Generatywna AI odszyfrowuje struktury MOF bezpośrednio z wzorców dyfrakcji rentgenowskiej Metalowo-organiczne ramy (MOF) to niezwykle użyteczne materiały—porowate, dostosowywalne, stosowane w różnych dziedzinach, od magazynowania gazu po dostarczanie leków. Jednak identyfikacja ich struktur na podstawie danych z proszkowej dyfrakcji rentgenowskiej pozostaje wąskim gardłem, szczególnie w zautomatyzowanych laboratoriach, gdzie nie można mieć eksperta interpretującego każdy wzór ręcznie. Główny problem: MOF mogą zawierać setki atomów ułożonych w złożone trójwymiarowe sieci. Standardowe podejścia do interpretacji XRD mają trudności z nakładającymi się szczytami i ogromną różnorodnością strukturalną. Bin Feng, Bingxu Wang i współpracownicy przekształcają problem w generację obrazów. Ich model, Xrd2Mof, traktuje wzory XRD jako tekstowe podpowiedzi, a struktury MOF jako obrazy do wygenerowania—następnie stosuje architekturę Stable Diffusion, aby nauczyć się mapowania między nimi. Kluczowym spostrzeżeniem jest gruboziarnienie. Zamiast próbować przewidzieć każdą pozycję atomu, reprezentują MOF jako sieci węzłów metalowych połączonych przez centroidy łączników. Działa to, ponieważ ostre szczyty w wzorach XRD pochodzą głównie od ciężkich atomów metali. Zredukowanie setek atomów do dziesiątek punktów połączeń kompresuje problem o rząd wielkości, zachowując jednocześnie istotne informacje strukturalne, które mają znaczenie dla dyfrakcji. Wytrenowany na prawie 80 000 struktur MOF z Cambridge Structural Database, Xrd2Mof osiąga ponad 93% dokładności w dopasowywaniu wzorów XRD do ich poprawnych struktur. Obejmuje zasadniczo wszystkie znane topologie ram i skutecznie waliduje na danych eksperymentalnych. Praktyczne implikacje: laboratoria autonomiczne mogą teraz przechodzić od surowych danych dyfrakcji do rekonstrukcji struktur kryształów bez interwencji człowieka—zdolność, która była brakująca w zautomatyzowanych procesach odkrywania MOF. Artykuł: