の効果を得ることができるものとする。

【0088】

上記の場合、発光デバイス１０は、マイクロキャビティ構造を有するため、同じ中間層２５を有していても、異なる波長の光（単色光）を取り出すことができる。従って、表示装置の表示素子として発光デバイス１０を用いる場合、異なる発光色を得るための塗り分け（例えば、ＲＧＢ）が不要となる。従って、高精細化を実現することが容易である。また、着色層との組み合わせも可能である。さらに、特定波長の正面方向の発光強度を強めることが可能となるため、低消費電力化を図ることができる。

【0089】

なお、発光デバイス１０は、マイクロキャビティ構造を有していなくてもよい。この場合、発光層が白色光を発する構造とし、着色層を設けることにより、所定の色の光（例えば、ＲＧＢ）を取り出すことができる。また、中間層２５を形成する際、異なる発光色を得るための塗り分けを行えば、着色層を設けなくても所定の色の光を取り出すことができる。

【0090】

層２０（１）と層２０（ｎ）の少なくとも一方は、透光性を有する電極（透明電極、半透過・半反射電極等）とすることができる。透光性を有する電極が透明電極の場合、透明電極の可視光の透過率は、４０％以上とする。また、半透過・半反射電極の場合、半透過・半反射電極の可視光の反射率は、２０％以上８０％以下、好ましくは４０％以上７０％以下とする。また、これらの電極の抵抗率は、１×１０^－２Ωｃｍ以下が好ましい。

【0091】

層２０（１）または層２０（ｎ）が、反射性を有する電極（反射電極）である場合、反射性を有する電極の可視光の反射率は、４０％以上１００％以下、好ましくは７０％以上１００％以下とする。また、この電極の抵抗率は、１×１０^－２Ωｃｍ以下が好ましい。

【0092】

ｎが５である場合、中間層２５は、３層の積層構造を有する。このとき、中間層２５は、第１の発光層と、電荷発生層と、第２の発光層と、の積層構造を有することができる。つまり、発光デバイス１０は、タンデム構造を有することができる。発光デバイス１０をタンデム構造とすることで、発光デバイス１０の電流効率および外部量子効率を高めることができる。

【0093】

また、ｎが６以上である場合、中間層２５は４以上の層が積層された構造を有する。このとき、層２０（１）と電荷発生層との間に挟まれた層（第１の中間層と呼ぶ場合がある）、電荷発生層、および電荷発生層と層２０（ｎ）との間に挟まれた層（第２の中間層と呼ぶ場合がある）のいずれか一または複数は、積層構造を有することができる。例えば、ｎが１３である場合、第１の中間層および第２の中間層のそれぞれは、上述した５層の積層構造を有する中間層２５と同様の構成とすることができる。

【0094】

電荷発生層は、層２０（１）と層２０（ｎ）との間に電圧を供給したときに、第１の中間層および第２の中間層のうち、一方に電子を注入し、他方に正孔（ホール）を注入する機能を有する。したがって、層２０（１）の電位が層２０（ｎ）の電位より高くなるように電圧を供給すると、電荷発生層から第１の中間層に電子が注入され、電荷発生層から第２の中間層に正孔が注入されることになる。

【0095】

なお、電荷発生層は、光取り出し効率の点から、可視光を透過することが好ましい。具体的には、電荷発生層の可視光の透過率が、４０％以上であることが好ましい。また、電荷発生層の導電率は、層２０（１）の導電率、または層２０（ｎ）の導電率より低くてもよい。

【0096】

ｎが７である場合、中間層２５は、５層の積層構造を有する。このとき、中間層２５は、第１の発光層と、第１の電荷発生層と、第２の発光層と、第２の電荷発生層と、第３の発光層と、の積層構造を有することができる。つまり、発光デバイス１０は、タンデム構造を有することができる。発光デバイス１０をタンデム構造とすることで、発光デバイス１０の電流効率および外部量子効率をさらに高めることができる。

【0097】

また、ｎが８以上である場合、中間層２５は６以上の層が積層された構造を有する。層２０（１）と第１の電荷発生層との間に挟まれた層（第１の中間層と呼ぶ場合がある）、第１の電荷発生層、第１の電荷発生層と第２の電荷発生層との間に挟まれた層（第２の中間層と呼ぶ場合がある。）、第２の電荷発生層、および第２の電荷発生層と層２０（ｎ）との間に挟まれた層（第３の中間層と呼ぶ場合がある。）のいずれか一または複数は、積層構造を有することができる。例えば、ｎが１９である場合、第１の中間層、第２の中間層、および第３の中間層のそれぞれは、上述した５層の積層構造を有する中間層２５と同様の構成とすることができる。

【0098】

ここまでは、中間層２５が、１つの電荷発生層と２つの中間層とを有する構成、または２つの電荷発生層と３つの中間層とを有する構成について説明したが、これに限られない。中間層２５が、３つ以上の電荷発生層と、４つ以上の中間層とを有する構成にしてもよい。電荷発生層の数と中間層の数を増やすことで、発光デバイス１０の電流効率および外部量子効率を高めることができる。なお、ｎは、電荷発生層の層数に合わせて適宜調整されるとよい。

【0099】

以上が、中間層が積層構造で構成される発光デバイス１０についての説明である。

【0100】

なお、中間層２５に含まれる層において、複数の有機化合物を共蒸着することで形成される場合がある。共蒸着により形成された層は、複数の有機化合物を有する。よって、中間層２５に、複数の有機化合物を有する層が含まれる場合がある。中間層２５に、複数の有機化合物を有する層が含まれる場合、当該複数の有機化合物の濃度比は、発光デバイスの特性に影響する。

【0101】

以上が、発光デバイスの構造についての説明である。

【0102】

＜＜発光デバイスの特性＞＞
以下では、発光デバイスの特性について説明する。発光デバイスの特性として、例えば、発光デバイスの初期特性、発光デバイスの信頼性試験の結果（発光デバイスの信頼性と表記する場合がある。）などがある。

【0103】

発光デバイスの初期特性として、例えば、輝度－電流密度特性、電流効率－輝度特性、輝度－電圧特性、電流－電圧特性、外部量子効率－輝度特性、色度－輝度特性、発光スペクトルなどがある。

【0104】

発光デバイスの信頼性試験として、例えば、初期輝度をある値に設定し、電流密度一定の条件で発光デバイスを駆動させて、駆動時間に伴う輝度の変化を測定する試験などがある。このとき、輝度は、初期輝度を１００％とした規格化輝度としてもよい。駆動時間に伴う輝度低下が小さいほど、良好な信頼性を有する発光デバイスであるといえる。

【0105】

発光デバイスの初期特性、発光デバイスの信頼性などの、発光デバイスの特性のデータは、２変数データであり、数値化されていることが多い。

【0106】

以上が、発光デバイスの特性についての説明である。

【0107】

＜＜学習用データセット＞＞
ここでは、教師あり学習に用いる学習用データセットについて説明する。

【0108】

図６Ａ、および図６Ｂは、学習用データセット５０の構成を示す図である。学習用データセット５０は、学習用データ５１＿１乃至学習用データ５１＿ｍ（ｍは２以上の整数である。）を有する。学習用データ５１＿１乃至学習用データ５１＿ｍはそれぞれ、入力データ５２＿１乃至入力データ５２＿ｍと、教師データ５３＿１乃至教師データ５３＿ｍと、を有する。なお、学習用データ５１＿１乃至学習用データ５１＿ｍにはそれぞれ、発光デバイス１０＿１乃至発光デバイス１０＿ｍに関する情報と、発光デバイス１０＿１乃至発光デバイス１０＿ｍの特性のデータとが含まれる。

【0109】

本実施の形態で予測する対象は、発光デバイスの特性である。発光デバイスの特性は、上述したように、中間層２５に用いる有機化合物の種類、電極として機能する層２０（１）および層２０（ｎ）に用いる導電性材料の種類、層２０（１）乃至層２０（ｎ）それぞれの膜厚、複数の有機化合物を有する層における、当該複数の有機化合物の濃度比などに影響される。したがって、これらのデータを、学習用データセットに含むことが好ましい。

【0110】

学習用データセット５０は、図１Ａおよび図１Ｂに示す処理部１０２により生成される。処理部１０２に入力されるデータＩＮ１には、上述した発光デバイスに関する情報、上述した発光デバイスの特性のデータなどが含まれる。したがって、学習用データセットは、データＩＮ１に含まれるデータに対して抽出および加工または変換を行うことで、生成される。

【0111】

なお、教師あり学習に用いる学習用データセットに含まれるデータは、数値化されていることが好ましい。学習用データセットが数値以外のデータを含む場合と比べて、学習用データセットに含まれるデータが数値化されることで、機械学習モデルが複雑になることを防ぐことができる。

【0112】

図６Ａに示す学習用データセット５０においては、入力データ５２＿１乃至入力データ５２＿ｍはそれぞれ、発光デバイス１０＿１乃至発光デバイス１０＿ｍに関する情報を含む。また、教師データ５３＿１乃至教師データ５３＿ｍはそれぞれ、発光デバイス１０＿１乃至発光デバイス１０＿ｍの特性のデータを含む。

【0113】

上述したように、発光デバイス１０＿１乃至発光デバイス１０＿ｍの特性のデータは、数値化されたデータであるため、特に変換することなく、それぞれ教師データ５３＿１乃至教師データ５３＿ｍに含めることができる。なお、発光デバイス１０＿１乃至発光デバイス１０＿ｍの特性のデータは、特徴的な点を抽出して、それぞれ教師データ５３＿１乃至教師データ５３＿ｍに含めてもよい。また、制御変数の値が等間隔となるように点を抽出して、それぞれ教師データ５３＿１乃至教師データ５３＿ｍに含めてもよい。

【0114】

ここで、発光デバイス１０＿１乃至発光デバイス１０＿ｍに関する情報について説明する。はじめに、入力データ５２＿１に含まれる発光デバイス１０＿１に関する情報について、図６Ｃを用いて説明する。

【0115】

発光デバイスに関する情報として、発光デバイスの構造、発光デバイスの作製条件（プロセス条件）などがある。発光デバイスの構造に関する情報として、例えば、各層の膜厚、各層に含まれる材料、各層に含まれる材料の濃度比などがある。また、発光デバイスの作製条件に関する情報として、例えば、蒸着源の種類（形状など）、蒸着レート、成膜温度、蒸着チャンバーの状態（真空度など）もしくは成膜過程における発光デバイスが晒された雰囲気、蒸着源の有機化合物の純度（含まれる不純物の種類など）、測定装置の種類、成膜装置の種類、成膜手法などがある。

【0116】

図６Ｃに示すように、例えば、入力データ５２＿１には、発光デバイス１０＿１に関する情報として、発光デバイス１０＿１の構造に関する情報が含まれる。具体的には、層２０（１）乃至層２０（ｎ）それぞれの膜厚（膜厚２２（１）乃至膜厚２２（ｎ））、層２０（１）乃至層２０（ｎ）のそれぞれが有する、一または複数の材料（材料２１（１）乃至材料２１（ｎ））、層２０（１）乃至層２０（ｎ）のそれぞれが有する、一または複数の材料の濃度比（濃度比２３（１）乃至濃度比２３（ｎ））などである。以降では、膜厚２２（１）乃至膜厚２２（ｎ）をまとめて膜厚２２と表記する場合がある。また、材料２１（１）乃至材料２１（ｎ）をまとめて材料２１と表記する場合がある。また、濃度比２３（１）乃至濃度比２３（ｎ）をまとめて濃度比２３と表記する場合がある。

【0117】

入力データに含まれる濃度比２３は、層内における重量比で記述されることが好ましい。例えば、材料Ａと材料ＢがＡ：Ｂ＝ｐ：ｑ（ｗｔ％）（ｐ、およびｑは、それぞれ０以上の実数である。）の重量比で混合して、１つの層が形成される場合、入力データに含まれる濃度比２３は、ｐ：ｑと記述するとよい。なお、１つの層が材料Ａのみで構成される場合、入力データに含まれる濃度比２３は、１：０、または、０：０と記述するとよい。また、例えば、３つの材料が混合する場合を想定して、入力データに含まれる濃度比２３は、ｐ：ｑ：ｒ（ｒは０以上の実数である。）と記述してもよい。

【0118】

なお、入力データに含まれる濃度比２３は、重量比で記述される場合に限られず、モル濃度比で記述されてもよい。また、入力データに含まれる濃度比２３は、層内における濃度比で記述される場合に限られず、共蒸着時の濃度比で記述されてもよい。また、入力データに含まれる濃度比２３は、ｐ：ｑのように比で記述する場合に限られず、ｑ／ｐのように比率で記述されてもよい。

【0119】

膜厚２２（１）乃至膜厚２２（ｎ）では、膜厚の単位が統一されていることが好ましい。膜厚の単位を統一することで、学習用データセット５０に含まれるデータ量を削減することができる。よって、データの送受信、教師あり学習、推論などに費やす時間を低減することができる。

【0120】

上述したように、教師あり学習に用いる学習用データセットに含まれるデータは、数値化されていることが好ましい。膜厚２２、および濃度比２３は数値として入力されるため、特に変換することなく、入力データ５２＿１に含めることができる。

【0121】

一方、データＩＮ１では、発光デバイスが有する有機化合物に関する情報は、構造式、ＳＭＩＬＥＳ（Ｓｉｍｐｌｉｆｉｅｄ ｍｏｌｅｃｕｌａｒ ｉｎｐｕｔ ｌｉｎｅ ｅｎｔｒｙ ｓｐｅｃｉｆｉｃａｔｉｏｎ ｓｙｎｔａｘ）表記で表記された分子構造（単に、分子構造と表記する場合がある。）、ＩＵＰＡＣにより決められた化合物命名法による名称など、数値以外のデータとして入力されることが多い。よって、数値以外のデータとして入力される有機化合物に関する情報（例えば、分子構造）を、数値化することが好ましい。

【0122】

分子構造を数値化する手段として、例えば、当該分子構造で表される有機化合物の物性に置き換える方法がある。有機化合物の物性として、例えば、発光スペクトル、吸収スペクトル、透過スペクトル、反射スペクトル、Ｓ１準位、Ｔ１準位、酸化電位、還元電位、ＨＯＭＯ準位、ＬＵＭＯ準位、ガラス転移点、融点、結晶化温度、キャリア移動度などを挙げることができる。これらの物性は数値として取り扱うことができるが、測定やシミュレーションを行う必要があるため、学習用データセットを生成するのに大きな労力を要する。

【0123】

そこで、本発明の一態様では、材料２１を特定する分子構造を、一定の方法で変換する。なお、当該一定の方法では、分子類似性を表現できればよい。分子類似性を表現する方法として、定量的構造活性相関（ＱＳＡＲ）、Ｆｉｎｇｅｒｐｒｉｎｔｓ、グラフ構造などがよく知られている。例えば、分子構造を、線形表記法または行列表記法を用いて数値化することが好ましい。材料２１を特定する分子構造を数値化することで学習用データとして用いることができる。

【0124】

なお、無機化合物の構造を数値化する場合、動径分布関数（ＲＤＦ）、Ｏｒｂｉｔａｌ Ｆｉｅｌｄ Ｍａｔｒｉｘ（ＯＦＭ）などの記述子などを利用するとよい。

【0125】

［有機化合物の分子構造の数値化の例］
ここでは、有機化合物の分子構造の数値化（数式化）の一例について説明する。

【0126】

有機化合物に関する情報が、ＳＭＩＬＥＳ表記以外の、数値以外のデータとして入力される場合、はじめに、ＳＭＩＬＥＳ表記に変換すると好適である。ＳＭＩＬＥＳ表記は、有機化合物を連続した文字列として表記するため、コンピュータの扱うデータとして好ましい。また、ＳＭＩＬＥＳ表記と、後述するフィンガープリント法は、ともに線形表記法に分類され、相互変換しやすいため好ましい。

【0127】

分子構造の数値化には、オープンソースのケモインフォマティクスツールキットであるＲＤＫｉｔを利用することができる。ＲＤＫｉｔでは、入力した分子構造のＳＭＩＬＥＳ表記をフィンガープリント法によって数式データへ変換する（数値化する）ことができる。

【0128】

フィンガープリント法では、例えば図７に示すように、分子構造の部分構造（フラグメント）を各ビットに割り振ることで分子構造を表し、対応する部分構造が分子中に存在すれば「１」、しなければ「０」がビットにセットされる。すなわち、フィンガープリント法を用いることで、分子構造の特徴を抽出した数式を得ることができる。また、一般的にフィンガープリント法で表された分子構造の式は数百から数万のビット長であり、扱いやすい大きさである。また、分子構造を０と１の数式で表すために、フィンガープリント法を用いることで、非常に高速な計算処理を実現することが可能となる。

【0129】

また、フィンガープリント法には多くの種類（ビット生成のアルゴリズムの違い、原子タイプや結合タイプ、芳香族性の条件を考慮したもの、ハッシュ関数を用いて動的にビット長を生成するものなど）が存在しており、各々特徴がある。

【0130】

図８Ａ乃至図８Ｄに、フィンガープリント法の種類の一例を示す。代表的なフィンガープリント法の種類としては、図８Ａに示すＣｉｒｃｕｌａｒ型（起点となる原子を中心に、指定した半径までの周辺原子を部分構造とする）、図８Ｂに示すＰａｔｈ－ｂａｓｅｄ型（起点となる原子から指定したパスの長さ（ｐａｔｈ ｌｅｎｇｔｈ）までの原子を部分構造とする）、図８Ｃに示すＳｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙｓ型（ビット毎に部分構造が規定されている）、図８Ｄに示すＡｔｏｍ ｐａｉｒ型（分子中のすべての原子について生成させた原子ペアを部分構造とする）等がある。ＲＤＫｉｔにはこれらの各型のフィンガープリントが実装されている。

【0131】

図９は実際に、ある有機化合物の分子構造をフィンガープリント法により数式として表した例である。このように、分子構造をいったんＳＭＩＬＥＳ表記に変換してからフィンガープリントに変換することができる。

【0132】

なお、有機化合物の分子構造をフィンガープリント法で表現する際に、類似する構造を有する異なる有機化合物間で、得られる数式が同一となってしまう場合がある。上述したように、フィンガープリント法は、表記方法によっていくつかの種類が存在するが、同一となってしまう化合物の傾向は、図１０のＣｉｒｃｕｌａｒ型（Ｍｏｒｇａｎ Ｆｉｎｇｅｒｐｒｉｎｔ）、Ｐａｔｈ－ｂａｓｅｄ型（ＲＤＫ Ｆｉｎｇｅｒｐｒｉｎｔ）、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙｓ型（Ａｖａｌｏｎ Ｆｉｎｇｅｒｐｒｉｎｔ）、Ａｔｏｍ ｐａｉｒ型（Ｈａｓｈ ａｔｏｍ ｐａｉｒ）に示したように、表記方法によって異なっている。なお図１０では、それぞれの両矢印内の分子同士がそれぞれ同一の数式（表記）を示す。そのため、学習に用いるフィンガープリント法としては、その少なくとも１を用いて学習させる各有機化合物の分子構造を表記した際に、各有機化合物の表記が全て異なるフィンガープリント法を用いることが好ましい。図１０では、Ａｔｏｍ ｐａｉｒ型が異なる化合物間で重複なく表記することができることがわかるが、学習させる有機化合物の母集団によってはその他の表記方法でも重複なく表記可能である場合もある。

【0133】

そこで、有機化合物の分子構造をフィンガープリント法で記述する際に、複数の異なる種類のフィンガープリント法を用いることが好ましい。用いる種類は何種類でも構わないが、２種類または３種類程度がデータ量的にも扱いやすく好ましい。複数種類のフィンガープリント法を用いる場合、有機化合物の分子構造を、ある種類のフィンガープリント法により表記された数式の後ろに、他の種類のフィンガープリント法により表記された数式を繋げて記述してもよいし、一つの有機化合物に対してそれぞれ複数種類の異なる数式が存在するとして記述してもよい。図１１Ａ、および図１１Ｂに、型の異なるフィンガープリントを複数用いて、有機化合物の分子構造を記述する方法の一例を示す。

【0134】

フィンガープリント法は部分構造の有無を記述する方法であり、分子構造全体の情報は失われる。しかしながら、型の異なるフィンガープリントを複数用いて分子構造を数式化すれば、それぞれのフィンガープリントの型で異なる部分構造が生成され、これらの部分構造の有無の情報から分子構造全体に関わる情報が補完されうる。あるフィンガープリントでは表現しきれない特徴が、発光デバイスの特性に大きく影響する場合、他のフィンガープリントによってそれが補完されるため、型の異なるフィンガープリントを複数用いて分子構造を記述する方法は有効である。

【0135】

なお、図１１Ａに示すように、２種類のフィンガープリント法により表記を行う際は、Ａｔｏｍ Ｐａｉｒ型と、Ｃｉｒｃｕｌａｒ型とを用いることが精度よく物性予測が可能であるため、好ましい構成である。

【0136】

また、図１１Ｂに示すように、３種類のフィンガープリント法を用いて表記を行う際は、Ａｔｏｍ Ｐａｉｒ型と、Ｃｉｒｃｕｌａｒ型と、Ｓｕｂｓｔｒｕｃｔｕｒｅ ｋｅｙｓ型とを用いることが精度よく物性予測が可能であるため、好ましい構成である。

【0137】

また、Ｃｉｒｃｕｌａｒ型のフィンガープリント法を用いる場合は、半径ｒは３以上であることが好ましく、５以上であることがさらに好ましい。なお、半径ｒとは、起点となるある原子を０として、当該原子から連結して数えた原子の個数である。

【0138】

なお、用いるフィンガープリント法を選択する際には、先にも述べたように、各有機化合物の分子構造を表記した際に、各有機化合物の表記が全て異なるものを少なくとも一つ選ぶことが好ましい。

【0139】

フィンガープリントは、表現するビット長（ビット数）を大きくすることで、各有機化合物間で完全に表記が一致する記載が生成される可能性を低くすることができるが、ビット長を大きくしすぎてしまうと、計算コストやデータベースの管理コストが大きくなるというトレードオフが生じる。一方、複数のフィンガープリントを同時に用いて表現することで、あるフィンガープリント型で表記が完全一致となる複数の分子構造があっても、異なるフィンガープリント型を組み合わせることで、全体として表記の完全一致が生じない可能性がある。その結果、なるべく小さなビット長で、フィンガープリントによる表記が完全一致となる複数の有機化合物が生じない状態を生成できる。生成するフィンガープリントのビット長に特に制限はないが、計算コストや、データベースの管理コストを考慮すると、各分子量が２０００程度までの分子であれば、フィンガープリントの型毎にビット長は４０９６以下、好ましくは２０４８以下、場合によっては１０２４以下でも、各有機化合物間で表記が完全一致する状態とならないフィンガープリントを生成することができる。

【0140】

また、それぞれのフィンガープリント型で生成するフィンガープリントのビット長は、その型の特徴や分子構造の全体を考慮して適宜調整すればよく、統一する必要はない。たとえば、ビット長をＡｔｏｍ Ｐａｉｒ型では１０２４ビット、Ｃｉｒｃｕｌａｒ型では２０４８ビットで表し、それらを連結するなどとしても良い。

【0141】

以上が、有機化合物の分子構造の数値化についての説明である。

【0142】

以上により、数値化されたデータを含む学習用データ５１＿１を生成することができる。数値化されたデータを含む学習用データ５１＿２乃至学習用データ５１＿ｍは、学習用データ５１＿１と同様の構成を有する。

【0143】

なお、ｋ個（ｋは３以上、（ｎ－１）以下の整数である。）の層からなる発光デバイスに関する情報を学習用データに含ませる場合、当該学習用データでは、材料２１（ｋ＋１）乃至材料２１（ｎ）、膜厚２２（ｋ＋１）乃至膜厚２２（ｎ）、および濃度比２３（ｋ＋１）乃至濃度比２３（ｎ）に対して、ゼロを入力する（ゼロ埋めする）とよい。

【0144】

学習用データセットにおいて、ｎの値は指定しておくことが好ましい。ｎの値を固定しておくことで、入力層ＩＬが有するニューロン（ユニット）の数を決定することができる。

【0145】

ｎは、５以上が好ましく、７以上がさらに好ましい。なお、ｎの上限については、特に限定はしないが、ｎの値が大きすぎると、入力層ＩＬが有するニューロンの数が増え、教師あり学習や推論に費やす時間が増える恐れがある。よって、例えば、ｎは３０以下とするとよい。

【0146】

また、入力データ５２＿１乃至入力データ５２＿ｍのそれぞれには、発光デバイス１０の陽極または陰極である、層２０（１）および層２０（ｎ）に関する情報を含めなくてもよい場合がある。このとき、学習用データセット５０に含まれるデータ量が削減される。よって、データの送受信、教師あり学習、推論に費やす時間を低減することができる。

【0147】

図６Ａでは、入力データ５２＿１乃至入力データ５２＿ｍにはそれぞれ、発光デバイス１０＿１乃至発光デバイス１０＿ｍに関する情報が含まれる場合を示しているが、これに限られない。例えば、図６Ｂに示すように、入力データ５２＿１乃至入力データ５２＿ｍにはそれぞれ、発光デバイス１０＿１乃至発光デバイス１０＿ｍに関する情報と、発光デバイス１０＿１乃至発光デバイス１０＿ｍの第１の特性のデータと、が含まれ、教師データ５３＿１乃至教師データ５３＿ｍにはそれぞれ、発光デバイス１０＿１乃至発光デバイス１０＿ｍの第２の特性のデータが含まれてもよい。

【0148】

上記の場合、発光デバイス１０＿１乃至発光デバイス１０＿ｍの第１の特性と、発光デバイス１０＿１乃至発光デバイス１０＿ｍの第２の特性とは、異ならせる。例えば、発光デバイス１０の第１の特性には、発光デバイス１０の初期特性を用い、発光デバイス１０の第２の特性には、発光デバイス１０の信頼性を用いるとよい。発光デバイスの信頼性は、信頼性に影響する要因は多く、各要因は複雑に絡んでいるため、経験による予測が難しく、推測する対象として好適である。また、発光デバイス１０の初期特性には、発光デバイスの作製条件、測定条件などの情報が間接的に含まれる。よって、入力データに発光デバイス１０の第１の特性を追加することで、教師あり学習に当該情報が与えられ、発光デバイスの信頼性の予測の精度を向上させることができる。

【0149】

また、図６Ｃでは、入力データ５２＿１乃至入力データ５２＿ｍにはそれぞれ、発光デバイス１０＿１乃至発光デバイス１０＿ｍの構造に関する情報が含まれる場合を示しているが、これに限られない。例えば、図６Ｄに示すように、入力データ５２＿１乃至入力データ５２＿ｍにはそれぞれ、発光デバイス１０＿１乃至発光デバイス１０＿ｍの構造に関する情報と、発光デバイスの作製条件に関する情報と、が含まれてもよい。例えば、入力データ５２＿１には、材料２１（１）、膜厚２２（１）、濃度比２３（１）、材料２１（１）の蒸着レート３１（１）、材料２１（１）の成膜温度３２（１）などが含まれるとよい。

【0150】

なお、学習用データセット５０は、発光色が同じまたは類似する発光デバイスのデータのみで構成されてもよい。別言すると、学習用データセット５０は、発光色別に作成されてもよい。これにより、発光デバイスの特性の予測の精度を向上させることができる。また、学習用データセット５０は、発光色に関わらず発光デバイスのデータで構成されてもよい。これにより、汎用性の高い、発光デバイスの特性の予測が可能となる。

【0151】

以上が、学習用データセットについての説明である。入力データと教師データとを用いて機械学習モデルを訓練することで、発光デバイスの特性を予測することができる。なお、発光デバイスの初期特性を予測する場合は、入力データに発光デバイスの構造に関する情報を含め、教師データとして発光デバイスの初期特性を与えるとよい。

【0152】

＜＜特性の予測に用いるデータ＞＞
ここでは、特性の予測に用いるデータについて説明する。

【0153】

特性の予測に用いるデータは、図１Ａおよび図１Ｂに示す処理部１０２により生成される。処理部１０２に入力されるデータＩＮ２には、少なくとも発光デバイスの構造に関する情報が含まれる。また、データＩＮ２には、発光デバイスの特性などのデータが含まれる場合がある。

【0154】

なお、特性の予測に用いるデータは、上述した学習用データの入力データと同様の構成を有するとよい。例えば、学習用データの入力データに、発光デバイスの構造に関する情報が含まれる場合、特性の予測に用いるデータには、発光デバイスの構造に関する情報が含まれるとよい。また、例えば、学習用データの入力データに、発光デバイスの構造に関する情報と、発光デバイスの特性のデータとが含まれる場合、特性の予測に用いるデータには、発光デバイスの構造に関する情報と、発光デバイスの特性のデータとが含まれるとよい。

【0155】

特性の予測に用いるデータとして、具体的には、膜厚２２（１）乃至膜厚２２（ｎ）、材料２１（１）乃至材料２１（ｎ）、濃度比２３（１）乃至濃度比２３（ｎ）などである。

【0156】

以上が、特性の予測に用いるデータについての説明である。

【0157】

以上より、本発明の一態様は、発光デバイスの特性を予測する方法を提供することができる。また、本発明の一態様は、発光デバイスの特性を予測する特性予測システムを提供することができる。

【0158】

本発明の一態様により、発光デバイスに含まれる有機化合物の物性などを用いずに、発光デバイスの特性を予測することができる。また、過去の実験データを用いることで、発光デバイスの構造の最適化を仮想スクリーニングによって高速化することができる。これは人がデータを閲覧し内挿的でなかったとしても、機械学習モデルの非線形もしくは高次な表現によって内挿的になる場合がある。また、機械学習モデルが得た表現を断片的に切り出し、調べることで従来では気付かなかった法則性を知ることができる。

【0159】

本実施の形態は、その一部を適宜組み合わせて実施することができる。

【符号の説明】

【0160】

ＤＩ：データ、ＤＳ：学習用データセット、ＨＬ：隠れ層、ＩＬ：入力層、ＩＮ１：データ、ＩＮ２：データ、ＯＬ：出力層、ＯＵＴ：データ、１０：発光デバイス、１０＿１：発光デバイス、１０＿ｍ：発光デバイス、２０：層、２１：材料、２２：膜厚、２３：濃度比、２５：中間層、３１：蒸着レート、３２：成膜温度、５０：学習用データセット、５１＿１：学習用データ、５１＿２：学習用データ、５１＿ｍ：学習用データ、５２＿１：入力データ、５２＿ｍ：入力データ、５３＿１：教師データ、５３＿ｍ：教師データ、１００：特性予測システム、１０１：入力部、１０２：処理部、１０３：演算部、１０４：出力部、１０５：記憶部

【図1A】

【図1B】

【図2】

【図3】

【図4A】

【図4B】

【図5】

【図6A】

【図6B】

【図6C】

【図6D】

【図7】

【図8A】

【図8B】

【図8C】

【図8D】

【図9】

【図10】

【図11A】

【図11B】