Генеративний ШІ розшифровує структури MOF безпосередньо на основі рентгенівських дифракційних патернів Металоорганічні каркаси (MOF) є надзвичайно корисними матеріалами: пористими, налаштовуваними, застосовними для всього — від зберігання газу до доставки ліків. Але ідентифікація їхніх структур за допомогою даних порошкової рентгенівської дифракції залишається вузьким місцем, особливо для автоматизованих лабораторій, де не можна звернутися до експерта, який би інтерпретував кожен візерунок вручну. Основна проблема: MOF можуть містити сотні атомів, розташованих у складних тривимірних мережах. Стандартні підходи до інтерпретації XRD стикаються з проблемами перекриття піків і величезної структурної різноманітності. Бін Фен, Бінсю Ван та колеги переосмислюють проблему як генерацію зображень. Їхня модель Xrd2Mof розглядає XRD-патерни як текстові підказки, а структури MOF — як зображення, які потрібно згенерувати, а потім застосовує архітектуру стабільної дифузії для вивчення відображення між ними. Головне розуміння — це грубозернистість. Замість того, щоб намагатися передбачити кожну атомну позицію, вони представляють MOF як мережі металевих вузлів, з'єднаних центроїдами-лінкерами. Це працює, бо різкі піки в XRD патернах здебільшого походять від атомів важких металів. Зменшення сотень атомів до десятків точок з'єднання стискає задачу на порядок величини, зберігаючи при цьому структурну інформацію, яка дійсно має значення для дифракції. Навчений майже на 80 000 конструкцій MOF з Кембриджської структурної бази даних, Xrd2Mof досягає понад 93% точності у зіставленні XRD-патернів із їхніми правильними структурами. Він охоплює практично всі відомі топології фреймворку та успішно перевіряється на експериментальних даних. Практичне значення: лабораторії з самокеруванням тепер можуть переходити від сирих дифракційних даних до відновлених кристалічних структур без втручання людини — можливості, якої раніше бракувало в автоматизованих конвеєрах відкриття MOF. Стаття: