A IA generativa decifra estruturas de MOF diretamente a partir de padrões de difração de raios X Os frameworks metal-orgânicos (MOFs) são materiais extraordinariamente úteis—porosos, ajustáveis, aplicáveis a tudo, desde armazenamento de gás até entrega de medicamentos. Mas identificar suas estruturas a partir de dados de difração de raios X em pó continua a ser um gargalo, especialmente para laboratórios automatizados onde não se pode ter um especialista a interpretar manualmente cada padrão. O problema central: os MOFs podem conter centenas de átomos dispostos em redes tridimensionais complexas. As abordagens padrão para a interpretação de XRD lutam com os picos sobrepostos e a diversidade estrutural pura. Bin Feng, Bingxu Wang e colegas reformulam o problema como geração de imagens. O modelo deles, Xrd2Mof, trata os padrões de XRD como prompts de texto e as estruturas de MOF como as imagens a serem geradas—aplicando então a arquitetura de Difusão Estável para aprender o mapeamento entre eles. A chave é a redução de escala. Em vez de tentar prever cada posição atômica, eles representam os MOFs como redes de nós metálicos conectados por centróides de ligantes. 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 em uma ordem de magnitude, preservando ao mesmo tempo a informação estrutural que realmente importa para a difração. Treinado em quase 80.000 estruturas de MOF do Banco de Dados Estrutural de Cambridge, o Xrd2Mof alcança mais de 93% de precisão na correspondência de padrões de XRD com suas estruturas corretas. Ele cobre essencialmente todas as topologias de framework conhecidas e valida com sucesso em dados experimentais. A implicação prática: laboratórios autônomos agora podem passar de dados de difração brutos para estruturas cristalinas reconstruídas sem intervenção humana—uma capacidade que tem faltado em pipelines automatizados de descoberta de MOF. Artigo: