L'AI generativa decifra le strutture dei MOF direttamente dai modelli di diffrazione a raggi X I framework metal-organici (MOF) sono materiali straordinariamente utili: porosi, regolabili, applicabili a tutto, dalla conservazione dei gas alla somministrazione di farmaci. Ma identificare le loro strutture dai dati di diffrazione a raggi X in polvere rimane un collo di bottiglia, specialmente per i laboratori automatizzati dove non è possibile avere un esperto che interpreti manualmente ogni modello. Il problema principale: i MOF possono contenere centinaia di atomi disposti in reti tridimensionali complesse. Gli approcci standard all'interpretazione della diffrazione a raggi X faticano con i picchi sovrapposti e la pura diversità strutturale. Bin Feng, Bingxu Wang e colleghi riformulano il problema come generazione di immagini. Il loro modello, Xrd2Mof, tratta i modelli di diffrazione a raggi X come suggerimenti testuali e le strutture dei MOF come le immagini da generare—applicando poi l'architettura Stable Diffusion per apprendere la mappatura tra di essi. L'intuizione chiave è la coarse-graining. Invece di cercare di prevedere ogni posizione atomica, rappresentano i MOF come reti di nodi metallici collegati da centroidi di collegamento. Questo funziona perché i picchi netti nei modelli di diffrazione a raggi X provengono principalmente da atomi di metallo pesante. Ridurre centinaia di atomi a dozzine di punti di connessione comprime il problema di un ordine di grandezza, preservando nel contempo le informazioni strutturali che contano realmente per la diffrazione. Addestrato su quasi 80.000 strutture di MOF dal Cambridge Structural Database, Xrd2Mof raggiunge oltre il 93% di accuratezza nell'abbinare i modelli di diffrazione a raggi X alle loro strutture corrette. Copre essenzialmente tutte le topologie di framework conosciute e valida con successo su dati sperimentali. L'implicazione pratica: i laboratori autonomi possono ora passare dai dati di diffrazione grezzi a strutture cristalline ricostruite senza intervento umano—una capacità che è mancata nei pipeline di scoperta automatizzata dei MOF. Articolo: