Generatieve AI ontcijfert MOF-structuren rechtstreeks uit röntgendiffractiepatronen Metaal-organische raamwerken (MOFs) zijn buitengewoon nuttige materialen—porieus, aanpasbaar, toepasbaar op alles van gasopslag tot medicijnafgifte. Maar het identificeren van hun structuren uit poeder röntgendiffractiegegevens blijft een knelpunt, vooral voor geautomatiseerde laboratoria waar je niet elke patroon handmatig kunt laten interpreteren door een expert. Het kernprobleem: MOFs kunnen honderden atomen bevatten die zijn gerangschikt in complexe driedimensionale netwerken. Standaardbenaderingen voor de interpretatie van XRD hebben moeite met de overlappende pieken en de enorme structurele diversiteit. Bin Feng, Bingxu Wang en collega's herformuleren het probleem als beeldgeneratie. Hun model, Xrd2Mof, behandelt XRD-patronen als tekstprompts en MOF-structuren als de te genereren beelden—en past vervolgens de Stable Diffusion-architectuur toe om de mapping tussen hen te leren. De belangrijkste inzicht is coarse-graining. In plaats van te proberen elke atoompositie te voorspellen, vertegenwoordigen ze MOFs als netwerken van metaalnodes verbonden door koppelcentra. Dit werkt omdat de scherpe pieken in XRD-patronen meestal afkomstig zijn van zware metaalatomen. Het reduceren van honderden atomen tot tientallen verbindingspunten comprimeert het probleem met een orde van grootte, terwijl de structurele informatie die daadwerkelijk belangrijk is voor diffractie behouden blijft. Getraind op bijna 80.000 MOF-structuren uit de Cambridge Structural Database, bereikt Xrd2Mof meer dan 93% nauwkeurigheid in het matchen van XRD-patronen met hun juiste structuren. Het dekt in wezen alle bekende raamwerk topologieën en valideert succesvol op experimentele gegevens. De praktische implicatie: zelfrijdende laboratoria kunnen nu van ruwe diffractiegegevens naar gereconstrueerde kristalstructuren gaan zonder menselijke tussenkomst—een mogelijkheid die ontbrak in geautomatiseerde MOF-ontdekkingspijplijnen. Paper: