用于估计溶解度的系统和方法与流程

用于估计溶解度的系统和方法
1.相关申请的交叉引用
2.本技术基于并要求于2021年6月29日在韩国知识产权局提交的韩国专利申请no.10-2021-0084874和于2021年8月23日在韩国知识产权局提交的韩国专利申请no.10-2021-0111204的优先权，该两件申请的公开内容以引用方式全部并入本文中。
技术领域
3.本公开涉及一种溶质在溶剂中的溶解度，更具体地，涉及一种用于估计溶解度的系统和方法。


背景技术：

4.溶解度可以指示溶解在溶剂中的溶质的特性。不同的溶质在一种溶剂中可以具有不同的溶解度，并且溶质在不同的溶剂中可以具有不同的溶解度。溶质和溶剂的溶解度可以用作用于确定溶液使用的重要指标。溶解度可以通过实验来检测，但是当实验的目的是得到(例如，鉴定)具有所需溶解度的溶质和溶剂时，实际上可能难以重复用于检测与各种溶质和溶剂的许多组合中的每一种对应的溶解度的实验。


技术实现要素：

5.本文的教导描述了用于快速且准确地估计溶解度的系统和方法。
6.根据本公开的一方面，估计溶解度的方法包括：获得表示目标材料的化学结构的输入数据；基于输入数据生成至少一个描述符；通过将至少一个描述符提供给基于样品材料的化学结构和样品溶解度参数训练的机器学习模型来获得至少一个溶解度参数；以及基于至少一个溶解度参数计算溶解度。至少一个描述符包括各自表示目标材料的化学结构的零维描述符、一维描述符、二维描述符和三维描述符中的至少一个。
7.根据本公开的另一方面，系统包括：至少一个处理器；以及非暂时性存储介质，其存储这样的指令：当所述指令由至少一个处理器执行时，所述指令允许至少一个处理器执行用于溶解度估计的操作。所述操作包括；获得表示目标材料的化学结构的输入数据的操作；基于输入数据生成至少一个描述符的操作；通过将至少一个描述符提供给基于样品材料的化学结构和样品溶解度参数训练的机器学习模型获得至少一个溶解度参数的操作；以及基于至少一个溶解度参数计算溶解度的操作。至少一个描述符包括各自表示目标材料的化学结构的零维描述符、一维描述符、二维描述符和三维描述符中的至少一个。
8.根据本公开的又一方面，估计溶解度的方法包括：生成被训练为从定义材料的化学结构的至少一个描述符得到至少一个溶解度参数的机器学习模型。生成训练的机器学习模型包括：获得关于样品材料的属性的训练数据；基于训练数据生成多个样品描述符；从训练数据提取样品材料的至少一个样品溶解度参数；以及基于多个样品描述符和至少一个样品溶解度参数训练机器学习模型。多个样品描述符包括各自表示样品材料的化学结构的零维描述符、一维描述符、二维描述符和三维描述符中的至少一个。
附图说明
9.通过以下结合附图的详细描述，将更加清楚地理解本文中描述的本发明构思的实施例，在附图中：
10.图1示出了根据示例实施例的估计溶解度的方法的流程图；
11.图2是示出了根据示例实施例的用于通过半导体工艺制造集成电路的过程的示图；
12.图3是示出了根据示例实施例的光致抗蚀剂材料的示图；
13.图4a、图4b和图4c是根据示例实施例的材料的化学结构的示图；
14.图5是示出了根据示例实施例的描述符的示例的示图；
15.图6是示出了根据示例实施例的机器学习模型的示图；
16.图7示出了根据示例实施例的估计溶解度的方法的流程图；
17.图8示出了根据示例实施例的估计溶解度的方法的流程图；
18.图9示出了根据示例实施例的估计溶解度的方法的流程图；
19.图10示出了根据示例实施例的估计溶解度的方法的流程图；
20.图11是示出了根据示例实施例的表示材料的数据库的结构的示图；
21.图12示出了根据示例实施例的估计溶解度的方法的流程图；
22.图13a、图13b和图13c示出了根据示例实施例的溶解度参数的曲线图；以及
23.图14是示出了根据示例实施例的计算系统的框图。
具体实施方式
24.图1示出了根据示例实施例的估计溶解度的方法的流程图。图1的方法可以由计算系统执行。计算系统的示例是图14中所示并且下面描述的计算系统140。参照图1，该方法可以包括多个操作s20、s40、s60和s80。
25.下面描述的方法的操作可以由适当的单元(例如，各种硬件和/或软件组件、电路和/或模块)执行。软件可以包括用于实施逻辑功能的可执行指令的有序列表，并且可以被指令执行系统、设备或装置使用，或者可以体现在任何相关的处理器可读介质中。指令执行系统、设备或装置的示例是包括执行可执行指令的一个或多个单核处理器和/或多核处理器的系统、设备或装置。
26.下面描述的方法或算法的步骤或块和功能可以直接体现在硬件、由处理器执行的软件模块或它们的组合中。当功能由软件实施时，功能可以作为至少一个指令或代码存储在非暂时性有形计算机可读介质中。软件模块可以在随机存取存储器(ram)、闪速存储器、只读存储器(rom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)、寄存器、硬盘、可移动磁盘、cd-rom或任何其它形式的存储介质中。
27.参照图1，可以在操作s20中获得输入数据。输入数据可以表示目标材料的化学结构。目标材料可以与要估计的溶解度相关并且可以是溶剂或溶质。如以下参照图7描述的，当溶质是复合物时，目标材料可以是复合物的材料中的每一种。例如，如以下图2参照描述的，目标材料可以包括光致抗蚀剂的材料或溶解光致抗蚀剂的溶剂的材料。
28.输入数据可以具有表示目标材料的化学结构的形式。在一些实施例中，输入数据可以包括包含定义目标材料的化学结构的一系列字符的字符串。例如，输入数据可以包括
基于简化分子输入行输入系统(smiles)代码、微笑任意目标规范(smarts)代码、国际化学标识符(inchi)代码等表示的字符串。以下参照图4a、图4b和图4c描述字符串的示例。
29.可以在操作s40中生成至少一个描述符。描述符可以具有表示目标材料的特性的值，并且可以存在与目标材料对应的各种描述符。例如，如以下参照图5描述的，描述符可以被划分为零维描述符、一维描述符、二维描述符和三维描述符。描述符可以由至少一个数字构成并且用作机器学习模型ml的输入。二维描述符可以被称作拓扑描述符，三维描述符可以被称作几何描述符。
30.可以在操作s60中获得至少一个溶解度参数。例如，如图1中所示，可以从机器学习模型ml获得在s60获得的至少一个溶解度参数。可以已经关于训练数据对机器学习模型ml进行了训练，并且训练数据可以包括关于样品材料的化学结构以及溶解度参数的信息(即，描述符)。由包括在训练数据中的信息描述的溶解度参数可以在本文中被称作样品溶解度参数。以下参照图10、图11和图12描述机器学习模型ml的训练。可以基于样品材料的化学结构以及样品溶解度参数训练机器学习模型ml。在一些实施例中，机器学习模型ml可以由被设计为实施机器学习模型ml的专用硬件装置(例如，神经处理单元(npu)、张量处理单元(tpu)或神经引擎)来实施。在一些实施例中，机器学习模型ml可以由通用可编程硬件装置(例如，中央处理单元(cpu)、数字信号处理器(dsp)或图形处理单元(gpu))来实施。
31.机器学习模型ml可以具有关于训练数据被训练的结构。例如，机器学习模型ml可以包括人工神经网络、决策树、支持向量机、贝叶斯网络和/或遗传算法。在下文中，在下面的机器学习模型ml的描述中主要参考人工神经网络，但是实施例不限于此。作为非限制性示例，人工神经网络可以包括卷积神经网络(cnn)、具有cnn的区域(r-cnn)、区域建议网络(rpn)、递归神经网络(rnn)、基于堆叠的深度神经网络(s-dnn)、状态空间动态神经网络(s-sdnn)、去卷积网络、深度信念网络(dbn)、受限玻尔兹曼机(rbm)、完全卷积网络、长短期存储器(lstm)网络或者分类网络。
32.可以在操作s80中计算溶解度。例如，可以基于操作s60中获得的至少一个溶解度参数计算溶解度。为了确定溶质溶解在溶剂中的能力，可以使用混合吉布斯自由能。可以基于混合焓的变化、绝对温度和混合熵的变化计算混合吉布斯自由能。小于零的混合吉布斯自由能可以指示溶质在溶剂中溶解良好。大于零的混合吉布斯自由能可以指示溶质在溶剂中无法很好地溶解。混合吉布斯自由能可以与分散力、偶极分子间力和氢键有关；并且在汉森空间中溶解度参数之间的距离r可以定义为等式1。
33.[等式1]
[0034]
r2＝4(δd
a-δdb)2+(δp
a-δpb)2+(δh
a-δhb)2[0035]
在等式1中，δda是溶质分子之间的分散力(或分散力的能量)。δpa是溶质分子之间的偶极分子间力(或偶极分子间力的能量)。δha是溶质分子之间的氢键的力(或能量)。δdb是溶剂分子之间的分散力(或分散力的能量)。δpb是溶剂分子之间的偶极分子间力(或偶极分子间力的能量)。δhb是溶剂分子之间的氢键的力(或能量)。δda、δpa、δha、δdb、δpb和δhb可以统称为汉森溶解度参数。至少一个溶解度参数可以包括作为汉森溶解度参数的分散力参数、极性力参数和/或氢键力参数。δda、δpa和δha可以在本文中被称作第一溶解度参数。δdb、δpb和δhb可以在本文中被称作第二溶解度参数。溶解度可以与溶解度参数之间的距离r的倒数(1/r)成比例。例如，溶解度可以被计算为r的倒数(即，1/r)。为了基于等式1计算溶解度，
可以获得溶质的溶解度参数和溶剂的溶解度参数，并且可以基于所获得的溶解度参数计算溶解度。
[0036]
如上所述，可以使用被训练为从材料的化学结构输出溶解度参数的机器学习模型ml来快速且准确地估计溶解度，因此，可以容易地确定涂敷所需的溶质和/或溶剂。此外，因为容易确定溶质和/或溶剂，所以可以提高使用溶液的涂敷效率。例如，如以下参照图2描述的，当准确地估计半导体工艺中使用的溶液的溶解度时，可以有效地构造半导体工艺。此外，可以通过半导体工艺根据设计精确地制造集成电路，并且可以提高集成电路的产量。
[0037]
图2是示出了根据示例实施例的用于通过半导体工艺制造集成电路的过程的示图。详细地，图2示出了通过半导体工艺形成的结构的截面图。集成电路可以包括模拟信号处理器、dsp或它们的组合。
[0038]
半导体工艺可以包括形成集成电路的图案的各种子工艺。例如，半导体工艺可以包括光刻，光刻可以指通过使用光将几何图案从光掩模转移到光敏化学光致抗蚀剂来形成图案的工艺。光致抗蚀剂可以包括正性光致抗蚀剂和负性光致抗蚀剂，正性光致抗蚀剂的曝光部分可溶于显影剂，负性光致抗蚀剂的未曝光部分可溶于显影剂。图2示出了使用正性光致抗蚀剂形成图案的光刻法的示例。如以下关于图2所解释的，溶剂可以用作显影剂以溶解材料。
[0039]
参照图2，可以在第一状态21下制备晶圆。例如，晶圆可以包括由至少一个子工艺形成的图案。
[0040]
可以在第二状态22下将正性光致抗蚀剂涂敷到晶圆。如图2中所示，为了将正性光致抗蚀剂涂敷到晶圆，作为溶质的光致抗蚀剂材料x可以溶解在第一溶剂中，由光致抗蚀剂材料x和由第一溶剂构成的溶剂可以作为正性光致抗蚀剂涂敷到晶圆。因此，可能需要光致抗蚀剂材料x和第一溶剂以提供高溶解度，使得光致抗蚀剂材料x均匀地涂敷到晶圆。在一些实施例中，正性光致抗蚀剂可以通过旋涂涂敷到氧化物层。在一些实施例中，在涂敷正性光致抗蚀剂之后，可以加热晶圆以去除过量的溶剂。
[0041]
光掩模可以在第二状态22下在上方对准，并且光(例如，极紫外(euv)光)可以辐射到对准的光掩模。因此，如图2中所示，暴露于光的正性光致抗蚀剂可以在第三状态23下被化学改性，并且可以形成材料y。
[0042]
可以在第三状态23下提供显影剂，因此，光致抗蚀剂层的已经被光照射部分(即，材料y)可以溶解在显影剂中，并且在第四状态24下可被去除。去除光致抗蚀剂层的已经被光化学改性的所述部分的工艺可以被称作显影。如图2中所示，第二溶剂可以用作显影剂，材料y和第二溶剂可能需要提供高溶解度以去除材料y。在第四状态24之后，可以随后执行蚀刻和清洁。
[0043]
如上所述，光致抗蚀剂材料x可能需要很好地溶解在第一溶剂中，并且通过光由光致抗蚀剂材料x改性的材料y可能需要很好地溶解在第二溶剂中。因此，为了精确地形成设计的图案，确定光致抗蚀剂材料x、第一溶剂和第二溶剂可能是重要的。为了确定光致抗蚀剂材料x、第一溶剂和第二溶剂，可以使用以上参照图1描述的估计溶解度的方法，并且因此，可以准确且容易地确定光致抗蚀剂材料x、第一溶剂和第二溶剂。
[0044]
图3是示出了根据示例实施例的光致抗蚀剂材料30的示图。如以上参照图2描述的，光致抗蚀剂材料30可以用于在半导体工艺中形成集成电路的图案。
[0045]
参照图3，光致抗蚀剂材料30可以包括聚合物、离子化合物和非离子化合物。例如，聚合物可以占据光致抗蚀剂材料30中的最大比例并且具有至少几纳米的网络结构。离子化合物可以占据光致抗蚀剂材料30中的第二最大比例，并且可以由阳离子-阴离子对构成。在一些实施例中，离子化合物可以包括离子有机化合物。非离子化合物可以占据光致抗蚀剂材料30中的最小比例，并且可以包括在溶解光致抗蚀剂材料30的溶剂(例如，图2中的第一溶剂)中。在一些实施例中，非离子化合物可以包括共价离子化合物。如以下参照附图描述的，可以估计溶剂和由包括离子化合物的各种材料(例如，光致抗蚀剂材料30)构成的溶质的溶解度。
[0046]
图4a、图4b和图4c是根据示例实施例的材料的化学结构的示图。详细地，图4a示出了图3中的聚合物的示例，图4b示出了图3中的离子化合物的示例，图4c示出了图3中的非离子化合物的示例。以下参照图1描述图4a、图4b和图4c。
[0047]
如以上参照图1描述的，输入数据可以包括表示目标材料的化学结构的字符串。图4a、图4b和图4c示出了基于smiles表示化学结构的字符串。例如，如图4a中所示，作为聚合物的示例的聚苯乙烯可以包括可以被表达为字符串“c-cc1ccccc1”的苯乙烯。如图4b中所示，作为离子化合物的示例的1-丁基-3-甲基咪唑乙酸盐可以被表达为字符串“cc([o-])＝o.ccccn1cc[n+](c)c1”。如图4c中所示，作为非离子化合物的示例的丙二醇甲基醚乙酸酯可以被表达为字符串“cc(＝o)oc(c)coc”。
[0048]
图5是示出了根据示例实施例的描述符的示例的示图。详细地，图5的表50示出了描述符类型和包括在每个描述符类型中的描述符。如以上参照图1描述的，可以从表示目标材料的化学结构的输入数据生成至少一个描述符。例如，如以上参照图4a、图4b和图4c描述的，可以从表示目标材料的化学结构的字符串生成至少一个描述符。在一些实施例中，可以从字符串生成仅图5中的描述符中的一些。在一些实施例中，可以从字符串生成图5中未示出的描述符。如以下所述，图5中的描述符中的每一个可以由至少一个数字构成，并且可以用作图1中的机器学习模型ml的输入。
[0049]
参照图5，描述符可以包括零维描述符、一维描述符、二维描述符和三维描述符。零维描述符可以包括原子计数、键计数、原子电荷、以原子为中心的片段电荷、总正电荷、总负电荷、原子正电荷的数量、原子负电荷的数量、电负性、电离势等。一维描述符可以包括片段计数、氢键受体(即，h键受体)、氢键供体(即，h键供体)、以原子为中心的片段电荷、断开片段的数量等。二维描述符可以包括图形不变量、片段正电荷的数量、片段负电荷的数量、拓扑电荷指数、连接性指数等中的至少一个。拓扑电荷指数指原子对之间的电荷转移的数量。三维描述符以包括尺寸、表面、体积等。
[0050]
在一些实施例中，描述符可以包括静电描述符。例如，如图5的表50中的阴影部分中所示，零维描述符之中的原子计数、以原子为中心的片段电荷、总正电荷、总负电荷、原子正电荷的数量、原子负电荷的数量、电负性和电离势可以与静电描述符对应；一维描述符之中的以原子为中心的片段电荷可以与静电描述符对应；二维描述符之中的片段正电荷的数量、片段负电荷的数量和拓扑电荷指数可以与静电描述符对应。因此，可以估计诸如离子化合物的离子材料的溶解度或包括离子材料的材料的溶解度。
[0051]
图6是示出了根据示例实施例的机器学习模型ml的示图。如以上参照图1描述的，可以已经关于训练数据对机器学习模型ml进行了训练以输出溶解度参数。
[0052]
参照图6，可以向机器学习模型ml提供至少一个描述符des。例如，可以将表50中的描述符之中的至少一个描述符des提供到机器学习模型ml，并且表50中的描述符之中的至少一个描述符des可以包括一系列数字。当将至少两个描述符提供到机器学习模型ml时，描述符可以在机器学习模型ml的训练期间按照预定义的次序(即，提供到机器学习模型ml的描述符的次序)布置，并且按照预定义的次序提供到机器学习模型ml。
[0053]
机器学习模型ml可以从描述符des生成汉森溶解度参数δd、δp和δh。例如，机器学习模型ml可以具有通过训练确定的状态(例如，网络拓扑、偏置和权重)，并且可以通过处理描述符des生成汉森溶解度参数δd、δp和δh。当溶质是至少两种材料的复合物时，可以基于分别与至少两种材料对应的至少两个溶解度参数的加权和计算一个或多个溶解度参数。当溶剂是至少两种溶剂的混合物时，可以基于与至少两种溶剂对应的至少两个溶解度参数的加权和计算一个或多个溶解度参数。如以上参照图1描述的，δd指示目标材料的分子之间的分散力，δp指示目标材料的分子之间的偶极分子间力(或极性力)，δh指示目标材料的分子之间的h键的力。如以下参照图13a、图13b和图13c描述的，机器学习模型ml可以生成与通过实验得到的汉森溶解度参数高度相似的汉森溶解度参数，因此，可以准确且容易地估计溶解度。
[0054]
图7示出了根据示例实施例的估计溶解度的方法的流程图。详细地，图7的流程图示出了操作s20、s40和s60的示例。如图7中所示，估计溶解度的方法可以包括操作s20'、s40'、s60'和s80'。以下参照图6描述图7。
[0055]
参照图7，操作s20'可以包括操作s22和s24。可以在操作s22中获得溶质的第一输入数据，并且可以在操作s24中获得溶剂的第二输入数据。第一输入数据可以包括表示溶质的化学结构的信息(例如，字符串)。第二输入数据可以包括表示溶剂的化学结构的信息(例如，字符串)。
[0056]
操作s40'可以包括操作s42和s44。可以在操作s42中生成第一描述符，可以在操作s44中生成的第二描述符。例如，可以从在操作s22中获得的第一输入数据生成指示溶质的属性的第一描述符，可以从在操作s24中获得的第二输入数据生成指示溶剂的属性的第二描述符。
[0057]
操作s60'可以包括操作s62和s64。可以在操作s62中获得第一溶解度参数，可以在操作s64中获得第二溶解度参数。例如，可以将操作s42中生成的第一描述符提供到图6中的机器学习模型ml，机器学习模型ml可以响应于第一描述符输出溶质的汉森溶解度参数(即，第一溶解度参数)。可以将操作s44中生成的第二描述符提供到图6中的机器学习模型ml，机器学习模型ml可以响应于第二描述符输出溶剂的汉森溶解度参数(即，第二溶解度参数)。以下将参照图8描述操作s62的示例，以下将参照图9描述操作s64的示例。
[0058]
可以在操作s80'中计算溶解度。例如，可以使用等式1从在操作s62中获得的第一溶解度参数和在操作s64中获得的第二溶解度参数计算汉森空间中的溶解度参数之间的距离r，溶剂中的溶质的溶解度可以计算为距离r的倒数1/r。
[0059]
图8示出了根据示例实施例的估计溶解度的方法的流程图。详细地，图8示出了图7中的操作s62的示例。如以上参照图7描述的，可以在图8的操作s62'中获得溶质的溶解度参数(即，第一溶解度参数)。如图8中所示，操作s62'可以包括多个操作s62_2、s62_4、s62_6和s62_8。
[0060]
可以在操作s62_2中确定溶质是否是复合物。如以上参照图3描述的，溶质可以是由至少两个化合物构成的复合物。当溶质是复合物时，可以使用不同于不是复合物的溶质的溶解度参数的方法得到该溶质的溶解度参数(即，第一溶解度参数)。如图8中所示，当溶质是复合物(s62_2＝是)时，可以随后执行操作s62_4和s62_6。当溶质不是复合物(s62_2＝否)时，可以随后执行操作s62_8。
[0061]
当溶质是复合物时，可以在操作s62_4中获得材料的溶解度参数。换句话说，作为复合物的溶质可以由至少两种材料构成，可以从机器学习模型ml获得与材料中的每一种的描述符对应的溶解度参数。例如，可以将图3的光致抗蚀剂材料30的聚合物的描述符提供到机器学习模型ml，机器学习模型ml可以提供聚合物的溶解度参数。此外，可以将图3的光致抗蚀剂材料30的离子化合物的描述符提供到机器学习模型ml，机器学习模型ml可以提供离子化合物的溶解度参数。此外，可以将图3的光致抗蚀剂材料30的非离子化合物的描述符提供到机器学习模型ml，机器学习模型ml可以提供非离子化合物的溶解度参数。
[0062]
可以在操作s62_6中计算第一溶解度参数。换句话说，可以基于在操作s62_4中获得的溶解度参数计算溶质的溶解度参数。例如，当溶质由n种材料(例如，化合物)(其中，n是大于1的整数)构成时，可以使用等式2计算溶质的汉森溶解度参数δda、δpa和δha。
[0063]
[等式2]
[0064][0065][0066][0067]
在等式2中，ci是第i材料在溶质中的质量或体积的比例，δd
ai
是第i材料的分散力，δp
ai
是第i材料的极性力，δh
ai
是第i材料的h键力，其中，1≤i≤n。
[0068]
当溶质不是复合物时，可以在操作s62_8中获得第一溶解度参数。例如，可以将溶质的描述符提供到机器学习模型ml，机器学习模型ml可以提供溶质的汉森溶解度参数δda、δpa和δha。
[0069]
图9示出了根据示例实施例的估计溶解度的方法的流程图。详细地，图9示出了图7中的操作s64的示例。如以上参照图7描述的，可以在图9的操作s64'中获得溶剂的溶解度参数(即，第二溶解度参数)。如图9中所示，操作s64'可以包括多个操作s64_2、s64_4、s64_6和s64_8。
[0070]
可以在操作s64_2中确定溶剂是否是混合物。溶剂可以是至少两种溶剂的混合物，可以使用不同于不是混合物的溶剂的溶解度参数的方法得到该混合物的溶解度参数(即，第二溶解度参数)。如图9中所示，当溶剂是混合物(s64_2＝是)时，可以随后执行操作s64_4和s64_6。当溶剂不是混合物(s64_2＝否)时，可以随后执行操作s64_8。
[0071]
当溶剂是混合物时，可以在操作s64_4中获得溶剂的溶解度参数。换句话说，可以
从机器学习模型ml获得与混合物中的溶剂中的每一种的描述符对应的溶解度参数。例如，可以将混合物中的第一溶剂的描述符提供到机器学习模型ml，机器学习模型ml可以提供第一溶剂的溶解度参数。可以将混合物中的第二溶剂的描述符提供到机器学习模型ml，机器学习模型ml可以提供第二溶剂的溶解度参数。
[0072]
可以在操作s64_6中计算第二溶解度参数。换句话说，可以基于操作s64_4中获得的溶解度参数计算第二溶解度参数。例如，当混合物由m种溶剂(其中，m是大于1的整数)构成时，可以使用等式3计算混合物的汉森溶解度参数δdb、δpb和δhb。
[0073]
[等式3]
[0074][0075][0076][0077]
在等式3中，cj是第j溶剂的质量或体积在混合物中的比例，δd
bj
是第j溶剂的分散力，δp
bj
是第j溶剂的极性力，δh
bj
是第j溶剂的h键力，其中，1≤j≤m。
[0078]
当溶剂不是混合物时，可以在操作s64_8中获得第二溶解度参数。例如，可以将溶剂的描述符提供到机器学习模型ml，机器学习模型ml可以提供溶剂的汉森溶解度参数δdb、δpb和δhb。
[0079]
图10示出了根据示例实施例的估计溶解度的方法的流程图。图11是示出了根据示例实施例的表示材料的数据库的结构的示图。详细地，图10示出了训练用于估计溶解度的机器学习模型ml的方法的流程图，图11示出了用于训练机器学习模型ml的数据库的结构。
[0080]
参照图10，估计溶解度的方法可以包括多个操作s11、s13、s15、s17和s19。这里，图10的方法可以被称作生成已经被训练的机器学习模型ml的操作。在一些实施例中，可以在图1中的操作s20之前执行图10的方法。图10的方法可以由如图14中的计算系统140执行，但是根据本文的教导，机器学习模型ml的训练也可以或可替代地由与应用机器学习模型ml的计算系统140不同的单独的但相似的计算系统执行。
[0081]
可以在操作s11中获得训练数据。例如，训练数据可以包括关于多个样品材料的属性的信息。例如，训练数据可以包括关于通过实验获得的样品材料的化学结构和样品材料的溶解度参数的信息。在训练数据中，关于样品材料的化学结构的信息可以具有各种格式。例如，如以上参照图4a、图4b和图4c描述的，该信息可以具有包括一系列字符的字符串格式。
[0082]
可以在操作s13中生成多个样品描述符。例如，操作s11中获得的训练数据可以包括关于多个样品材料的化学结构的信息，可以基于包括在训练数据中的信息生成样品材料的描述符(即，样品描述符)。如以上参照图5描述的，与单个样品材料对应的样品描述符中的每一个可以包括指示样品材料的属性的至少一个数字。
[0083]
可以在操作s15中从训练数据提取样品溶解度参数。如上所述，训练数据可以包括样品材料中的每一个的溶解度参数，其中，通过实验获得溶解度参数，并且可以在操作s15中从训练数据提取样品材料的溶解度参数(即，样品溶解度参数)。
[0084]
可以在操作s17中生成数据库。数据库可以直接用于训练机器学习模型ml。在一些实施例中，数据库可以具有图11的结构。参照图11，关于单种材料的数据库可以包括识别符(id)、名称、化学结构、汉森溶解度参数δd、δp和δh、以及至少一个描述符。如图11中所示，化学结构可以具有字符串格式，描述符可以具有数字格式。在一些实施例中，汉森溶解度参数δd、δp和δh可以以mpa
1/2
为单位。
[0085]
可以在操作s19中训练机器学习模型ml。例如，可以基于使用操作s17中生成的数据库的方法训练机器学习模型ml。可以基于样品材料的化学结构以及样品溶解度参数训练机器学习模型ml。在一些实施例中，可以基于使用随机森林和/或高斯过程的监督学习训练机器学习模型ml。可以基于使用随机森林和高斯过程中的至少一个的回归学习训练机器学习模型ml。以下将参照图12描述操作s19的示例。
[0086]
图12示出了根据示例实施例的估计溶解度的方法的流程图。详细地，图12的流程图示出了图10中的操作s19的示例。如以上参照图10描述的，可以在图12的操作s19'中训练机器学习模型ml。如图12中所示，操作s19'可以包括操作s19_2和s19_4。以下参照图10描述图12。
[0087]
参照图12，可以在操作s19_2中识别样品描述符的重要性级别。例如，可以在图10中的操作s13中生成指示样品材料的属性的描述符的最大数量。因此，数据库可以包括多个描述符，描述符可以用于训练机器学习模型ml。当对机器学习模型ml的训练完成时，可以根据对机器学习模型ml的输出(即，溶解度参数)的影响程度来识别机器学习模型ml的输入(即，描述符)的重要性级别。例如，当机器学习模型ml中的描述符乘以的系数低时，可以将描述符的重要性级别识别为低。
[0088]
可以在操作s19_4中设定描述符特征组。例如，可以基于操作s19_2中识别的重要性级别从样品描述符之中选择与参考重要性级别或更高的重要性级别对应的样品描述符，并且可以设定由所选择的样品描述符构成的描述符特征组。在一些实施例中，在图1中的操作s40中生成的目标材料的至少一个描述符可以包括在描述符特征组中，因此，包括在描述符特征组中的描述符可以用于溶解度估计。在一些实施例中，可以基于包括在与样品材料对应的描述符之中的描述符特征组中的描述符训练机器学习模型ml。
[0089]
图13a、图13b和图13c示出了根据示例实施例的溶解度参数的曲线图。详细地，图13a的曲线图示出了通过实验获得的汉森溶解度参数(x轴)和依据分散力从机器学习模型ml得到的汉森溶解度参数(y轴)。图13b的曲线图示出了通过实验获得的汉森溶解度参数(x轴)和依据极性力从机器学习模型ml得到的汉森溶解度参数(y轴)。图13c的曲线图示出了通过实验获得的汉森溶解度参数(x轴)和依据h键力从机器学习模型ml得到的汉森溶解度参数(y轴)。如图13a、图13b和图13c中所示，机器学习模型ml可以得到与通过实验获得的汉森溶解度参数(x轴)相似的汉森溶解度参数(y轴)。
[0090]
图14是示出了根据示例实施例的计算系统140的框图。在一些实施例中，以上已经参照附图描述的估计溶解度的方法可以由图14的计算系统140执行。
[0091]
计算系统140可以包括固定计算系统(诸如台式计算机、工作站或服务器)或者便
携式计算系统(诸如膝上型计算机)。参照图14，计算系统140可以包括至少一个处理器141、输入/输出(i/o)接口142、网络接口143、存储器子系统144、存储部145和总线146。至少一个处理器141、i/o接口142、网络接口143、存储器子系统144和存储部145可以通过总线146彼此通信。
[0092]
至少一个处理器141可以被称作处理单元，并且可以像cpu、gpu、npu或dsp一样执行程序。例如，至少一个处理器141可以通过总线146访问存储器子系统144，并且执行存储在存储器子系统144中的指令。在一些实施例中，计算系统140还可以包括加速器作为被设计为以高速执行特定功能的专用硬件装置。在一些实施例中，图1中的机器学习模型ml可以由包括在至少一个处理器141中的npu实施。
[0093]
i/o接口142可以包括输入装置(诸如键盘或定点装置)和/或输出装置(诸如显示装置或打印机)，或者可以提供对输入装置和/或输出装置的访问。用户可以通过i/o接口142触发程序145_1的执行和/或数据145_2的加载，可以输入图1中的输入数据，或者可以检查所获得的溶解度参数和所计算的溶解度。
[0094]
网络接口143可以提供对计算系统140外部的网络的访问。例如，网络可以包括多个计算系统和通信链路。通信链路可以包括有线链路、光学链路、无线链路或其它类型的链路。
[0095]
存储器子系统144可以存储用于以上已经参照附图描述的估计溶解度的方法的程序145_1或者程序145_1的至少一部分。至少一个处理器141可以通过执行存储在存储器子系统144中的程序(或指令)来执行估计溶解度的方法的至少一部分。存储器子系统144可以包括rom、ram等。
[0096]
作为非暂时性存储介质的存储部145即使在供应到计算系统140的电力被中断时也不会丢失存储在其中的数据。例如，存储部145可以包括非易失性存储器装置或诸如磁带、光盘或磁盘的存储介质。存储部145可以与计算系统140是可拆卸的。如图14中所示，存储部145可以存储程序145_1和数据145_2。程序145_1的至少一部分可以在由至少一个处理器141执行之前被加载到存储器子系统144。在一些实施例中，存储部145可以存储以编程语言编写的文件。由编译器等从文件生成的程序145_1或程序145_1的至少一部分可以被加载到存储器子系统144。数据145_2可以包括执行以上已经参照附图描述的估计溶解度的方法所需的数据(例如，图1中生成的输入数据和/或描述符)。数据145_2还可以包括通过执行以上已经参照附图描述的估计溶解度的方法而生成的数据(例如，图1中的溶解度参数和估计的溶解度)。数据145_2可以包括图10中生成的训练数据、样品描述符、样品溶解度参数和数据库中的至少一个。
[0097]
尽管已经参照本发明构思的实施例具体示出并描述了本发明构思，但是将理解，在不脱离所附权利要求的精神和范围的情况下，可以在本文中做出形式和细节上的各种改变。