يقوم الذكاء الاصطناعي التوليدي بفك شيفرة هياكل MOF مباشرة من أنماط حيود الأشعة السينية الهياكل المعدنية العضوية (MOFs) هي مواد مفيدة للغاية—مسامية، قابلة للضبط، وقابلة للاستخدام في كل شيء من تخزين الغاز إلى توصيل الأدوية. لكن تحديد هياكلها من بيانات الحيود بالأشعة السينية بمسحوق لا يزال عنق زجاجة، خاصة في المختبرات الآلية حيث لا يمكن لخبير تفسير كل نمط يدويا. المشكلة الأساسية: يمكن أن تحتوي الذرات الميكانيكية على مئات الذرات مرتبة في شبكات ثلاثية الأبعاد معقدة. تكافح المناهج القياسية لتفسير XRD مع تداخل القمم والتنوع الهيكلي الكبير. بين فنغ، بينغشو وانغ، وزملاؤهم يعيدون صياغة المشكلة على أنها توليد صورة. نموذجهم، Xrd2Mof، يعامل أنماط XRD كمحفزات نصية وهياكل MOF كصور سيتم توليدها—ثم يطبق بنية الانتشار المستقر لتعلم التعيين بينها. الفكرة الأساسية هي التدقيق الخشن. بدلا من محاولة التنبؤ بكل موقع ذري، يمثلون MOFs كشبكات من العقد المعدنية المتصلة بمراكز الربط (الربط المركزي). هذا يعمل لأن القمم الحادة في أنماط XRD تأتي في الغالب من ذرات المعادن الثقيلة على أي حال. تقليل مئات الذرات إلى عشرات نقاط الاتصال يضغط المشكلة بمقدار كبير مع الحفاظ على المعلومات الهيكلية التي تهم فعليا في الحيود. تم تدريبه على ما يقرب من 80,000 هيكل MOF من قاعدة بيانات كامبريدج الهيكلية، ويحقق Xrd2Mof دقة تزيد عن 93٪ في مطابقة أنماط XRD مع هياكلها الصحيحة. يغطي تقريبا جميع طوبولوجيات الإطار المعروفة ويتحقق بنجاح من البيانات التجريبية. الدلالة العملية: يمكن للمختبرات ذاتية القيادة الآن الانتقال من بيانات الحيود الخام إلى هياكل بلورات معاد بناؤها دون تدخل بشري—وهي قدرة كانت مفقودة من خطوط الاكتشاف الآلية لمواقع النفخ الذاتي. الورقة: