Generativ AI avkodar MOF-strukturer direkt från röntgendiffraktionsmönster Metallorganiska system (MOF) är mycket användbara material – porösa, justerbara, användbara för allt från gaslagring till läkemedelsleverans. Men att identifiera deras strukturer från pulverröntgendiffraktionsdata är fortfarande en flaskhals, särskilt för automatiserade laboratorier där man inte kan låta en expert manuellt tolka varje mönster. Kärnproblemet: MOFs kan innehålla hundratals atomer arrangerade i komplexa tredimensionella nätverk. Standardmetoder för XRD-tolkning har svårt med överlappande toppar och den enorma strukturella mångfalden. Bin Feng, Bingxu Wang och kollegor omformulerar problemet som bildgenerering. Deras modell, Xrd2Mof, behandlar XRD-mönster som textpromptar och MOF-strukturer som de bilder som ska genereras—och applicerar sedan Stable Diffusion-arkitekturen för att lära sig kartläggningen mellan dem. Den viktigaste insikten är grovkornighet. Istället för att försöka förutsäga varje atomposition representerar de MOFs som nätverk av metallnoder kopplade med länkarcentroider. Detta fungerar eftersom de skarpa topparna i XRD-mönster mestadels kommer från tungmetallatomer ändå. Att reducera hundratals atomer till dussintals kopplingspunkter komprimerar problemet med en storleksordning samtidigt som den strukturella information som faktiskt är viktig för diffraktion bevaras. Xrd2Mof, tränad på nästan 80 000 MOF-strukturer från Cambridge Structural Database, uppnår över 93 % noggrannhet i att matcha XRD-mönster med deras korrekta strukturer. Den täcker i princip alla kända ramverkstopologier och validerar framgångsrikt på experimentella data. Den praktiska implikationen: självkörande laboratorier kan nu gå från rå diffraktionsdata till rekonstruerade kristallstrukturer utan mänsklig inblandning – en förmåga som saknats i automatiserade MOF-upptäcktspipelines. Papper: