La IA generativa descifra estructuras de MOF directamente a partir de patrones de difracción de rayos X Los marcos organometálicos (MOF) son materiales extraordinariamente útiles: porosos, ajustables, aplicables a todo, desde el almacenamiento de gases hasta la entrega de medicamentos. Pero identificar sus estructuras a partir de datos de difracción de rayos X en polvo sigue siendo un cuello de botella, especialmente para laboratorios automatizados donde no se puede tener un experto interpretando manualmente cada patrón. El problema central: los MOF pueden contener cientos de átomos dispuestos en redes tridimensionales complejas. Los enfoques estándar para la interpretación de XRD luchan con los picos superpuestos y la pura diversidad estructural. Bin Feng, Bingxu Wang y colegas reformulan el problema como generación de imágenes. Su modelo, Xrd2Mof, trata los patrones de XRD como indicaciones de texto y las estructuras de MOF como las imágenes a generar; luego aplica la arquitectura de Stable Diffusion para aprender la correspondencia entre ellas. La clave es la reducción de escala. En lugar de intentar predecir cada posición atómica, representan los MOF como redes de nodos metálicos conectados por centroides de enlace. Esto funciona porque los picos agudos en los patrones de XRD provienen principalmente de átomos de metales pesados. Reducir cientos de átomos a docenas de puntos de conexión comprime el problema en un orden de magnitud mientras se preserva la información estructural que realmente importa para la difracción. Entrenado con casi 80,000 estructuras de MOF de la Base de Datos Estructural de Cambridge, Xrd2Mof logra más del 93% de precisión en la coincidencia de patrones de XRD con sus estructuras correctas. Cubre esencialmente todas las topologías de marcos conocidas y valida con éxito en datos experimentales. La implicación práctica: los laboratorios autónomos ahora pueden pasar de datos de difracción en bruto a estructuras cristalinas reconstruidas sin intervención humana, una capacidad que ha estado ausente en los pipelines de descubrimiento automatizado de MOF. Artículo: