La IA generativa descifra estructuras MOF directamente a partir de patrones de difracción de rayos X Los marcos metal-orgánicos (MOFs) son materiales extraordinariamente útiles: porosos, ajustables, aplicables a todo, desde el almacenamiento de gas hasta la administración de fármacos. Pero identificar sus estructuras a partir de datos de difracción de rayos X en polvo sigue siendo un cuello de botella, especialmente en laboratorios automatizados donde no puedes tener a un experto que interprete manualmente cada patrón. El problema central: los MOFs pueden contener cientos de átomos dispuestos en redes tridimensionales complejas. Los enfoques estándar para la interpretación de la XRD luchan con los picos superpuestos y la gran diversidad estructural. Bin Feng, Bingxu Wang y sus colegas replantean el problema como generación de imágenes. Su modelo, Xrd2Mof, trata los patrones XRD como indicaciones de texto y las estructuras MOF como las imágenes a generar—luego aplica la arquitectura Stable Diffusion para aprender el mapeo entre ellos. La idea clave es el análisis de grano grueso. En lugar de intentar predecir todas las posiciones atómicas, 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 mayormente de átomos de metales pesados. Reducir cientos de átomos a decenas 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 en casi 80.000 estructuras MOF de la Cambridge Structural Database, Xrd2Mof logra una precisión superior al 93% al emparejar patrones XRD con sus estructuras correctas. Cubre prácticamente todas las topologías conocidas de marcos y valida con éxito 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 faltado en las canalizaciones automatizadas de descubrimiento de MOF. Papel: