Generative AI entschlüsselt MOF-Strukturen direkt aus Röntgenbeugungsmustern Metall-organische Gerüste (MOFs) sind außergewöhnlich nützliche Materialien – porös, anpassbar und anwendbar für alles von Gasspeicherung bis Medikamentenabgabe. Aber die Identifizierung ihrer Strukturen aus Pulver-Röntgenbeugungsdaten bleibt ein Engpass, insbesondere für automatisierte Labore, in denen man keinen Experten hat, der jedes Muster manuell interpretiert. Das Kernproblem: MOFs können Hunderte von Atomen enthalten, die in komplexen dreidimensionalen Netzwerken angeordnet sind. Standardansätze zur Interpretation von Röntgenbeugung (XRD) haben Schwierigkeiten mit den überlappenden Peaks und der schieren strukturellen Vielfalt. Bin Feng, Bingxu Wang und Kollegen stellen das Problem als Bildgenerierung um. Ihr Modell, Xrd2Mof, behandelt XRD-Muster als Textaufforderungen und MOF-Strukturen als die zu generierenden Bilder – und wendet dann die Stable Diffusion-Architektur an, um die Zuordnung zwischen ihnen zu lernen. Der entscheidende Einblick ist die Grobkörnigkeit. Anstatt zu versuchen, jede atomare Position vorherzusagen, stellen sie MOFs als Netzwerke von Metallknoten dar, die durch Linker-Zentroiden verbunden sind. Das funktioniert, weil die scharfen Peaks in XRD-Mustern größtenteils ohnehin von schweren Metallatomen stammen. Die Reduzierung von Hunderten von Atomen auf Dutzende von Verbindungspunkten komprimiert das Problem um eine Größenordnung, während die strukturellen Informationen, die für die Beugung tatsächlich wichtig sind, erhalten bleiben. Trainiert an fast 80.000 MOF-Strukturen aus der Cambridge Structural Database erreicht Xrd2Mof eine Genauigkeit von über 93 % bei der Zuordnung von XRD-Mustern zu ihren korrekten Strukturen. Es deckt im Wesentlichen alle bekannten Rahmen-Topologien ab und validiert erfolgreich mit experimentellen Daten. Die praktische Implikation: Selbstfahrende Labore können jetzt von Rohbeugungsdaten zu rekonstruierten Kristallstrukturen ohne menschliches Eingreifen übergehen – eine Fähigkeit, die in automatisierten MOF-Entdeckungs-Pipelines gefehlt hat. Papier: