Generatiivinen tekoäly purkaa MOF-rakenteita suoraan röntgendiffraktiokuvioista Metalli-orgaaniset kehykset (MOFit) ovat poikkeuksellisen hyödyllisiä materiaaleja – huokoisia, säädettäviä, soveltuvia kaikkeen kaasun varastoinnista lääkkeiden toimitukseen. Mutta niiden rakenteiden tunnistaminen jauheröntgendiffraktiodatasta on edelleen pullonkaula, erityisesti automatisoiduissa laboratorioissa, joissa asiantuntija ei voi manuaalisesti tulkita jokaista kuviota. Ydinongelma: MOFit voivat sisältää satoja atomeja, jotka on järjestetty monimutkaisiin kolmiulotteisiin verkostoihin. Tavanomaiset XRD-tulkinnan lähestymistavat kamppailevat päällekkäisten huippujen ja valtavan rakenteellisen monimuotoisuuden kanssa. Bin Feng, Bingxu Wang ja kollegat näkevät ongelman kuvien generointina. Heidän mallinsa, Xrd2Mof, käsittelee XRD-kuvioita tekstikehotteina ja MOF-rakenteita generoitavina kuvina—ja soveltaa sitten Stable Diffusion -arkkitehtuuria oppiakseen niiden välisen kartoituksen. Keskeinen oivallus on karkeaisuus. Sen sijaan, että yritettäisiin ennustaa jokainen atomin sijainti, ne esittävät MOFeja metallisolmujen verkostoina, jotka on yhdistetty linkker-sentroideilla. Tämä toimii, koska XRD-kuvioiden terävät huiput tulevat pääosin raskasmetallien atomeista. Satojen atomien pelkistys kymmeniksi liitospisteiksi tiivistää ongelman suuruusluokalla samalla kun säilytetään rakenteellinen tieto, joka todella merkitsee diffraktiolle. Xrd2Mof on koulutettu lähes 80 000 MOF:n rakenteilla Cambridge Structural Databasesta, ja se saavuttaa yli 93 % tarkkuuden XRD-kuvioiden sovittamisessa oikeisiin rakenteisiin. Se kattaa käytännössä kaikki tunnetut kehystopologiat ja validoi menestyksekkäästi kokeellisen datan perusteella. Käytännön seuraus: itseohjautuvat laboratoriot voivat nyt siirtyä raakadiffraktiodatasta rekonstruoituihin kiderakenteisiin ilman ihmisen puuttumista—ominaisuus, joka on puuttunut automatisoiduista MOF:n löytöputkista. Artikkeli: