TW202400752A - 發光元件及其製造方法、發光性化合物及其製造方法、組成物及其製造方法、資訊處理方法、資訊處理裝置、電腦程式製品、發光性化合物的提供方法、以及數據生成方法 - Google Patents

發光元件及其製造方法、發光性化合物及其製造方法、組成物及其製造方法、資訊處理方法、資訊處理裝置、電腦程式製品、發光性化合物的提供方法、以及數據生成方法 Download PDF

Info

Publication number
TW202400752A
TW202400752A TW112109557A TW112109557A TW202400752A TW 202400752 A TW202400752 A TW 202400752A TW 112109557 A TW112109557 A TW 112109557A TW 112109557 A TW112109557 A TW 112109557A TW 202400752 A TW202400752 A TW 202400752A
Authority
TW
Taiwan
Prior art keywords
compound
compounds
aforementioned
molecular
luminescent
Prior art date
Application number
TW112109557A
Other languages
English (en)
Inventor
板東晃徳
斎藤孝和
石飛昌光
西田理彦
吉岡謙
Original Assignee
日商住友化學股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日商住友化學股份有限公司 filed Critical 日商住友化學股份有限公司
Publication of TW202400752A publication Critical patent/TW202400752A/zh

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09K—MATERIALS FOR MISCELLANEOUS APPLICATIONS, NOT PROVIDED FOR ELSEWHERE
    • C09K11/00—Luminescent, e.g. electroluminescent, chemiluminescent materials
    • C09K11/06—Luminescent, e.g. electroluminescent, chemiluminescent materials containing organic luminescent materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L33/00—Semiconductor devices having potential barriers specially adapted for light emission; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof
    • H01L33/02—Semiconductor devices having potential barriers specially adapted for light emission; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof characterised by the semiconductor bodies
    • H01L33/26—Materials of the light emitting region
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B33/00—Electroluminescent light sources
    • H05B33/10—Apparatus or processes specially adapted to the manufacture of electroluminescent light sources
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10K—ORGANIC ELECTRIC SOLID-STATE DEVICES
    • H10K50/00—Organic light-emitting devices
    • H10K50/10—OLEDs or polymer light-emitting diodes [PLED]
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10K—ORGANIC ELECTRIC SOLID-STATE DEVICES
    • H10K50/00—Organic light-emitting devices
    • H10K50/10—OLEDs or polymer light-emitting diodes [PLED]
    • H10K50/11—OLEDs or polymer light-emitting diodes [PLED] characterised by the electroluminescent [EL] layers
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10K—ORGANIC ELECTRIC SOLID-STATE DEVICES
    • H10K50/00—Organic light-emitting devices
    • H10K50/10—OLEDs or polymer light-emitting diodes [PLED]
    • H10K50/11—OLEDs or polymer light-emitting diodes [PLED] characterised by the electroluminescent [EL] layers
    • H10K50/12—OLEDs or polymer light-emitting diodes [PLED] characterised by the electroluminescent [EL] layers comprising dopants
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10K—ORGANIC ELECTRIC SOLID-STATE DEVICES
    • H10K71/00—Manufacture or treatment specially adapted for the organic devices covered by this subclass
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10K—ORGANIC ELECTRIC SOLID-STATE DEVICES
    • H10K71/00—Manufacture or treatment specially adapted for the organic devices covered by this subclass
    • H10K71/10—Deposition of organic active material
    • H10K71/12—Deposition of organic active material using liquid deposition, e.g. spin coating
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10K—ORGANIC ELECTRIC SOLID-STATE DEVICES
    • H10K85/00—Organic materials used in the body or electrodes of devices covered by this subclass
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10K—ORGANIC ELECTRIC SOLID-STATE DEVICES
    • H10K85/00—Organic materials used in the body or electrodes of devices covered by this subclass
    • H10K85/60—Organic compounds having low molecular weight

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Materials Engineering (AREA)
  • Optics & Photonics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Organic Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Electroluminescent Light Sources (AREA)
  • Led Devices (AREA)
  • Led Device Packages (AREA)
  • Luminescent Compositions (AREA)

Abstract

本發明提供一種能夠有效率地得到可具有良好特性之化合物的資訊處理方法等。
本發明之資訊處理方法係取得複數個成為候選之化合物中之藉由量子化學計算所求取的光譜指標，根據所取得之前述光譜指標，將各化合物分類為光譜指標滿足預定條件之群體以及光譜指標未滿足預定條件之群體，並提取被分類為前述光譜指標滿足預定條件之群體的發光性化合物。

Description

發光元件及其製造方法、發光性化合物及其製造方法、組成物及其製造方法、資訊處理方法、資訊處理裝置、電腦程式製品、發光性化合物的提供方法、以及數據生成方法
本發明係關於發光元件及其製造方法、發光性化合物及其製造方法、組成物及其製造方法、資訊處理方法、資訊處理裝置、電腦程式製品、發光性化合物的提供方法、以及數據生成方法。
以有機化合物或有機金屬錯合物作為發光物質之發光元件(有機EL元件)正朝實用化發展。有機EL元件係將含有發光材料之有機化合物層夾入於一對電極間並施加電壓，藉此，從電極所注入之電子及電洞會重新結合而使發 光物質成為激發狀態，並且於該激發狀態返回基態時會發光。由於發光特性會隨著發光元件所使用之發光物質的不同而有所不同，所以關於具有良好的發光特性之發光物質的研究開發亦正在進行。
近年來，於進行新穎物質或替代物質的研究開發時，係有人提出一種使用統計分析等資訊處理技術來有效率地進行材料開發之材料資訊學(MI：Materials Informatics)的技術(例如專利文獻1)。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本特開2019-87107號公報
為了使用MI的技術來探索可滿足期望特性之化合物，必須對巨量數目的候選化合物採用MI來評估各化合物的特性。於提取可滿足期望特性之化合物時，目前仍需耗費極龐大的計算成本和時間。
本揭示的主要目的在於提供一種能夠有效率地得到可具有良好特性之化合物的資訊處理方法等。
有關本揭示的一樣態之發光元件係具有陽極、陰極、以及設置在前述陽極與前述陰極之間的發光層，其中，前述發光層係含有滿足下列條件之發光性化合物：藉由mordred所計算之分子描述符的SpDiam_A為5.0以上， AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，以及AETA_beta為1.6以下。
有關本揭示的一樣態之發光性化合物係滿足：藉由mordred所計算之分子描述符的SpDiam_A為5.0以上，AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，以及AETA_beta為1.6以下。
有關本揭示的一樣態之組成物係含有：上述發光性化合物，以及選自由電洞輸送材料、電洞注入材料、電子輸送材料、電子注入材料、發光材料、抗氧化劑及溶劑所組成之群組的至少1種。
有關本揭示的一樣態之發光性化合物的製造方法係包含：準備複數種化合物之準備工序，以及從前述準備工序中所得到之複數種化合物中提取發光性化合物之提取工序；於前述提取工序中提取滿足下列特性中的至少1項之發光性化合物：藉由mordred所計算之分子描述符的SpDiam_A為5.0以上，AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，AETA_beta為1.6以下，AATSC3s為-0.2以上0.5以下，C3SP2為0以上30以下，AETA_beta_s為0.5以上1.0以下，SlogP_VSA5為0以上400以下，n5aRing為0以上10以下，以及n6ARing為0以上10以下。
有關本揭示的一樣態之發光性化合物的製造方法係包含：準備複數種化合物之準備工序，以及從前述準備工序中所得到之複數種化合物中提取發光光譜的半值寬未達預定值之發光性化合物之提取工序；於前述提取工序中提取滿足下列特性中的至少1項之發光性化合物：藉由mordred所計算之分子描述符的SpDiam_A為5.0以上，AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，AETA_beta為1.6以下，AATSC3s為-0.2以上0.5以下，C3SP2 為0以上30以下，AETA_beta_s為0.5以上1.0以下，SlogP_VSA5為0以上400以下，n5aRing為0以上10以下，以及n6ARing為0以上10以下。
有關本揭示的一樣態之組成物的製造方法係包含下列工序，其係混合：藉由上述任一製造方法所製造之發光性化合物，以及選自由電洞輸送材料、電洞注入材料、電子輸送材料、電子注入材料、發光材料、抗氧化劑及溶劑所組成之群組的至少1種。
有關本揭示的一樣態之發光元件的製造方法，係製造具有陽極、陰極、以及設置在前述陽極與前述陰極之間的發光層之發光元件，該製造方法係包含：使用藉由上述任一製造方法所製造之發光性化合物來形成前述發光層之工序。
有關本揭示的一樣態之資訊處理方法係取得複數個成為候選之化合物中之藉由量子化學計算所求取的光譜指標(SPECTRAL INDEX)，根據所取得之前述光譜指標，將各化合物分類為光譜指標滿足預定條件之群體以及光譜指標未滿足預定條件之群體，提取被分類為前述光譜指標滿足預定條件之群體的發光性化合物。
有關本揭示的一樣態之發光性化合物的製造方法係包含：藉由上述資訊處理方法來提取發光性化合物之工序，以及得到所提取之前述發光性化合物之工序。
有關本揭示的一樣態之資訊處理方法係在生成複數個成為候選之化合物，取得所生成之各化合物的每個分子描述符(molecular descriptor)之值，輸入化合物的分子描述符之值時，將所得到之前述各化合物的分子描述符之值輸入於以輸出該化合物的光譜指標之方式進行學習後之模型，以具體指定光譜指標，提取所具體指定之光譜指標滿足預定條件之發光性化合物。
有關本揭示的一樣態之發光性化合物的製造方法係包含：藉由上述資訊處理方法來提取發光性化合物之工序，以及得到所提取之前述發光性化合物之工序。
有關本揭示的一樣態之發光性化合物的提供方法，係在輸入了從成為由電腦所生成之候選的複數種化合物中所提取之化合物的分子描述符之值時，使用以輸出該化合物的光譜指標之方式進行學習後之模型而輸出所具體指定之光譜指標滿足預定條件的發光性化合物。
有關本揭示的一樣態之數據生成方法，係將成為由電腦所生成之候選的複數種化合物與對於各化合物藉由量子化學計算所算出之光譜指標賦予關聯來進行記憶，進一步將前述各化合物中的每個分子描述符之值對前述各化合物賦予關聯來進行記憶。
有關本揭示的一樣態之資訊處理方法，係取得對化合物所期望之特性的條件，藉由電腦來生成複數個成為候選之化合物，取得所生成之各化合物的每個分子描述符之值，在輸入了化合物的分子描述符之值時，係使用以輸出該化合物的特性之方式進行學習後之模型，從所生成之各化合物中提取化合物的特性滿足前述條件之化合物，對於所提取之化合物，藉由量子化學計算來算出特性，具體指定藉由量子化學計算所算出之特性滿足前述條件的化合物，輸出所具體指定之化合物及該化合物的特性。
有關本揭示的一樣態之資訊處理方法，係接收對化合物所期望之特性的條件，取得滿足所接收之前述條件之化合物的複數個分子描述符及各分子描述符之值的範圍，顯示所取得之前述複數個分子描述符及各分子描述符之值的範圍。
根據本揭示，能夠有效率地得到可具有良好特性之化合物。
1:資訊處理裝置
1A,2A:記錄媒體
1P,2P:程式
2:資訊終端裝置
11,21:控制部
12,22:記憶部
13,23:通訊部
14,24:顯示部
15,25:操作部
121:學習模型
122:化合物DB
141:提取條件欄
142:結果一覽
143:分子描述符資訊欄
144:映射數據欄
S11~S19,S21~S28,S41~S44:步驟
圖1為顯示有關實施型態之資訊處理裝置1的構成例之方塊圖。
圖2為顯示記憶於化合物DB之化合物資訊的內容例之圖。
圖3為顯示學習模型的概要之說明圖。
圖4為顯示關於1次提取之處理程序的一例之流程圖。
圖5為顯示關於2次提取之處理程序的一例之流程圖。
圖6為例示映射數據之圖。
圖7為例示映射數據之圖。
圖8為顯示在顯示部中所顯示之結果畫面的一例之示意圖。
圖9為顯示變形例中之資訊處理裝置及資訊終端裝置的構成例之方塊圖。
圖10為顯示資訊終端裝置所執行之處理程序的一例之流程圖。
圖11為例示表1及表2所示之化合物的映射數據之圖。
圖12為例示表1及表2所示之化合物的映射數據之圖。
以下係參照表示該實施型態之圖面來具體地說明本揭示。首先說明使用有關實施型態之資訊處理裝置的資訊處理方法。
圖1為顯示有關實施型態之資訊處理裝置1的構成例之方塊圖。資訊處理裝置1為可進行各種資訊處理、資訊的接收傳送之裝置，例如為伺服器電腦、個人電腦、量子電腦等。資訊處理裝置1係發揮從複數個成為候選之化合物中，提取可具有期望特性之化合物或可具有期望特性之新穎化合物之提取裝置的功能。
於本實施型態中，對於藉由資訊處理裝置1所實施之處理內容，係列舉適用在可具有良好的發光光譜之發光性化合物的提取之例子來說明。所謂良好的發光光譜，可為可提升發光性化合物的發光效率(取光效率)之發光光譜。本實施型態之適用對象並不限於發光性化合物，亦可適用在例如可具有良好的充放電性能之電池材料的提取等可具有多樣化特性之各種化合物的提取。
發光元件係將含有屬於發光物質的發光性化合物之發光層夾入於一對電極間並施加電壓，藉此使發光性化合物發光。發光性化合物所發出之光的光譜為該發光性化合物所特有者，藉由使用不同種類的發光性化合物，可得到呈現出各種色彩或強度的發光之發光元件。
發光性化合物中的發光效率係受到發光性化合物的發光光譜所影響。例如，藉由將發光性化合物中的光譜寬進行窄線化，可降低發光損失而進一步提升發光效率。於本實施型態中，係提取發光性化合物中的光譜指標滿足預定條件之發光性化合物，來作為具有良好的發光光譜且發光效率優異之發光性化合物。
所謂光譜指標，意指發光性化合物中之關於發光光譜之值。光譜指標可列舉例如光譜寬、光譜強度、第1峰值及第2峰值的強度比、光譜形狀的標準差等。光譜寬可為發光光譜的半值寬。半值寬可為半值全寬(FWHM：Full Width at Half Maximum)，亦可為半值半寬(HWHM：Half Width at Half Maximum)。光譜寬在考量光譜的第2峰值下，可為在第2峰值的低能量側上從強度成為第2峰值的50%之部分至第1峰值部分為止之寬度。於以下的說明中，光譜指標係使用光譜寬(FWHM)。
資訊處理裝置1係具備：控制部11、記憶部12、通訊部13、顯示部14及操作部15等。資訊處理裝置1可為由複數個電腦所構成之多重電腦，亦可為由軟體所虛擬地建構之虛擬機器。
控制部11可為具備CPU(Central Processing Unit：中央處理單元)、GPU(Graphics Processing Unit：圖形處理單元)等之運算處理裝置。控制部11係使用內藏的ROM(Read Only Memory：唯讀記憶體)或RAM(Random Access Memory：隨機存取記憶體)等記憶體，執行ROM或記憶部12中所儲存之各種電腦程式並控制上述硬體各部分的動作。控制部11亦可具備：測量從賦預測量開始指示至賦預測量結束指示為止之經過時間的計時器、計算數目之計數器、輸出日期時間資訊之時鐘等功能。
記憶部12係具備硬碟或SSD(Solid State Drive：固態硬碟)等非揮發性記憶裝置。於記憶部12中記憶有各種電腦程式及數據。記憶部12可由複數個記憶裝置所構成，亦可為連接於資訊處理裝置1之外部記憶裝置。於記憶部12中所記憶之電腦程式中，係包含用以使電腦執行關於發光性化合物的提取之處理的程式1P。
此外，於記憶部12中更記憶有學習模型121及化合物DB(Data Base：資料庫)122。學習模型121為藉由機械學習所生成之機械學習模型。學習 模型121係設想為應用作為構成人工智慧軟體的一部分之程式模組。化合物DB122為儲存關於複數種化合物之化合物資訊的資料庫。
記憶部12中所記憶之電腦程式(電腦程式製品)亦可藉由：以可讀取之方式來記錄該電腦程式之非暫存性記錄媒體1A來提供。記錄媒體1A為CD-ROM、USB記憶體、SD(Secure Digital：安全數位)卡等可攜型記憶體。控制部11係使用圖中未顯示之讀取裝置從記錄媒體1A中讀取期望電腦程式，並將所讀取之電腦程式記憶於記憶部12。取而代之的是上述電腦程式亦可藉由通訊來提供。程式1P可由單一電腦程式或複數個電腦程式所構成，此外，亦可在單一電腦中執行，或是在藉由通訊網路所相互連接之複數台電腦中執行。
通訊部13係具備用以經由網際網路等網路來進行關於通訊之處理的通訊裝置。控制部11係透過通訊部13，在與外部裝置之間進行各種資訊的接收傳送。
顯示部14係具備液晶面板、有機EL(Electro Luminescence：電致發光)顯示器等顯示器裝置。顯示部14係依循來自控制部11的指示而顯示各種資訊。
操作部15為受理使用者的操作之介面，係具備例如鍵盤、顯示器所內藏之觸控面板裝置、喇叭及麥克風等。操作部15係受理來自使用者的操作輸入，將對應操作內容之控制訊號往控制部11送出。
圖2為顯示化合物DB122中所記憶之化合物資訊的內容例之圖。於化合物DB122中係記憶有候選化合物資訊及已知化合物資訊，該候選化合物資訊包含關於成為候選之化合物(以下亦僅稱為候選化合物)的化合物資訊，該已知化合物資訊包含關於已知的化合物之化合物資訊。所謂候選化合物，意指可成 為新的製造候選之化合物。所謂已知的化合物，意指分子結構為一般所知的化合物，並非新穎化合物。
於候選化合物資訊中，係儲存有：以例如用來識別化合物之ID作為金鑰，將各化合物的分子結構、結構式、光譜寬(量子化學計算值)、分子描述符、光譜旗標、已知旗標等之值賦予關聯性之記錄。
結構式為依循SMILES(Simplified Molecular Input Line Entry System：簡化分子線性輸入規範)記述法所表現之化合物的化學結構式。另外，化學結構式的記述法只要是可藉由將化學結構進行文字列化等，來對化合物執行後述量子化學計算或分子描述符的生成者，就無特別限定。
光譜寬(量子化學計算值)為藉由量子化學計算所得到之化合物的光譜寬。量子化學計算可使用一般所知的量子化學計算軟體，例如Gaussian 09(Gaussian公司製)來執行。光譜寬為化合物DB122中所記憶之光譜指標的一例。於化合物DB122中，亦可記憶有藉由其他量子化學計算所算出之各種光譜指標。
分子描述符係用以使計算機容易處理化合物所具有之結構的特徵或物理化學的特性等而經數值化者。分子描述符可從化合物的結構式來計算，可使用一般所知的軟體，例如mordred、RDKit、MOE、alvaDesc、PaDEL-Descriptor、Codessa等來求取。於本實施型態中，係設成為藉由mordred來計算分子描述符，下列所示之分子描述符之值意指藉由mordred所算出之值。於分子描述符列中，係含有藉由mordred所定義之複數種分子描述符之值。
於本實施型態中，係如上述般使用藉由mordred所算出之分子描述符，但因應所使用之軟體，可使用實質上為相同內容之描述符，亦即與上述描述符具有相同或類似內容的涵義之描述符。
光譜旗標為因應候選化合物的光譜指標所生成之旗標。詳細而言，為表示候選化合物的光譜指標是否滿足預定條件之旗標。於光譜指標為光譜寬時，預定條件為光譜寬是否未達臨界值。於圖2所示之例子中，係於光譜旗標列中儲存有：於光譜寬未達臨界值時為表示滿足預定條件之旗標「1」，於光譜寬為臨界值以上時為表示未滿足預定條件之旗標「2」。
已知旗標為表示候選化合物是否為已知之資訊。於圖2所示之例子中，於候選化合物為已知時，係於已知旗標列中儲存有表示已知之旗標「1」。於候選化合物並非已知時，已知旗標列則儲存有空欄或表示並非已知之旗標。
於已知化合物資訊中，係儲存有：以例如用來識別化合物之ID作為金鑰，將各化合物的分子結構、結構式、光譜寬(實測值)、光譜寬(量子化學計算值)、分子描述符等之值賦予關聯性之記錄。
光譜寬(實測值)為藉由實驗所得到之化合物的光譜寬。已知化合物資訊中所記憶之其他資訊內容係與候選化合物資訊相同。
資訊處理裝置1係使用例如論文、專業書籍、一般所知的結構式搜尋手段等來收集已知之化合物的結構式。資訊處理裝置1亦可專注於具有發光性之發光性化合物來收集化合物。資訊處理裝置1係取得關於所收集之化合物的各種實測值、或是藉由量子化學計算及分子描述符等的算出所得到之各種數據，並作為已知化合物資訊而儲存於化合物DB122。化合物DB122中所記憶之化合物資訊並不限定於上述例。
圖3為顯示學習模型121的概要之說明圖。學習模型121為以化合物中的複數個分子描述符之值作為輸入值，並輸出該化合物的光譜寬之機械學習模型。另外，學習模型121的輸出值亦可為光譜寬以外的其他光譜指標。
資訊處理裝置1係進行學習預定的訓練數據之機械學習，以在事前生成學習模型121。然後，資訊處理裝置1係使用學習模型121來推測對於新生成之發光性化合物的分子描述符之光譜寬。
學習模型121例如為隨機森林(Random Forest)。隨機森林為用以藉由複數根決策樹(Decision Tree)將對象數據分類為配合特徵量之目的屬性的分類器，並藉由相對於各決策樹中所得到之輸出結果的多數決策，來獲得最終的分類結果。在處理迴歸問題時，亦可輸出各決策樹中所得到之輸出結果的代表值(例如平均值)作為最終的預測值。
學習模型121係由：具有複數個分支節點以及分支節點之末端的葉節點之決策樹所構成。於各決策樹中，輸入數據係從最上方的根節點往分枝行進之中途，隨著條件來分類，並在到達末端的葉節點時，以該末端的葉節點所賦予之值作為預測值而被輸出。光譜寬之值係對於各葉節點被賦予關聯。
成為對於學習模型121之輸入的說明變數，為化合物中的複數個分子描述符之值。成為自學習模型121輸出的目的變數，則是光譜寬之值。於各決策樹的生成時係各自使用不同的說明變數，並輸出對於該說明變數之光譜寬。
另外，於使用複數個分子描述符作為說明變數時，從選擇光譜寬的說明能力高之描述符之觀點來看，亦可使用藉由例如Ridge迴歸、LASSO迴歸等所選擇之預定數目的分子描述符。由於藉由mordred所定義之分子描述符存在有1000種以上，故藉由選擇性地應用預定數的分子描述符，可降低計算成本。
學習模型121係準備：複數個分子描述符之值與表示光譜寬之標籤被賦予關聯而得的訓練數據，並可藉由使用該訓練數據來對未學習的模型進行機械學習而生成。
成為正確答案之光譜寬可使用例如藉由量子化學計算所算出之光譜寬。量子化學計算可使用一般所知的量子化學計算軟體來執行。此量子化學計算已知可得到與實測值之誤差小的高精度值。於本發明人等的探討下，亦確認到實測值與藉由量子化學計算所算出之計算值之間的誤差僅為較小值。藉由將如此經由模擬所得到之測定值應用作為訓練數據的光譜寬，不須收集藉由實驗所得到之實測值，可容易且有效率地生成更多的訓練數據。
成為正確答案之光譜寬並不限於藉由量子化學計算所算出之光譜寬，亦可為藉由實驗所得到之實測值，還可為藉由量子化學計算所算出之光譜寬以及實測值兩者。
資訊處理裝置1係採用訓練數據所含有之輸入數據，並從最上位的根節點朝向下位，一面使用損失函數來逐次地探索輸出最佳值之分枝，一面生成決策樹。資訊處理裝置1係以使學習模型121中的損失函數達到最適化(最小化)之方式，使用例如梯度下降法來調整參數。資訊處理裝置1係藉由使損失函數滿足預定基準來完成學習。於學習完成時，對於化合物中的分子描述符之值，係建構已學習為可適切地辨識該化合物的光譜寬之學習模型121。
上述中，係已說明學習模型121為隨機森林之例子，惟學習模型121的構成並無限定，只要是可識別對於分子描述符之光譜寬即可。學習模型121亦可為例如Transformer、CNN(Convolution Neural Network：卷積類神經網路)、RNN(Recurrent Neural Network：遞歸類神經網路)、LSTM(Long Short Term Memory：長短期記憶)等類神經網路，還可使用支援向量機(Support Vector Machine)、邏輯式迴歸(Logistic Regression)、XGBoost(eXtreme Gradient Boosting：極限梯度提升)等其他學習演算法。
學習模型121並不限於藉由資訊處理裝置1所生成且進行學習者。學習模型121亦可作為在外部伺服器中學習完畢之模型而傳送至資訊處理裝置1並記憶於記憶部12。學習模型121亦可在外部伺服器中生成並在資訊處理裝置1中進行學習。
以下說明資訊處理裝置1所執行之發光性化合物之提取處理的詳細內容。
圖4為顯示關於1次提取之處理程序的一例之流程圖。下列各流程圖中的處理可依循資訊處理裝置1的記憶部12中所記憶之程式1P並藉由控制部11來執行，亦可藉由控制部11所具備之專用的硬體電路(例如FPGA或ASIC)來實現，還可藉由該等之組合來實現。
資訊處理裝置1的控制部11係取得成為提取對象之發光性化合物的提取條件(步驟S11)。本實施型態中的提取條件為光譜寬未達預定值之發光性化合物，控制部11係取得發光性化合物中之光譜寬的臨界值(上限值)。控制部11亦可受理例如由使用者對操作部15進行操作所實施之輸入以取得提取條件，還可藉由從經通訊連接之外部裝置所傳送來的資訊以取得提取條件。
控制部11係生成複數個候選化合物(步驟S12)，並取得表示各候選化合物的分子結構之結構式。控制部11取得所生成之各候選化合物中的每個分子描述符之值(步驟S13)。詳細而言，控制部11係使用mordred，從候選化合物的結構式中算出各分子描述符之值。
控制部11係使用例如Ridge迴歸或LASSO迴歸等，從所有分子描述符中，選擇輸入至學習模型121時所使用之預定數的分子描述符(步驟S14)。另外，步驟S14的處理亦可省略。
控制部11係將所選擇之候選化合物中的複數個分子描述符之值輸入於學習模型121(步驟S15)，並取得從學習模型121所輸出之光譜寬(步驟S16)。控制部11對所生成之各候選化合物執行上述處理，並分別求取光譜寬。
控制部11對於所選擇之複數個分子描述符，算出在學習模型121下之光譜寬之預測中的貢獻度(步驟S17)。於學習模型121為隨機森林時，分子描述符的貢獻度相當於變數重要度。重要度可根據例如oob(out-of-bag)數據、吉尼係數等來算出。分子描述符的貢獻度亦可藉由其他SHAP(SHapley Additive exPlanation：沙普利疊加型算法)、LIME(Local Interpretable Model-Agnostic Explanations：與模型無關之局部可解析性算法)等手法算出。另外，步驟S17的處理亦可省略。
控制部11係根據所取得之學習模型121的預測結果，從所生成之所有候選化合物中，提取從學習模型121所輸出之光譜寬未達臨界值的候選化合物(步驟S18)。步驟S18的提取係對應於1次提取。另外，1次提取中的臨界值亦可另與作為提取條件所取得之臨界值獨立地設定為另外之值。1次提取並不限於使用臨界值者，控制部11例如亦可依照從學習模型121所輸出之光譜寬較小的順序，來提取預定數的候選化合物。
控制部11對於所提取之各候選化合物，係將候選化合物的分子結構、結構式、每個分子描述符之值賦予關聯並記憶於化合物DB122的候選化合物資訊(步驟S19)。然後控制部11結束1次提取處理。
圖5為顯示關於2次提取之處理程序的一例之流程圖。資訊處理裝置1可在圖4之1次提取處理的結束後開始進行圖5的處理。
資訊處理裝置1的控制部11對於在圖4的步驟S18中所提取之複數個候選化合物，係取得藉由量子化學計算所算出之光譜寬(步驟S21)。控制部11使用預定的量子化學計算軟體，從候選化合物的結構式中算出光譜寬之值。
控制部11將所取得之光譜寬以及根據該光譜寬所生成之各種旗標，記憶於化合物DB122的候選化合物資訊(步驟S22)。具體而言，控制部11係根據藉由量子化學計算所算出之光譜寬以及光譜寬的臨界值來判定光譜寬是否未達臨界值，並生成因應判定結果之光譜旗標。此外，控制部11係參照已知化合物資訊來判定所生成之各候選化合物的分子結構是否為已知，並對分子結構為已知之候選化合物生成已知旗標。
控制部11係根據各候選化合物中之藉由量子化學計算所算出之光譜寬以及記憶於化合物DB122之資訊，將各候選化合物分類為第1群體至第3群體中之任一群體(步驟S23)。具體而言，控制部11係根據對各候選化合物被賦予關聯之光譜旗標的種類以及已知旗標的有無，將各候選化合物進行分群。分類為第1群體之候選化合物為光譜寬未達臨界值且未被記憶為已知的化合物之化合物。分類為第2群體之候選化合物為光譜寬未達臨界值且已被記憶為已知的化合物之化合物。分類為第3群體之候選化合物為光譜寬為臨界值以上之化合物。
控制部11係生成：依每個群體映射複數個分子描述符的組合值而得之映射數據(步驟S24)。然後，控制部11根據各候選化合物中的每個分子描述符之值以及各候選化合物所屬之群體，具體指定：可將第1群體與其他的第2群體及第3群體分離之分子描述符的組合及各分子描述符之值的範圍(步驟S25)。
圖6及圖7為例示映射數據之圖。如圖示般，映射數據係以不同種類的分子描述符作為縱軸及橫軸之圖表。於圖表上，係映射有複數個候選化合物中之分子描述符的組合值。
於圖6所示之例子中，圖表的縱軸為AATSC2c，橫軸為SpDiam_A。控制部11對於成為映射對象之各候選化合物，係在圖表上點繪出候選化合物數據中所記憶之AATSC2c及SpDiam_A之值。於圖6中，為了讓說明容易進行，係例示映射了屬於第1群體及第3群體之化合物的映射數據，惟於映射數據中，當然可映射有屬於從第1群體至第3群體為止之所有化合物。
從提升後述分子描述符的特定精度之觀點來看，控制部11亦可包含1次提取中所揀選之提取對象以外的候選化合物來生成映射數據，還可包含不僅是候選化合物，更有已知的化合物來生成映射數據。例如，控制部11可參照已知化合物資訊來提取光譜寬未達臨界值之已知的化合物，並以所提取之已知的化合物作為屬於第2群體之化合物來映射於映射數據。
映射數據係以可識別之方式來顯示各候選化合物所屬之群體。控制部11係因應群體來變更例如分子描述符之值之標記的形狀或顯示色彩等，以因應群體而使分子描述符之值之標記的顯示樣態有所不同。藉此，使用者可有效率地掌握複數種資訊並明確地辨識每個群體的數據。
控制部11係使用映射數據來具體指定可將第1群體的候選化合物與其他群體的候選化合物分離之分子描述符之值的範圍。此外，控制部11因應分子描述符之值的分布狀況，於每個分子描述符中導出僅包含第1群體的候選化合物之分子描述符的上限值及下限值。控制部11亦可僅具體指定上限值及 下限值中任一者。控制部11對於無法區分第1群體之分子描述符的組合，亦可判定該組合不適合而不具體指定上限值及下限值。
於圖6所示之例子中，係以屬於第1群體之候選化合物偏向存在於圖表的右側之方式進行映射。控制部11係具體指定：圖6中可切出以虛線框所表示之區域之AATSC2c的上限值及下限值與SpDiam_A的上限值及下限值。
控制部11對於其他分子描述符的組合亦執行相同的處理。具體而言，控制部11係生成以新的分子描述符的組合為縱軸及橫軸之映射數據，並具體指定對於該分子描述符的組合之每個分子描述符之值的範圍。
圖7係顯示有關其他分子描述符的組合之映射數據的一例。圖7為以AETA_beta作為圖表的縱軸且以GATS6c作為橫軸之映射數據。控制部11係根據圖7所示之映射數據，更具體指定：圖7中可切出以中央右側所示之虛線框所表示的區域之AETA_beta的上限值及下限值與GATS6c的上限值及下限值。另外，圖6及圖7所示之虛線框僅表示將第1群體進行分離之概念，並非限定任何分子描述符的數值。
控制部11係藉由整合性地評估每個不同分子描述符之組合的複數個映射數據與各分子描述符之值的範圍，來具體指定最終之分子描述符的組合及各分子描述符之值的範圍。
具體而言，控制部11對於滿足由第1映射數據所具體指定之分子描述符之值的範圍之化合物生成第2映射數據，然後再進一步具體指定分子描述符之值的範圍。接著對於滿足由第1及第2映射數據所具體指定之分子描述符之值的範圍之化合物，藉由第3映射數據來進行具體指定。控制部11最終取得可將第1群體與其他群體分離之1項分子描述符的組合與各分子描述符之值 的範圍。另外，映射數據並不限定於以2軸來表示2種分子描述符者，亦可為以3種以上的分子描述符作為軸者。
控制部11於分子描述符之組合及範圍的具體指定處理中，亦可依循各分子描述符的貢獻度來決定使用在具體指定處理之分子描述符的優先度。控制部11係根據圖4的步驟S17中所算出之各分子描述符的貢獻度，依照貢獻度高的順序來優先地使用分子描述符。然後，控制部11係依照貢獻度高之分子描述符的順序來生成組合，並具體指定分子描述符之值的範圍。藉由考量分子描述符的貢獻度，可從多數個分子描述符中，有效率且有效地選擇對候選化合物的分離之影響力高的分子描述符。
控制部11亦可在先具體指定分子描述符之值的範圍後，再具體指定分子描述符的組合。控制部11例如參照化合物DB122來提取光譜指標滿足預定條件之所有已知的化合物，並取得所提取之各化合物中的每個分子描述符之值。接著控制部11具體指定所取得之各分子描述符中的最大值及最小值，並將所具體指定之最大值及最小值的範圍設成為該分子描述符之值的範圍。控制部11使用將所具體指定之範圍賦予關聯後之分子描述符，以具體指定可分離第1群體之分子描述符的組合。
另外，具體指定分子描述符的組合及其值的範圍之方法並不限定於上述方法，亦可使用其他一般所知的手法。
候選化合物的群體區分並不限於分類為上述第1群體至第3群體。例如候選化合物亦可不考量是否為已知的化合物，而是藉由光譜指標是否滿足預定條件者來進行分類。在此情形時，候選化合物係分類為光譜指標滿足預定條件之群體(光譜寬未達臨界值之群體)以及光譜指標未滿足預定條件之群體(光 譜寬為臨界值以上之群體)。控制部11係具體指定：可將光譜指標滿足預定條件之群體與光譜指標未滿足預定條件之群體分離之分子描述符的組合及範圍。
返回圖5繼續進行說明。控制部11係從經1次提取後之候選化合物中，提取滿足所具體指定之分子描述符的組合及各分子描述符之值的範圍之候選化合物(發光性化合物)(步驟S26)。藉由步驟S26的處理，提取出屬於第1群體之發光性化合物。步驟S26的提取係對應於2次提取。控制部11於2次提取中，亦可在屬於第1群體之發光性化合物中，依照光譜寬較小的順序來提取預定數的發光性化合物。
控制部11將2次提取結果記憶於記憶部12(步驟S27)。於藉由2次提取被分類為第1群體之發光性化合物實際上可藉由合成來製得時，控制部11亦可於候選化合物資訊中生成新的已知旗標來作為新的已知化合物。控制部11將新生成已知旗標後之候選化合物資訊追加於已知化合物資訊。
控制部11係經由顯示部14來輸出所得到之提取結果(步驟S28)，並結束一連串的處理。
以下係列舉具體的數值例來說明圖4及圖5的處理內容。
於步驟S11中，控制部11係受理滿足光譜寬未達0.2eV之條件作為提取條件。光譜寬的臨界值係設定為：以具有良好的發光光譜之既有發光性化合物中的光譜寬作為基準值，並於上述基準值中加權考量預定的限度後之值。
於步驟S12中，控制部11係生成複數個候選化合物，該複數個候選化合物例如為以環己烷環作為基本骨架並且使環的數目或取代基成為不同之複數個候選化合物。
於步驟S14中，控制部11係從藉由mordred所定義之複數個描述符中，取得藉由Ridge迴歸所選擇之50種分子描述符。所取得之分子描述符可列舉例如：SpDiam_A、AATSC2c、AATSC3s、MATS5s、GATS6c、GATS7i、C3SP2、AETA_beta、AETA_beta_s、SlogP_VSA5、n5aRing、n6Aring、nB、nARing、AXp-3d、SaasC、Vabc等。控制部11於各候選化合物中，係算出該等50種之每個分子描述符之值。控制部11係使用所算出之分子描述符並藉由學習模型121來預測光譜寬，並且算出各分子描述符中的貢獻度。
於步驟S25中，控制部11係具體指定：可將光譜寬未達0.2eV之新穎的候選化合物群，與光譜寬未達0.2eV且為已知之化合物群以及光譜寬為0.2eV以上之化合物群分離之分子描述符的組合及各分子描述符之值的範圍。
作為具體指定結果的一例，係得到例如SpDiam_A為5.0以上，AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，以及AETA_beta為1.6以下。
分子描述符的組合及各分子描述符之值的範圍可更具體指定為：SpDiam_A為5.0以上6.0以下，AATSC2c為-0.010以上0.003以下，MATS5s為-0.30以上0.17以下，GATS6c為0.6以上3.0以下，以及AETA_beta為0.5以上1.6以下。分子描述符位於上述組合及其值的範圍內時，可更有效率且有效地提取藉由光譜寬的窄線化而具有良好的發光光譜之發光性化合物。
分子描述符的組合及各分子描述符之值的範圍更可更具體指定為：nB為0以上2以下，AATSC3s為-0.2以上0.5以下，C3SP2為0以上30以下，AETA_beta_s為0.5以上1.0以下，SlogP_VSA5為0以上400以下，n5aRing為0以上10以下，n6ARing為0以上10以下，nARing為0以上10以下，AXp- 3d為0.10以上0.20以下，SaasC為0以上40以下，以及Vabc為100以上2000以下。
圖8為顯示在顯示部14中所顯示之結果畫面的一例之示意圖。控制部11根據所得到之提取結果，生成表示提取結果之結果畫面並顯示於顯示部14。如圖8所示，於結果畫面中包含有例如提取條件欄141、結果一覽142、分子描述符資訊欄143、映射數據欄144等。
於提取條件欄141中，顯示有提取時所使用之提取條件。資訊處理裝置1將提取時所受理之提取條件顯示於提取條件欄141。
於結果一覽142中，係以一覽方式來顯示所提取之發光性化合物。資訊處理裝置1係根據候選化合物資訊中所記憶之資訊，以一覽方式來顯示：藉由2次提取所提取之各發光性化合物中的分子結構、藉由量子化學計算所算出之光譜寬、每個分子描述符之值等。
於分子描述符資訊欄143中，係顯示對應於提取條件之分子描述符的組合及各分子描述符之值的範圍。資訊處理裝置1係將藉由圖5的步驟S25所具體指定之分子描述符的組合及各分子描述符之值的範圍顯示於分子描述符資訊欄143。於分子描述符資訊欄143中，更顯示有表示分子描述符的貢獻度之資訊。資訊處理裝置1係根據藉由圖4的步驟S17所取得之各分子描述符的貢獻度，依照貢獻度高的順序來排列分子描述符並顯示於分子描述符資訊欄143。
於映射數據欄144中顯示有映射數據。映射數據欄144係構成為：可因應使用者經由操作部15的操作來變更成為顯示對象之映射數據的縱軸橫軸的分子描述符。資訊處理裝置1在藉由圖5的步驟S24所生成之複數個映射數 據中，讀取以因應使用者的選擇之分子描述符為軸的映射數據並顯示於映射數據欄144。
例如，發光性化合物的合成負責人可使用結果畫面，而容易地掌握關於成為製造候選之發光性化合物的各種資訊。合成負責人藉由確認結果畫面中所提示之提取結果，可決定實際上進行合成之發光性化合物。
根據上述構成，能夠有效率地提取可滿足期望特性之化合物來進行合成。資訊處理裝置1係藉由使用學習模型121並對經1次提取後之化合物進行量子化學計算，能夠精度佳地提取可滿足期望特性之化合物並降低運算負荷。
根據上述構成，係具體指定能夠提取可滿足期望特性之化合物之分子描述符的條件。藉由應用所具體指定之分子描述符的條件，能夠從新的候選化合物中提取可滿足期望特性之化合物。分子描述符的條件係使用映射數據而有效率地具體指定。分子描述符的條件係藉由適當地調整用以分離化合物群之分群數、分群條件、光譜指標之值等，可取得因應多樣化提取樣態之條件。
(變形例)
資訊處理裝置1亦可構成為將化合物的提取結果往外部裝置提供。圖9為顯示變形例中之資訊處理裝置1及資訊終端裝置2的構成例之方塊圖。資訊終端裝置2為受理提取結果的提供之外部裝置的一例。
如圖9所示，資訊處理裝置1係以可經由網際網路等網路N來進行通訊之方式與複數個資訊終端裝置2的各裝置連接。資訊處理裝置1與資訊終端裝置2可經由網路N來進行數據的接收傳送。
資訊處理裝置1因應於從資訊終端裝置2所受理之提取條件，來執行滿足提取條件之化合物的提取或描述符的特，並將表示執行結果之資訊往 資訊終端裝置2傳送。資訊處理裝置1係發揮供應化合物的提取服務之服務供應伺服器的功能。
資訊終端裝置2例如為個人電腦、智慧型手機、平板終端等，並且由使用提取服務之使用者來管理。
資訊終端裝置2係具備：控制部21、記憶部22、通訊部23、顯示部24及操作部25等。記憶部22係記憶有：包含用以使電腦執行關於取得化合物的提取結果之處理的程式2P之各種電腦程式及數據。由於資訊終端裝置2的硬體構成與資訊處理裝置1相同，故省略詳細的說明。
圖10為顯示資訊終端裝置2所執行之處理程序的一例之流程圖。以下各流程圖中的處理，可依循資訊終端裝置2的記憶部22中所記憶之程式2P並藉由控制部21來執行，亦可藉由控制部21所具備之專用的硬體電路來實現，還可藉由該等之組合來實現。
資訊終端裝置2的控制部21係受理使用者對操作部25進行操作所得到之提取條件(步驟S41)。控制部21例如受理化合物所應滿足之光譜寬的範圍，來作為對成為提取對象之化合物所期望的特性。控制部21將所受理之提取條件往資訊處理裝置1傳送(步驟S42)。控制部21亦可對提取條件賦予關聯來傳送資訊終端裝置2或使用者的識別資訊。
資訊處理裝置1係藉由圖4之步驟S11的處理，來取得從資訊終端裝置2所傳送來之提取條件。資訊處理裝置1係藉由執行圖4及圖5中所說明之處理，來提取滿足所取得之提取條件的化合物。此外，資訊處理裝置1係具體指定：可將例如滿足所取得之提取條件的化合物群與未滿足提取條件之化合物群分離之分子描述符的組合及各分子描述符之值的範圍。資訊處理裝置1藉由 圖5之步驟S28的處理將提取結果傳送至資訊終端裝置2。此外，資訊處理裝置1係經由通訊部13，將提取結果傳送至藉由資訊終端裝置2或使用者的識別資訊所識別之資訊終端裝置2。
資訊終端裝置2的控制部21係接收從資訊處理裝置1所傳送來之提取結果(步驟S43)。控制部21經由顯示部24來輸出所接收之提取結果(步驟S44)，並結束一連串的處理。於顯示部24中顯示與圖8為相同之結果畫面。
根據上述構成，可提升關於化合物的提取之各種資訊的應用價值。
於本實施型態中，可提供一種藉由上述資訊處理方法所提取之發光性化合物。
發光性化合物係滿足：藉由mordred所計算之分子描述符的SpDiam_A為5.0以上，AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，以及AETA_beta為1.6以下。於發光性化合物中的分子描述符位於上述範圍內時，可有效率地得到發光光譜良好，且尤其是光譜寬經窄線化之該發光性化合物。
發光性化合物較佳係滿足：SpDiam_A為5.0以上6.0以下，AATSC2c為-0.010以上0.003以下，MATS5s為-0.30以上0.17以下，GATS6c為0.6以上3.0以下，以及AETA_beta為0.5以上1.6以下。於發光性化合物中的分子描述符位於上述範圍內時，可更有效率地得到發光光譜良好，且尤其是光譜寬經窄線化之該發光性化合物。
從使發光性化合物的發光光譜達到良好之觀點來看，SpDiam_A尤佳為5.7以下，更佳為5.5以下。AATSC2c尤佳為-0.004以上，更佳為-0.003以上，此外，尤佳為0.002以下，更佳為0.001以下。MATS5s尤佳為-0.20以上， 更佳為-0.15以上，此外，尤佳為0.15以下，更佳為0.13以下。GATS6c尤佳為0.8以上，此外，尤佳為2.0以下，更佳為1.4以下。AETA_beta尤佳為1.0以上，更佳為1.2以上。
發光性化合物尤佳更滿足：nB為0以上2以下，AATSC3s為-0.2以上0.5以下，C3SP2為0以上30以下，AETA_beta_s為0.5以上1.0以下，SlogP_VSA5為0以上400以下，n5aRing為0以上10以下，n6ARing為0以上10以下，nARing為0以上10以下，AXp-3d為0.10以上0.20以下，SaasC為0以上40以下，以及Vabc為100以上2000以下。於發光性化合物中的分子描述符位於上述範圍內時，可更有效率地得到發光光譜良好，且尤其是光譜寬經窄線化之該發光性化合物。
從使發光性化合物的發光光譜達到良好之觀點來看，nB更佳為1以下，最佳為0。AATSC3s更佳為-0.1以上，最佳為0.0以上，此外，更佳為0.4以下。C3SP2更佳為4以上，此外，更佳為16以下。AETA_beta_s更佳為0.6以上，此外，更佳為0.7以下。SlogP_VSA5更佳為100以下。n5aRing更佳為6以下，最佳為3以下。n6ARing更佳為4以下，最佳為2以下。nARing更佳為2以上，此外，更佳為6以下，最佳為5以下。AXp-3d更佳為0.15以上，此外，更佳為0.17以下，最佳為0.16以下。SaasC更佳為1以上，此外，更佳為20以下，最佳為15以下。Vabc更佳為200以上，此外，更佳為1500以下，最佳為1000以下。
有關實施型態之發光性化合物的光譜指標未達0.2eV，較佳為0.12eV以下，尤佳為0.08eV以下。
將實施型態之發光性化合物A1~A82之結構式的例示表示於表1。
[表1-1]
Figure 112109557-A0202-12-0027-1
[表1-2]
Figure 112109557-A0202-12-0028-2
[表1-3]
Figure 112109557-A0202-12-0029-3
[表1-4]
Figure 112109557-A0202-12-0030-4
於本實施型態中，可提供一種採用了上述資訊處理方法之發光性化合物的製造方法。
發光性化合物的製造方法係包含：準備複數種化合物之準備工序，以及從準備工序中所得到之複數種化合物中提取發光性化合物之提取工序。
上述準備工序係對應於在電腦上生成複數種化合物之工序。
於上述提取工序中，係提取滿足下列特性中的至少1項之發光性化合物：藉由mordred所計算之分子描述符的SpDiam_A為5.0以上，AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，AETA_beta為1.6以下，AATSC3s為-0.2以上0.5以下，C3SP2為0以上30以下，AETA_beta_s為0.5以上1.0以下，SlogP_VSA5為0以上400以下，n5aRing為0以上10以下，以及n6ARing為0以上10以下。提取工序亦可藉由採用上述資訊處理方法來提取發光性化合物而進行。
由本實施型態所提供之其他樣態之發光性化合物的製造方法係包含：準備複數種化合物之準備工序，以及從準備工序中所得到之複數種化合物中提取發光光譜的半值寬未達預定值之發光性化合物之提取工序。
上述準備工序係對應於在電腦上生成複數種化合物之工序。
於上述提取工序中，係提取滿足下列特性中的至少1項之發光性化合物：藉由mordred所計算之分子描述符的SpDiam_A為5.0以上，AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，AETA_beta為1.6以下，AATSC3s為-0.2以上0.5以下，C3SP2為0以上30以下，AETA_beta_s為0.5以上1.0以下，SlogP_VSA5為0以上400以下，n5aRing為0以上10以下， 以及n6ARing為0以上10以下。提取工序亦可藉由採用上述資訊處理方法來提取發光性化合物而進行。
由本實施型態所提供之其他樣態之發光性化合物的製造方法係包含：藉由實施型態之資訊處理方法來提取發光性化合物之工序，以及得到所提取之前述發光性化合物之工序。
於製得發光性化合物之工序中，例如亦可藉由組合偶合反應、胺基化反應、縮合反應等反應或鹵化反應等官能基轉換反應等而得到。
於本實施型態中，可提供一種含有上述發光性化合物之組成物。
組成物係含有：實施型態之發光性化合物，以及選自由電洞輸送材料、電洞注入材料、電子輸送材料、電子注入材料、發光材料、抗氧化劑及溶劑所組成之群組的至少1種。實施型態之發光性化合物可單獨使用1種或組合2種以上而使用。
電洞輸送材料可為低分子化合物或高分子化合物。電洞輸送材料較佳為高分子化合物，可列舉例如：聚乙烯咔唑(Polyvinyl Carbazole)及其衍生物、於側鏈或主鏈具有芳香族胺結構之聚亞芳基(Polyarylene)及其衍生物。電洞輸送材料可單獨使用1種或組合2種以上而使用。
電子輸送材料可為低分子化合物或高分子化合物。電子輸送材料亦可具有交聯基。低分子化合物可列舉例如：以8-羥基喹啉(8-hydroxy Quinoline)為配位基之金屬錯合物、
Figure 112109557-A0202-12-0032-31
二唑(Oxadiazole)、蒽醌二甲烷(Anthraquinodimethane)、苯醌(Benzoquinone)、萘醌(Naphthoquinone)、蒽醌(Anthraquinone)、四氰基蒽醌二甲烷、茀酮(Fluorenone)、二苯基二氰基乙烯及聯苯醌(Diphenoquinone)、以及此等之衍生物。高分子化合物可列舉例如：聚伸 苯、聚茀(Polyfluorene)、以及此等之衍生物。高分子化合物亦可經金屬摻雜。電子輸送材料可單獨使用1種或組合2種以上而使用。
電洞注入材料及電子注入材料可為低分子化合物或高分子化合物。電洞注入材料及電子注入材料亦可具有交聯基。低分子化合物可列舉例如：銅酞菁等金屬酞菁；鉬、鎢等的金屬氧化物；氟化鋰、氟化鈉、氟化銫、氟化鉀等金屬氟化物；碳等。高分子化合物可列舉例如：聚苯胺、聚噻吩(Polythiophene)、聚吡咯(Polypyrrole)、聚伸苯乙烯(Polyphenylenevinylene)、聚噻吩乙烯(Polythienylenevinylene)、聚喹啉(Polyquinoline)及聚喹喔啉(Polyquinoxaline)、以及此等之衍生物、以及於主鏈或側鏈含有芳香族胺結構之聚合物等導電性高分子等。
發光材料可為低分子化合物或高分子化合物。發光材料亦可具有交聯基。低分子化合物可列舉例如：萘及其衍生物、蒽(Anthracene)及其衍生物、苝(Perylene)及其衍生物、以及以銥、鉑或銪(Europium)為中心金屬之三重態發光錯合物等。高分子化合物可列舉例如含有下列基之高分子化合物等：伸苯基、萘二基、茀二基、菲二基(Phenanthrene Diyl)、二氫菲二基、蒽二基及芘二基(Pyrene Diyl)等從亞芳基、芳香族胺中排除2個氫原子而成之基等芳香族胺殘餘基；以及咔唑二基、吩
Figure 112109557-A0202-12-0033-32
嗪二基(Phenoxazine Diyl)及吩噻嗪二基(Phenothiazine Diyl)等2價雜環基。發光材料可單獨使用1種或組合2種以上而使用。
抗氧化劑只要是不會阻礙發光及電荷輸送之化合物，就無特別限定，可列舉例如酚系抗氧化劑、磷系抗氧化劑等。抗氧化劑可單獨使用1種或組合2種以上而使用。
溶劑可列舉例如：氯系溶劑、醚系溶劑、芳香族烴系溶劑、脂肪族烴系溶劑、酮系溶劑、酯系溶劑、多元醇系溶劑、醇系溶劑、亞碸系溶劑、醯胺系溶劑等。溶劑可單獨使用1種或組合2種以上而使用。
實施型態之組成物的製造方法係包含下列工序，其係混合：藉由上述製造方法所製造之發光性化合物，以及選自由電洞輸送材料、電洞注入材料、電子輸送材料、電子注入材料、發光材料、抗氧化劑及溶劑所組成之群組的至少1種。
於本實施型態中，可提供一種含有上述發光性化合物之發光元件。
發光元件係具有：陽極、陰極、以及設置在前述陽極及前述陰極之間之含有實施型態之發光性化合物的發光層。實施型態之發光性化合物可單獨使用1種或組合2種以上而使用。
發光層較佳係更含有選自由電洞輸送材料、電洞注入材料、電子輸送材料、電子注入材料、發光材料及抗氧化劑所組成之群組的至少1種。
陽極的材料可列舉例如導電性的金屬氧化物、半透明的金屬，較佳為氧化銦、氧化鋅、氧化錫、氧化銦錫(ITO：Indium Tin Oxide)等。
陰極的材料可列舉例如：鋰、鈉、鉀、銣、銫、鈹、鎂、鈣、鍶、鋇、鋁、鋅、銦等金屬；及該等中的2種以上之合金；以及該等中的1種以上與銀、銅、錳、鈦、鈷、鎳、鎢、錫中的1種以上之合金等。合金可列舉例如：鎂-銀合金、鎂-銦合金、鎂-鋁合金、銦-銀合金、鋰-鋁合金、鋰-鎂合金、鋰-銦合金、鈣-鋁合金。陽極及陰極分別可構成為2層以上的積層結構。
實施型態之發光元件的製造方法係包含：使用藉由上述製造方法所製造之發光性化合物來形成前述發光層之工序。發光層可藉由例如乾式法、濕式法來形成。發光層亦可使用例如真空蒸鍍法、噴墨法或旋轉塗佈法等來形成。
發光元件可適合使用在電腦、電視、可攜式終端等顯示器裝置等的發光裝置。
[實施例]
以下係根據實施例及比較例來更具體地說明本發明，惟本發明並未設想為限定於該等實施例。
將本揭示的資訊處理方法採用在上述表1所例示之化合物A1~A82以及下述表2所例示之化合物B1~B16。根據各化合物中之分子描述符之值與光譜寬，可提取具有良好的發光光譜之發光性化合物。將各化合物中之分子描述符之值及光譜寬(FWHM)之值表示於表3及表4。光譜寬的計算係使用量子化學計算軟體Gaussian 16來進行。
圖11及圖12為例示表1及表2所示之化合物的映射數據之圖。圖11及圖12中，黑色圓圈表示表1所例示之化合物A1~A82(實施例)，黑色三角表示表2所例示之化合物B1~B16(比較例)。
圖11為以AATSC2c作為圖表的縱軸，以SpDiam_A作為橫軸之映射數據。圖12為以AETA_beta作為圖表的縱軸，以GATS6c作為橫軸之映射數據。圖12的映射數據係表示：於化合物A1~A82及化合物B1~B16中，僅映射滿足SpDiam_A為5.0以上，AATSC2c為0.003以下，以及MATS5s為0.17以下者作為已具體指定完畢之分子描述符的條件之化合物的映射數據。
實施例之發光性化合物的光譜寬未達0.2eV，可具有良好的發光光譜。
以下係記載一部分化合物的合成方法，關於其他化合物，亦同樣可藉由組合偶合反應、胺基化反應、縮合反應等反應或鹵化反應等官能基轉換反應等而得到。
化合物A8
依循下述合成流程圖來合成化合物A8。
Figure 112109557-A0202-12-0036-10
依循[Organic Letters,2017,vol.19,No.10,p.2502-2505]等所記載之程序，使對甲基苯磺醯基疊氮化物與5-溴-1-乙烷合萘酮(5-bromo-1-acenaphthenone)進行反應而可藉此得到化合物8a。依循[Yuki Gosei Kagaku Kyokaishi,1959,vol.17,p.142,143]等所記載之程序，使化合物8a進行反應而可藉此得到化合物8b。依循[Advanced Synthesis and Catalysis,2018,vol.360,No.20,p.3877-3883]等所記載之程序，使化合物8b進行反應而可藉此得到化合物8c。依循[Bioorganic and Medicinal Chemistry,2011,vol.19,No.24,p.7519-7525]等所記載之程序，使化合物8c與1,2,3-苯并三唑進行反應而可藉此得到化合物8d。依循[European Journal of Organic Chemistry,2017,vol.2017,No.22,p.3197-3210]等所記載之程序，使化合物8d進行反應而可藉此得到化合物8e。依循[Journal of organic Chemistry,1987,vol.52,No.19,p.4207-4214]等所記載之程序，使化合物8e與1-溴-2-(溴甲基)萘進行反應而可藉此得到化合物8f。依循[Journal of Fluorine Chemistry,2005,vol.126,No.4,p.483-490]等所記載之程序，使化合物8f與硼酸三甲酯進行反應而可藉此得到化合物8g。依循[Chemical Communications,2011,vol.47,No.27,p.7725-7727]等所記載之程序，使化合物8g進行反應而可藉此得到化合物8h。依循[Journal of the American Chemical Society,2000,vol.122,No.10,p.2178-2192]等所記載之程序，使化合物8h與三氟甲磺酸苯酯進行反應而可藉此得到化合物A8。
化合物A9
依循下述合成流程圖來合成化合物A9。
Figure 112109557-A0202-12-0038-11
依循[Beilstein Journal of Organic Chemistry,2014,vol.10,p.384-393]等所記載之程序，使1,8-二溴萘與3-甲基-1-丁炔-3-醇進行反應而可藉此得到化合物9a。依循[Tetrahedron Letters,2016,vol.57,No.10,p.1100-1103]等所記載之程序，使化合物9a與三甲基矽基乙炔進行反應而可藉此得到化合物9b。依循[Journal of the Chemical Society.Perkin Transactions 2(2001),2002,No.5,p.878-886]等所記載之程序，使化合物9b進行反應而可藉此得到化合物9c。依循[Tetrahedron,2010,vol.66,No.13,p.2378-2383]等所記載之程序，使化合物9c與3-碘二苯基酮進行反應而可藉此得到化合物9d。依循[Journal of the American Chemical Society,2021,vol.143,No.37,p.15420-15426]等所記載之程序，使化合物9d進行反應而可藉此得到化合物9e。依循[Journal of Organic Chemistry,2015,vol.80,No.19,p.9410-9424]等所記載之程序，使化合物9e進行反應而可藉此得到化合物9f。依循[European Journal of Medicinal Chemistry,2017,vol.135,p.1-11]等所記載之程序，使化合物9f與苯胺進行反應而可藉此得到化合物9g。依循[Journal of Organic Chemistry USSR(English Translation),1986,vol.22,p.199-200] 等所記載之程序，使化合物9g進行反應而可藉此得到化合物9h。依循[Journal of the American Chemical Society,1966,vol.88,p.1482-1488]等所記載之程序，使化合物9h進行反應而可藉此得到化合物A9。
化合物A13
依循下述合成流程圖來合成化合物A13。
Figure 112109557-A0202-12-0039-12
依循[Journal of Organic Chemistry,1986,vol.51,No.10,p.1891-1894]等所記載之程序，使2-(氯甲氧基)乙基三甲基矽烷與1H-呸啶(1H-Perimidine)進行反應而可藉此得到化合物13a。依循[Organic Letters,2011,vol.13,No.14,p.3588-3591]等所記載之程序，使化合物13a與2-異丙氧基-4,4,5,5-四甲基-1,3,2-二氧雜硼烷進行反應而可藉此得到化合物13b。依循[Organic Letters,2015,vol.17,No.6,p.1613-1616]等所記載之程序，使化合物13b與2-溴-3-碘萘進行反應而可藉此得到化合物13c。依循[Tetrahedron Letters,1993,vol.34,No.12,p.1885-1888]等所記載之程序，使化合物13c進行反應而可藉此得到化合物13d。 依循[Organometallics,2010,vol.29,No.18,p.4120-4129]等所記載之程序，使化合物13d與溴苯進行反應而可藉此得到化合物13e。依循[Pharmaceutical Chemistry Journal,1982,vol.16,No.11,p.844-848]等所記載之程序，使化合物13e進行反應而可藉此得到化合物13f。依循[Bioorganic and Medicinal Chemistry Letters,2018,vol.28,No.18,p.3123-3128]等所記載之程序，使化合物13f進行反應而可藉此得到化合物A13。
化合物A21
依循下述合成流程圖來合成化合物A21。
Figure 112109557-A0202-12-0040-13
依循[Journal of Organic Chemistry,2015,vol.80,No.15,p.7779-7784]等所記載之程序，使(3-溴萘-2-基)硼酸與1-溴-2-碘苯進行反應而可藉此得到化合物21a。依循[New Journal of Chemistry,2008,vol.32,No.11,p.1847-1849] 等所記載之程序，使化合物21a進行反應而可藉此得到化合物21b。依循[Journal of Organic Chemistry,2021,vol.86,No.24,p.17651-17666]等所記載之程序，使化合物21b與1-溴-2-碘苯進行反應而可藉此得到化合物21c。依循[Tetrahedron Letters,2009,vol.50,No.5,p.590-592]等所記載之程序，使化合物21c與3-(4,4,5,5-四甲基-1,3,2-二氧雜硼烷-2-基)環戊-2-烯-1-酮進行反應而可藉此得到化合物21d。依循[Journal of the American Chemical Society,2018,vol.140,No.47,p.16253-16263]等所記載之程序，使N-苯基雙(三氟甲烷磺醯亞胺)與3-環戊烯酮進行反應而可藉此得到化合物21e。依循[Bioorganic and Medicinal Chemistry,Letters,2021,vol.36,art.no.127823]等所記載之程序，使化合物21e與雙聯頻那醇二硼酸酯(Bis(pinacolato)diboron)進行反應而可藉此得到化合物21f。依循[Tetrahedron Letters,2013,vol.54,No.6,p.512-514]等所記載之程序，使化合物21d與化合物21f進行反應而可藉此得到化合物21g。依循[Organic Letters,2016,vol.18,No.2,p.200-203]等所記載之程序，使化合物21g進行反應而可藉此得到化合物21h。依循[Chemical Science,2019,vol.10,No.14,p.4025-4031]等所記載之程序，使化合物21h進行反應而可藉此得到化合物21i。依循[Chemistry-A European Journal,2015,vol.21,No.33,p.11813-11824]等所記載之程序，使化合物21i進行反應而可藉此得到化合物21j。依循[Journal of Organometallic Chemistry,1992,vol.426,No.2,p.213-245]等所記載之程序，使化合物21j進行反應而可藉此得到化合物A21。
化合物A60
依循下述合成流程圖來合成化合物A60。
Figure 112109557-A0202-12-0042-14
依循[Dalton Transactions,2009,No.40,p.8667-8682]等所記載之程序，使6,7-二溴-1H-苯并咪唑(6,7-dibroomo-1H-benzimidazole)與硼酸三甲酯進行反應而可藉此得到化合物60a。依循[MedChemComm,2013,vol.4,No.1,p.140-144]等所記載之程序，使化合物60a與2-溴-3-(溴甲基)苄醛進行反應而可藉此得到化合物60b。依循[Applied Organometallic Chemistry,2012,vol.26,No.6,p.287-292]等所記載之程序，使化合物60b進行反應而可藉此得到化合物60c。依循[Tetrahedron,2008,vol.64,No.46,p.10573-10580]等所記載之程序，使化合物60c進行反應而可藉此得到化合物60d。依循[Journal of the Chemical Society,1957,p.2210,2212]等所記載之程序，使化合物60d與苯胺進行反應而可藉此得到化合物60e。依循[Journal of Polymer Science,Part A：Polymer Chemistry,2014,vol.52,No.21,p.3096-3106]等所記載之程序，使化合物60e進行反應而可藉此得到化合物60f。依循[Journal of Organic Chemistry,2012,vol.77,No.20,p.9418-9421,4]等所記載之程序，使化合物60f進行反應而可藉此得到化合物A60。
化合物A66
依循下述合成流程圖來合成化合物A66。
Figure 112109557-A0202-12-0043-15
依循[Angewandte Chemie-International Edition,2018,vol.57,No.48,p.15762-15766]等所記載之程序，使1-溴萘與雙聯頻那醇二硼酸酯進行反應而可藉此得到化合物66a。依循[Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy,2018,vol.194,p.111-116]等所記載之程序，使化合物66a與1-溴-2-碘萘進行反應而可藉此得到化合物66b。依循[Journal of Organic Chemistry,2013,vol.78,No.10,p.4649-4664]等所記載之程序，使化合物66b與苯胺進行反應而可藉此得到化合物66c。依循[Tetrahedron Letters,2013,vol.54,No.46,p.6171-6177]等所記載之程序，使化合物66c與2-溴苄醛進行反應而可藉此得到化合物66d。依循[Bioorganic and Medicinal Chemistry,2016,vol.24,No.19,p.4675-4691]等所記載之程序，使化合物66d與苯胺進行反應而可藉此得到化合物66e。依循[Organic Letters,2018,vol.20,No.4,p.958-961]等所記載之程序，使化合物66e進行反應而可藉此得到化合物A66。
化合物A70
依循下述合成流程圖來合成化合物A70。
Figure 112109557-A0202-12-0044-17
依循[Chemistry-A European Journal,2018,vol.24,No.18,p.4519-4522]等所記載之程序，使2-((N-苯基)胺基)苄醛與1,2-二溴-4-碘苯進行反應而可藉此得到化合物70a。依循[European Journal of Medicinal Chemistry,2017,vol.137,p.139-155]等所記載之程序，使化合物70a與雙聯頻那醇二硼酸酯進行反應而可藉此得到化合物70b。依循[Journal of Medicinal Chemistry,2006,vol.49,No.1,p.35-38]等所記載之程序，使化合物70b與2,3,4,5-四溴苯胺進行反應而可藉此得到化合物70c。依循[Il Farmaco,1990,vol.45,No.1,p.7-27]等所記載之程序，使化合物70c進行反應而可藉此得到化合物70d。依循[Advanced Synthesis and Catalysis,2014,vol.356,No.18,p.3821-3830]等所記載之程序，使化合物70d與碘苯進行反應而可藉此得到化合物70e。依循[Journal of the Indian Chemical Society,1957,vol.34,p.77]等所記載之程序，使化合物70e與苯基聯胺(Phenyl Hydrazine)進行反應而可藉此得到化合物70f。依循[European Journal of Medicinal Chemistry,2012,vol.58,p.214-227]等所記載之程序，使化合物70f進行反應而可藉此得到化合物70g。依循[Angewandte Chemie-International Edition,2018,vol.57,No.35,p.11427-11431]等所記載之程序，使化合物70g與二苯基錪鹽(Diphenyl Iodonium)與三氟甲烷磺酸進行反應而可藉此得到化合物70h。依循[Angewandte Chemie-International Edition,2017,vol.56,No.21,p.5886-5889]等所記載之程序，使化合物70h與烯丙基三丁基錫進行反應而可藉此得到化合物70i。依循[Organic Letters,2018,vol.20,No.18,p.5680-5683]等所記載之程序，使化合物70i與三丁基乙烯基錫進行反應而可藉此得到化合物70j。依循[Chemistry-A European Journal,2020,vol.26,No.8,p.1772-1775]等所記載之程序，使化合物70j進行反應而可藉此得到化合物A70。
化合物A72
依循下述合成流程圖來合成化合物A72。
Figure 112109557-A0202-12-0045-18
依循[Tetrahedron Letters,1995,vol.36,No.46,p.8415-8418]等所記載之程序，使2-溴-7-氯萘-1-醇與氯三甲基矽烷進行反應而可藉此得到化合物72a。依循[Journal of Organic Chemistry,2017,vol.82,No.8,p.4242-4253]等所記載之程序，使化合物72a與三氟甲烷磺酸酐進行反應而可藉此得到化合物72b。依循[Chemical Science,2016,vol.7,No.8,p.5206-5211]等所記載之程序，使化合物72b與苄基疊氮化物進行反應而可藉此得到化合物72c。依循[Monatshefte fur Chemie,2010,vol.141,No.7,p.773-779]等所記載之程序，使化合物72c進行反應而可藉此得到化合物72d。依循[Bioorganic and Medicinal Chemistry Letters,1996,vol.6,No.24,p.2919-2924]等所記載之程序，使化合物72d與2-(氯甲氧基)乙基三甲基矽烷進行反應而可藉此得到化合物72e。依循[Journal of the American Chemical Society,2019]等所記載之程序，使化合物72e與甲醛進行反應而可藉此得到化合物72f。依循[Journal of Medicinal Chemistry,2021,vol.64,No.1,p.695-710]等所記載之程序，使化合物72f進行反應而可藉此得到化合物72g。依循[Indian Journal of Chemistry-Section B Organic and Medicinal Chemistry,1984,vol.23,No.9,p.844-848]等所記載之程序，使化合物72g進行反應而可藉此得到化合物72h。依循[Memorial des services chimiques de l'Etat,1946,vol.32,p.62,66]等所記載之程序，使化合物72h與N-(2-碘苯基甲基)苯胺(N-(2-iodophenylmethyl)aniline)進行反應而可藉此得到化合物72i。依循[Tetrahedron,2009,vol.65,No.17,p.3409-3416]等所記載之程序，使化合物72i進行反應而可藉此得到化合物A72。
[表2]
Figure 112109557-A0202-12-0047-5
[表3-1]
Figure 112109557-A0202-12-0048-6
[表3-2]
Figure 112109557-A0202-12-0049-7
[表3-3]
Figure 112109557-A0202-12-0050-8
[表4]
Figure 112109557-A0202-12-0051-9
如上述般所揭示之實施型態的所有方面皆為例示，並不具限制性意涵。本發明的範圍係由申請專利範圍所表示，並且涵蓋與申請專利範圍為均等之涵義以及範圍內的所有變更。此外，亦可任意地組合上述實施型態的至少一部分。
上述實施型態所示之序列並無限定，在不存在矛盾之範圍內，各處理程序可變更該順序來執行，此外，亦可同步執行複數項處理。各處理的處理主體並無限定，在不存在矛盾之範圍內，其他裝置亦可執行各裝置的處理。

Claims (46)

  1. 一種發光元件，係具有陽極、陰極、以及設置在前述陽極與前述陰極之間的發光層，
    前述發光層係含有滿足下列特性之發光性化合物：藉由mordred所計算之分子描述符的SpDiam_A為5.0以上，AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，以及AETA_beta為1.6以下。
  2. 如請求項1所述之發光元件，其中前述發光性化合物更滿足：藉由mordred所計算之分子描述符的nB為0以上2以下，AATSC3s為-0.2以上0.5以下，C3SP2為0以上30以下，AETA_beta_s為0.5以上1.0以下，SlogP_VSA5為0以上400以下，n5aRing為0以上10以下，n6ARing為0以上10以下，nARing為0以上10以下，AXp-3d為0.10以上0.20以下，SaasC為0以上40以下，以及Vabc為100以上2000以下。
  3. 如請求項1或2所述之發光元件，其中前述發光層更含有選自由電洞輸送材料、電洞注入材料、電子輸送材料、電子注入材料、發光材料及抗氧化劑所組成之群組的至少1種。
  4. 一種發光性化合物，係滿足：藉由mordred所計算之分子描述符的SpDiam_A為5.0以上，AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，以及AETA_beta為1.6以下。
  5. 如請求項4所述之發光性化合物，其更滿足：藉由mordred所計算之分子描述符的nB為0以上2以下，AATSC3s為-0.2以上0.5以下，C3SP2為0以上30以下，AETA_beta_s為0.5以上1.0以下，SlogP_VSA5為0以上400以下，n5aRing為0以上10以下，n6ARing為0以上10以下，nARing為0以上 10以下，AXp-3d為0.10以上0.20以下，SaasC為0以上40以下，以及Vabc為100以上2000以下。
  6. 一種組成物，係含有：如請求項4或5所述之發光性化合物，以及
    選自由電洞輸送材料、電洞注入材料、電子輸送材料、電子注入材料、發光材料、抗氧化劑及溶劑所組成之群組的至少1種。
  7. 一種發光性化合物的製造方法，係包含：準備複數種化合物之準備工序，以及
    從前述準備工序中所得到之複數種化合物中提取發光性化合物之提取工序；
    於前述提取工序中提取滿足下列特性中的至少1項之發光性化合物：藉由mordred所計算之分子描述符的SpDiam_A為5.0以上，AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，AETA_beta為1.6以下，AATSC3s為-0.2以上0.5以下，C3SP2為0以上30以下，AETA_beta_s為0.5以上1.0以下，SlogP_VSA5為0以上400以下，n5aRing為0以上10以下，以及n6ARing為0以上10以下。
  8. 一種發光性化合物的製造方法，係包含：準備複數種化合物之準備工序，以及
    從前述準備工序中所得到之複數種化合物中提取發光光譜的半值寬未達預定值之發光性化合物之提取工序；
    於前述提取工序中提取滿足下列特性中的至少1項之發光性化合物：藉由mordred所計算之分子描述符的SpDiam_A為5.0以上，AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，AETA_beta為1.6以下，AATSC3s 為-0.2以上0.5以下，C3SP2為0以上30以下，AETA_beta_s為0.5以上1.0以下，SlogP_VSA5為0以上400以下，n5aRing為0以上10以下，以及n6ARing為0以上10以下。
  9. 一種組成物的製造方法，係包含：
    將藉由如請求項7或8所述之發光性化合物的製造方法所製造之發光性化合物，以及選自由電洞輸送材料、電洞注入材料、電子輸送材料、電子注入材料、發光材料、抗氧化劑及溶劑所組成之群組的至少1種予以混合之工序。
  10. 一種發光元件的製造方法，該發光元件係具有陽極、陰極、以及設置在前述陽極與前述陰極之間的發光層，
    該製造方法係包含：使用藉由如請求項7或8所述之發光性化合物的製造方法所製造之發光性化合物來形成前述發光層之工序。
  11. 一種資訊處理方法，係取得複數個成為候選之化合物中之藉由量子化學計算所求取的光譜指標，
    根據所取得之前述光譜指標，將各化合物分類為光譜指標滿足預定條件之群體以及光譜指標未滿足預定條件之群體，
    提取被分類為前述光譜指標滿足預定條件之群體的發光性化合物。
  12. 如請求項11所述之資訊處理方法，其中根據前述光譜指標及記憶了已知的化合物之資料庫，將前述各化合物分類為：前述光譜指標滿足預定條件且未被記憶為已知的化合物之群體、前述光譜指標滿足預定條件且被記憶為已知的化合物之群體、以及前述光譜指標未滿足預定條件之群體，
    提取被分類為前述光譜指標滿足預定條件且未被記憶為已知的化合物之群體的發光性化合物。
  13. 如請求項11或12所述之資訊處理方法，其係取得前述各化合物中的每個分子描述符之值，
    根據所取得之前述各化合物中的每個分子描述符之值與前述各化合物所屬之群體，具體指定：可分離前述光譜指標滿足預定條件之群體與前述光譜指標未滿足預定條件之群體之分子描述符的組合及各分子描述符之值的範圍。
  14. 如請求項11至13中任一項所述之資訊處理方法，其係取得前述各化合物中的每個分子描述符之值，
    根據所取得之前述各化合物中的每個分子描述符之值與前述各化合物所屬之群體，具體指定：可將前述光譜指標滿足預定條件且未被記憶為已知的化合物之群體，與前述光譜指標滿足預定條件且被記憶為已知的化合物之群體以及前述光譜指標未滿足預定條件之群體分離之分子描述符的組合及各分子描述符之值的範圍。
  15. 如請求項13或14所述之資訊處理方法，其係提取：滿足所具體指定之前述分子描述符的組合及各分子描述符之值的範圍之發光性化合物。
  16. 如請求項13至15中任一項所述之資訊處理方法，其中根據依每個群體映射複數個分子描述符的組合值而得之映射數據，具體指定前述分子描述符的組合及各分子描述符之值的範圍。
  17. 如請求項13至16中任一項所述之資訊處理方法，其係輸出：依每個群體映射複數個分子描述符的組合值而得之映射數據、以及所具體指定之各分子描述符之值的範圍。
  18. 如請求項13至17中任一項所述之資訊處理方法，其係輸出：所具體指定之複數個分子描述符、以及各分子描述符之值的範圍。
  19. 如請求項13至18中任一項所述之資訊處理方法，其係提取前述分子描述符的組合及各分子描述符之值的範圍滿足下列特性之發光性化合物：藉由mordred所計算之分子描述符的SpDiam_A為5.0以上，AATSC2c為0.003以下，MATS5s為0.17以下，GATS6c為0.6以上，以及AETA_beta為1.6以下。
  20. 如請求項19所述之資訊處理方法，其係提取前述分子描述符的組合及各分子描述符之值的範圍更滿足下列特性之發光性化合物：藉由mordred所計算之分子描述符的nB為0以上2以下，AATSC3s為-0.2以上0.5以下，C3SP2為0以上30以下，AETA_beta_s為0.5以上1.0以下，SlogP_VSA5為0以上400以下，n5aRing為0以上10以下，n6ARing為0以上10以下，nARing為0以上10以下，AXp-3d為0.10以上0.20以下，SaasC為0以上40以下，以及Vabc為100以上2000以下。
  21. 如請求項13至20中任一項所述之資訊處理方法，其中將滿足所具體指定之前述分子描述符的組合及各分子描述符之值的範圍之發光性化合物，追加於記憶了已知的化合物之資料庫。
  22. 一種發光性化合物的製造方法，係包含：藉由如請求項11至21中任一項所述之資訊處理方法來提取發光性化合物之工序，以及
    得到所提取之前述發光性化合物之工序。
  23. 一種資訊處理裝置，係具備執行如下處理之控制部：
    取得複數個成為候選之化合物中之藉由量子化學計算所求取的光譜指標，
    根據所取得之前述光譜指標，將各化合物分類為光譜指標滿足預定條件之群體以及光譜指標未滿足預定條件之群體，
    提取被分類為前述光譜指標滿足預定條件之群體的發光性化合物。
  24. 一種電腦程式製品，係具備用以使電腦執行如下處理之電腦程式：
    取得複數個成為候選之化合物中之藉由量子化學計算所求取的光譜指標，
    根據所取得之前述光譜指標，將各化合物分類為光譜指標滿足預定條件之群體以及光譜指標未滿足預定條件之群體，
    提取被分類為前述光譜指標滿足預定條件之群體的發光性化合物。
  25. 一種資訊處理方法，係生成複數個成為候選之化合物，
    取得所生成之各化合物的每個分子描述符之值，
    在輸入化合物的分子描述符之值時，將所得到之前述各化合物的分子描述符之值輸入於以輸出該化合物的光譜指標之方式進行學習後之模型，以具體指定光譜指標，
    提取所具體指定之光譜指標滿足預定條件之發光性化合物。
  26. 如請求項25所述之資訊處理方法，其中前述模型係藉由將化合物的分子描述符之值與藉由量子化學計算所求取之光譜指標賦予關聯而得之訓練數據來進行學習。
  27. 如請求項25或26所述之資訊處理方法，其中對於藉由前述模型所具體指定之光譜指標滿足預定條件之發光性化合物，藉由量子化學計算來進一步算出光譜指標。
  28. 如請求項25至27中任一項所述之資訊處理方法，其係以關聯於前述光譜指標滿足預定條件之發光性化合物之方式，來記憶前述光譜指標及每個分子描述符之值。
  29. 如請求項25至28中任一項所述之資訊處理方法，其係根據前述光譜指標，將前述各化合物分類為前述光譜指標滿足預定條件之群體與前述光譜指標未滿足預定條件之群體。
  30. 如請求項25至29中任一項所述之資訊處理方法，其係根據前述光譜指標及記憶了已知的化合物之資料庫，將前述各化合物分類為：前述光譜指標滿足預定條件且未被記憶為已知的化合物之群體、前述光譜指標滿足預定條件且被記憶為已知的化合物之群體、以及前述光譜指標未滿足預定條件之群體。
  31. 如請求項29或30所述之資訊處理方法，其係根據前述各化合物中的每個分子描述符之值與前述各化合物所屬之群體，具體指定：可將前述光譜指標滿足預定條件之群體或前述光譜指標滿足預定條件且未被記憶為已知的化合物之群體與其他群體分離之分子描述符的組合及各分子描述符之值的範圍。
  32. 如請求項31所述之資訊處理方法，其係根據依每個群體映射複數個分子描述符的組合值而得之映射數據，具體指定前述分子描述符的組合及各分子描述符之值的範圍。
  33. 如請求項31或32所述之資訊處理方法，其中於前述分子描述符之組合的具體指定中，係優先地使用前述模型中之貢獻度高的分子描述符。
  34. 一種發光性化合物的製造方法，係包含：藉由如請求項25至33中任一項所述之資訊處理方法來提取發光性化合物之工序，以及
    得到所提取之前述發光性化合物之工序。
  35. 一種發光性化合物的提供方法，係在輸入了由電腦所生成之成為候選的複數種化合物中所提取之化合物的分子描述符之值時，使用以輸出該 化合物的光譜指標之方式進行學習後之模型而輸出所具體指定之光譜指標滿足預定條件的發光性化合物。
  36. 一種數據生成方法，係將由電腦所生成之成為候選的複數種化合物、與對於各化合物藉由量子化學計算所算出之光譜指標賦予關聯來進行記憶，
    進一步將前述各化合物中的每個分子描述符之值對前述各化合物賦予關聯來進行記憶。
  37. 如請求項36所述之數據生成方法，其中關於前述各化合物，在輸入了化合物的分子描述符時，係藉由將前述各化合物的分子描述符之值輸入於以輸出該化合物的光譜指標之方式進行學習後之模型，而具體指定光譜指標，
    該數據生成方法係記憶：藉由前述模型所具體指定之光譜指標滿足預定條件的化合物。
  38. 如請求項36或37所述之數據生成方法，其係將對於前述各化合物藉由量子化學計算所算出之光譜指標所對應的旗標，對前述各化合物賦予關聯來進行記憶。
  39. 如請求項36至38中任一項所述之數據生成方法，其係將表示是否為已知的化合物旗標，對前述各化合物賦予關聯來進行記憶。
  40. 如請求項36至39中任一項所述之數據生成方法，其係根據對前述各化合物賦予關聯所記憶之旗標，具體指定：前述光譜指標滿足預定條件之化合物或是非已知的化合物之化合物。
  41. 如請求項36至40中任一項所述之數據生成方法，其係在得到已知的化合物時，對於前述已知的化合物，新生成表示為已知的化合物之旗標。
  42. 一種資訊處理方法，係取得對化合物所期望之特性的條件，
    藉由電腦來生成複數個成為候選之化合物，
    取得所生成之各化合物的每個分子描述符之值，
    在輸入了化合物的分子描述符之值時，係使用以輸出該化合物的特性之方式進行學習後之模型，從所生成之各化合物中提取化合物的特性滿足前述條件之化合物，
    對於所提取之化合物，藉由量子化學計算來算出特性，
    具體指定藉由量子化學計算所算出之特性滿足前述條件的化合物，
    輸出所具體指定之化合物及該化合物的特性。
  43. 如請求項42所述之資訊處理方法，其係根據各化合物的特性與記憶了已知的化合物之資料庫，將各化合物分類為：化合物的特性滿足前述條件且未被記憶為已知的化合物之群體、化合物的特性滿足前述條件且被記憶為已知的化合物之群體、以及化合物的特性未滿足前述條件之群體。
  44. 如請求項42或43所述之資訊處理方法，其係根據前述各化合物的每個分子描述符之值，具體指定：可將前述化合物的特性滿足前述條件且未被記憶為已知的化合物之群體與其他群體分離之分子描述符的組合及各分子描述符之值的範圍，
    輸出所具體指定之複數個分子描述符及各分子描述符之值的範圍。
  45. 一種資訊處理方法，係接收對化合物所期望之特性的條件，
    取得滿足所接收之前述條件之化合物的複數個分子描述符及各分子描述符之值的範圍，
    顯示所取得之前述複數個分子描述符及各分子描述符之值的範圍。
  46. 如請求項45所述之資訊處理方法，其係顯示：於滿足前述條件之化合物的提取處理中表示分子描述符的貢獻度之資訊。
TW112109557A 2022-03-22 2023-03-15 發光元件及其製造方法、發光性化合物及其製造方法、組成物及其製造方法、資訊處理方法、資訊處理裝置、電腦程式製品、發光性化合物的提供方法、以及數據生成方法 TW202400752A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-045845 2022-03-22
JP2022045845A JP2023140012A (ja) 2022-03-22 2022-03-22 発光素子及びその製造方法、発光性化合物及びその製造方法、組成物及びその製造方法、情報処理方法、情報処理装置、プログラム、発光性化合物の提供方法、並びにデータ生成方法

Publications (1)

Publication Number Publication Date
TW202400752A true TW202400752A (zh) 2024-01-01

Family

ID=88100791

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112109557A TW202400752A (zh) 2022-03-22 2023-03-15 發光元件及其製造方法、發光性化合物及其製造方法、組成物及其製造方法、資訊處理方法、資訊處理裝置、電腦程式製品、發光性化合物的提供方法、以及數據生成方法

Country Status (3)

Country Link
JP (3) JP2023140012A (zh)
TW (1) TW202400752A (zh)
WO (1) WO2023181958A1 (zh)

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4160992B2 (ja) * 2006-11-30 2008-10-08 インターナショナル・ビジネス・マシーンズ・コーポレーション シミュレーション・システム、コンピュータ装置、シミュレーション方法、およびプログラム
KR101324787B1 (ko) * 2011-05-19 2013-10-31 (주)씨에스엘쏠라 유기발광화합물 및 이를 이용한 유기 광소자
JP6259812B2 (ja) * 2013-02-28 2018-01-10 株式会社カネカ 有機ｅｌ素子、ならびにそれを用いた照明器具及びディスプレイ装置
CN109863155B (zh) * 2016-09-07 2022-09-13 学校法人关西学院 多环芳香族化合物、有机元件用材料、有机电场发光元件、显示装置及照明装置
US20200349451A1 (en) * 2017-09-06 2020-11-05 Semiconductor Energy Laboratory Co., Ltd. Physical Property Prediction Method and Physical Property Prediction System
JP6958260B2 (ja) * 2017-11-08 2021-11-02 富士通株式会社 シミュレーション方法、プログラム、及び装置
US20220277815A1 (en) * 2019-08-29 2022-09-01 Semiconductor Energy Laboratory Co., Ltd. Property Prediction System
JP7456125B2 (ja) * 2019-11-11 2024-03-27 東洋紡株式会社 パーフルオロアルキル基を有する含窒素複素環化合物及びその利用
JP7303765B2 (ja) * 2020-03-09 2023-07-05 株式会社豊田中央研究所 材料設計プログラム
US20210287137A1 (en) * 2020-03-13 2021-09-16 Korea University Research And Business Foundation System for predicting optical properties of molecules based on machine learning and method thereof
CN113628697A (zh) * 2021-07-28 2021-11-09 上海基绪康生物科技有限公司 一种针对分类不平衡数据优化的随机森林模型训练方法
CN113831276A (zh) * 2021-08-20 2021-12-24 阜阳欣奕华材料科技有限公司 化合物、中间体及其制备方法与有机电致发光器件、显示装置

Also Published As

Publication number Publication date
JP2023140356A (ja) 2023-10-04
WO2023181958A1 (ja) 2023-09-28
JP2023140357A (ja) 2023-10-04
JP2023140012A (ja) 2023-10-04

Similar Documents

Publication Publication Date Title
Lee Insights from machine learning techniques for predicting the efficiency of fullerene derivatives‐based ternary organic solar cells at ternary blend design
US20190267226A1 (en) Identification of microorganisms by spectrometry and structured classification
Ju et al. Machine learning enables highly accurate predictions of photophysical properties of organic fluorescent materials: Emission wavelengths and quantum yields
Yang et al. A comparison and assessment of computational method for identifying recombination hotspots in Saccharomyces cerevisiae
Beker et al. Prediction of major regio‐, site‐, and diastereoisomers in Diels–Alder reactions by using machine‐learning: the importance of physically meaningful descriptors
Doan et al. Quantum chemistry-informed active learning to accelerate the design and discovery of sustainable energy storage materials
Mannodi-Kanakkithodi et al. Scoping the polymer genome: A roadmap for rational polymer dielectrics design and beyond
US10957419B2 (en) Method and apparatus for new material discovery using machine learning on targeted physical property
Warr Representation of chemical structures
Webb-Robertson et al. A support vector machine model for the prediction of proteotypic peptides for accurate mass and time proteomics
Zimmer et al. Artificial intelligence understands peptide observability and assists with absolute protein quantification
El‐Bousiydy et al. What can text mining tell us about lithium‐ion battery researchers’ habits?
Curran et al. Computer aided manual validation of mass spectrometry-based proteomic data
Wang et al. Exploiting deep learning for predictable carbon dot design
Kovács et al. Machine-learning prediction of infrared spectra of interstellar polycyclic aromatic hydrocarbons
Lee Identification of host–guest systems in green TADF-based OLEDs with energy level matching based on a machine-learning study
TW202400752A (zh) 發光元件及其製造方法、發光性化合物及其製造方法、組成物及其製造方法、資訊處理方法、資訊處理裝置、電腦程式製品、發光性化合物的提供方法、以及數據生成方法
Carraher Jr et al. Use of mass spectrometry in the characterization of polymers emphasizing metal-containing condensation polymers
Xu et al. Hydrogen evolution prediction for alternating conjugated copolymers enabled by machine learning with multidimension fragmentation descriptors
Malhotra et al. Opportunities and challenges for machine learning to select combination of donor and acceptor materials for efficient organic solar cells
Velardo et al. Disentangling Electronic and Vibrational Effects in the Prediction of Band Shapes for Singlet–Triplet Transitions
Asatryan et al. Towards advanced diagnosis and management of inherited arrhythmia syndromes: Harnessing the capabilities of artificial intelligence and machine learning
Pereznieto et al. Discovery of solid-state electrolytes for Na-ion batteries using machine learning
Giollo et al. Crohn disease risk prediction—Best practices and pitfalls with exome data
Yan et al. De novo peptide sequencing using CID and HCD spectra pairs