AI sinh ra giải mã cấu trúc MOF trực tiếp từ các mẫu nhiễu xạ X-ray Khung hữu cơ kim loại (MOFs) là những vật liệu cực kỳ hữu ích—rỗng, có thể điều chỉnh, áp dụng cho mọi thứ từ lưu trữ khí đến vận chuyển thuốc. Nhưng việc xác định cấu trúc của chúng từ dữ liệu nhiễu xạ X-ray bột vẫn là một nút thắt, đặc biệt là đối với các phòng thí nghiệm tự động nơi bạn không thể có một chuyên gia giải thích từng mẫu một cách thủ công. Vấn đề cốt lõi: MOFs có thể chứa hàng trăm nguyên tử được sắp xếp trong các mạng ba chiều phức tạp. Các phương pháp tiêu chuẩn để giải thích XRD gặp khó khăn với các đỉnh chồng chéo và sự đa dạng cấu trúc khổng lồ. Bin Feng, Bingxu Wang và các đồng nghiệp đã định hình lại vấn đề như một quá trình tạo hình ảnh. Mô hình của họ, Xrd2Mof, coi các mẫu XRD như các gợi ý văn bản và cấu trúc MOF như các hình ảnh cần được tạo ra—sau đó áp dụng kiến trúc Stable Diffusion để học cách ánh xạ giữa chúng. Điểm mấu chốt là việc làm thô. Thay vì cố gắng dự đoán mọi vị trí nguyên tử, họ đại diện cho MOFs như là các mạng lưới các nút kim loại được kết nối bởi các tâm liên kết. Điều này hoạt động vì các đỉnh sắc nét trong các mẫu XRD chủ yếu đến từ các nguyên tử kim loại nặng. Việc giảm hàng trăm nguyên tử xuống còn hàng chục điểm kết nối nén vấn đề lại một cách đáng kể trong khi vẫn giữ lại thông tin cấu trúc thực sự quan trọng cho sự nhiễu xạ. Được đào tạo trên gần 80.000 cấu trúc MOF từ Cơ sở dữ liệu cấu trúc Cambridge, Xrd2Mof đạt được độ chính xác trên 93% trong việc khớp các mẫu XRD với cấu trúc đúng của chúng. Nó bao phủ hầu như tất cả các hình thái khung đã biết và xác thực thành công trên dữ liệu thực nghiệm. Ý nghĩa thực tiễn: các phòng thí nghiệm tự động giờ đây có thể chuyển từ dữ liệu nhiễu xạ thô sang các cấu trúc tinh thể được tái tạo mà không cần sự can thiệp của con người—một khả năng đã thiếu trong các quy trình phát hiện MOF tự động.