Generativní AI rozlušťuje struktury MOF přímo z rentgenových difrakčních vzorů Kovo-organické rámy (MOFs) jsou mimořádně užitečné materiály – pórovité, laditelné, použitelné pro vše od skladování plynu až po distribuci léků. Identifikace jejich struktur z práškových rentgenových difrakčních dat však zůstává úzkým hrdlem, zvláště v automatizovaných laboratořích, kde nemůže odborník ručně interpretovat každý vzor. Jádro problému: MOFy mohou obsahovat stovky atomů uspořádaných do složitých trojrozměrných sítí. Standardní přístupy k interpretaci XRD mají potíže s překrývajícími se vrcholy a obrovskou strukturální rozmanitostí. Bin Feng, Bingxu Wang a kolegové přeformulují problém jako generování obrazu. Jejich model Xrd2Mof považuje XRD vzory za textové prompty a MOF struktury za generované obrázky – poté aplikuje architekturu Stable Diffusion k naučení mapování mezi nimi. Klíčovým poznatkem je hrubozrnnost. Místo snahy předpovědět každou atomovou polohu představují MOF jako sítě kovových uzlů spojených spojovací centroidy. To funguje, protože ostré vrcholy v XRD vzorech většinou pocházejí z atomů těžkých kovů. Redukce stovek atomů na desítky spojovacích bodů problém zhušťuje o řád, přičemž zachovává strukturální informace, které jsou pro difrakci skutečně důležité. Natrénováno na téměř 80 000 MOF konstrukcích z Cambridge Structural Database dosahuje Xrd2Mof přesnosti přes 93 % při porovnávání XRD vzorů s jejich správnými strukturami. Pokrývá prakticky všechny známé topologie rámců a úspěšně ověřuje na experimentálních datech. Praktický důsledek: samořídící laboratoře nyní mohou přecházet od surových difrakčních dat k rekonstruovaným krystalovým strukturám bez lidského zásahu – schopnost, která v automatizovaných MOF objevovacích tocích chyběla. Článek: