A IA generativa decifra estruturas MOF diretamente a partir de padrões de difração de raios X Estruturas metal-orgânicas (MOFs) são materiais extraordinariamente úteis — porosos, ajustáveis, aplicáveis a tudo, desde armazenamento de gás até administração de medicamentos. Mas identificar suas estruturas a partir de dados de difração de raios X em pó continua sendo um gargalo, especialmente em laboratórios automatizados, onde não é possível ter um especialista para interpretar manualmente todos os padrões. O problema central: MOFs podem conter centenas de átomos organizados em redes tridimensionais complexas. Abordagens padrão para interpretação de DRX enfrentam dificuldades com os picos sobrepostos e a pura diversidade estrutural. Bin Feng, Bingxu Wang e colegas reformulam o problema como geração de imagens. O modelo deles, Xrd2Mof, trata padrões XRD como prompts de texto e estruturas MOF como as imagens a serem geradas — e então aplica a arquitetura Stable Diffusion para aprender o mapeamento entre eles. O insight principal é o coarse-graining. Em vez de tentar prever todas as posições atômicas, eles representam os MOFs como redes de nós metálicos conectados por centróides linker. Isso funciona porque os picos agudos nos padrões de XRD vêm principalmente de átomos de metais pesados de qualquer forma. Reduzir centenas de átomos a dezenas de pontos de conexão comprime o problema por uma ordem de grandeza, preservando as informações estruturais que realmente importam para a difração. Treinado em quase 80.000 estruturas MOF do Cambridge Structural Database, o Xrd2Mof alcança mais de 93% de precisão ao combinar padrões de XRD com suas estruturas corretas. Ele cobre essencialmente todas as topologias conhecidas de frameworks e valida com sucesso dados experimentais. A implicação prática: laboratórios autônomos agora podem passar de dados brutos de difração para estruturas cristalinas reconstruídas sem intervenção humana — uma capacidade que estava ausente nos pipelines automatizados de descoberta de MOF. Papel: