AI generatif menguraikan struktur MOF langsung dari pola difraksi sinar-X Kerangka logam-organik (MOF) adalah bahan yang sangat berguna—berpori, dapat disetel, dapat diterapkan untuk segala hal mulai dari penyimpanan gas hingga pengiriman obat. Tetapi mengidentifikasi strukturnya dari data difraksi sinar-X bubuk tetap menjadi hambatan, terutama untuk laboratorium otomatis di mana Anda tidak dapat meminta seorang ahli menafsirkan setiap pola secara manual. Masalah inti: MOF dapat berisi ratusan atom yang disusun dalam jaringan tiga dimensi yang kompleks. Pendekatan standar untuk interpretasi XRD berjuang dengan puncak yang tumpang tindih dan keragaman struktural belaka. Bin Feng, Bingxu Wang, dan rekan-rekannya membingkai ulang masalah sebagai pembuatan gambar. Model mereka, Xrd2Mof, memperlakukan pola XRD sebagai perintah teks dan struktur MOF sebagai gambar yang akan dihasilkan—kemudian menerapkan arsitektur Difusi Stabil untuk mempelajari pemetaan di antara mereka. Wawasan kuncinya adalah kasar-graining. Alih-alih mencoba memprediksi setiap posisi atom, mereka mewakili MOF sebagai jaringan simpul logam yang dihubungkan oleh sentroid penghubung. Ini berhasil karena puncak tajam dalam pola XRD sebagian besar berasal dari atom logam berat. Mengurangi ratusan atom menjadi lusinan titik koneksi memampatkan masalah dengan urutan besarnya sambil mempertahankan informasi struktural yang benar-benar penting untuk difraksi. Dilatih pada hampir 80.000 struktur MOF dari Cambridge Structural Database, Xrd2Mof mencapai akurasi lebih dari 93% dalam mencocokkan pola XRD dengan struktur yang benar. Ini pada dasarnya mencakup semua topologi kerangka kerja yang diketahui dan berhasil memvalidasi data eksperimental. Implikasi praktisnya: laboratorium self-driving sekarang dapat beralih dari data difraksi mentah ke struktur kristal yang direkonstruksi tanpa campur tangan manusia—kemampuan yang hilang dari pipeline penemuan MOF otomatis. Kertas: