Inteligența artificială generativă descifrează structurile MOF direct din tiparele de difracție cu raze X Structurile metal-organice (MOF) sunt materiale extrem de utile — poroase, reglabile, aplicabile la orice, de la stocarea gazului până la livrarea medicamentelor. Dar identificarea structurilor lor din datele de difracție a razelor X cu pulbere rămâne un blocaj, mai ales pentru laboratoarele automate unde nu poți avea un expert care să interpreteze manual fiecare tipar. Problema de bază: MOF-urile pot conține sute de atomi aranjați în rețele complexe tridimensionale. Abordările standard pentru interpretarea XRD se confruntă cu vârfurile suprapuse și cu diversitatea structurală uriașă. Bin Feng, Bingxu Wang și colegii săi reformulează problema ca generare de imagini. Modelul lor, Xrd2Mof, tratează modelele XRD ca prompturi de text și structurile MOF ca imagini ce urmează să fie generate — apoi aplică arhitectura Stable Diffusion pentru a învăța maparea dintre ele. Ideea principală este "coarse-graining". În loc să încerce să prezică fiecare poziție atomică, ele reprezintă MOF-urile ca rețele de noduri metalice conectate prin centroizi linker. Acest lucru funcționează pentru că vârfurile ascuțite din modelele XRD provin oricum în mare parte din atomii de metale grele. Reducerea a sute de atomi la zeci de puncte de conexiune comprimă problema cu un ordin de mărime, păstrând totodată informațiile structurale care contează cu adevărat pentru difracție. Antrenat pe aproape 80.000 de structuri MOF din Cambridge Structural Database, Xrd2Mof atinge o acuratețe de peste 93% în potrivirea modelelor XRD cu structurile lor corecte. Acoperă practic toate topologiile cunoscute ale cadrului și validează cu succes datele experimentale. Implicația practică: laboratoarele autonome pot trece acum de la date brute de difracție la structuri cristaline reconstruite fără intervenție umană — o capacitate care a lipsit din pipeline-urile automate de descoperire MOF. Hârtie: