Üretken Yapay Zeka, Mof yapılarını doğrudan X-ışını kırınım desenlerinden çözer Metal-organik çerçeveler (MOF'lar) son derece kullanışlı malzemelerdir—gözenekli, ayarlanabilir ve gaz depolamadan ilaç teslimatına kadar her şeye uygulanabilir. Ancak toz X-ışını kırınım verilerinden yapılarını tanımlamak, özellikle her deseni manuel olarak yorumlayamayan otomatik laboratuvarlar için bir darboğaz olmaya devam ediyor. Temel sorun: MOF'lar karmaşık üç boyutlu ağlarda dizilmiş yüzlerce atom içerebilir. XRD yorumuna standart yaklaşımlar, örtüşen zirveler ve yapısal çeşitlilikle mücadele eder. Bin Feng, Bingxu Wang ve meslektaşları bu sorunu görüntü üretimi olarak yeniden çerçeveliyor. Modelleri Xrd2Mof, XRD desenlerini metin istemi olarak, MOF yapılarını oluşturulacak görüntüler olarak ele alır—ardından Stable Diffusion mimarisini uygulayarak aralarındaki eşlemeyi öğrenir. Temel anlayış kaba tanenli olmaktır. Her atom konumunu tahmin etmeye çalışmak yerine, MOF'ları linker centroidlerle bağlanmış metal düğüm ağları olarak temsil ederler. Bu işe yarıyor çünkü XRD desenlerindeki keskin zirveler çoğunlukla ağır metal atomlarından geliyor. Yüzlerce atomu onlarca bağlantı noktasına indirgemek, sorunu büyük bir dereceye sıkıştırırken, difraksiyon için gerçekten önemli olan yapısal bilgiyi korur. Cambridge Yapısal Veritabanı'ndan yaklaşık 80.000 MOF'luk yapılar üzerinde eğitilen Xrd2Mof, XRD desenlerini doğru yapılarla eşleştirmede %93'ün üzerinde doğruluk sağlamaktadır. Temelde tüm bilinen çerçeve topolojilerini kapsar ve deneysel veriler üzerinde başarıyla doğrulanır. Pratik sonuç: Kendi kendine sürücü laboratuvarlar artık ham kırınım verisinden insan müdahalesi olmadan yeniden inşa edilmiş kristal yapılara geçebiliyor—bu, otomatik MOF'un keşif hatlarında eksik olan bir yetenek. Makale: