Generativ AI avkoder MOF-strukturer direkte fra røntgendiffraksjonsmønstre Metall-organiske systemer (MOF-er) er svært nyttige materialer – porøse, justerbare, relevante for alt fra gasslagring til legemiddellevering. Men å identifisere strukturene deres fra pulverrøntgendiffraksjonsdata er fortsatt en flaskehals, spesielt for automatiserte laboratorier hvor du ikke kan la en ekspert tolke hvert mønster manuelt. Kjerneproblemet: MOF-er kan inneholde hundrevis av atomer arrangert i komplekse tredimensjonale nettverk. Standard tilnærminger til XRD-tolkning sliter med overlappende topper og den enorme strukturelle variasjonen. Bin Feng, Bingxu Wang og kolleger omformulerer problemet som bildegenerering. Deres modell, Xrd2Mof, behandler XRD-mønstre som tekstprompter og MOF-strukturer som bildene som skal genereres—og anvender deretter Stable Diffusion-arkitekturen for å lære kartleggingen mellom dem. Den viktigste innsikten er grovkorning. I stedet for å prøve å forutsi hver atomposisjon, representerer de MOF-er som nettverk av metallnoder koblet sammen med linker-sentrasjoner. Dette fungerer fordi de skarpe toppene i XRD-mønstre stort sett kommer fra tungmetallatomer uansett. Å redusere hundrevis av atomer til dusinvis av tilkoblingspunkter komprimerer problemet med en størrelsesorden, samtidig som den strukturelle informasjonen som faktisk betyr noe for diffraksjon, bevares. Trent på nesten 80 000 MOF-strukturer fra Cambridge Structural Database, oppnår Xrd2Mof over 93 % nøyaktighet i å matche XRD-mønstre med deres riktige strukturer. Den dekker i hovedsak alle kjente rammeverkstopologier og validerer vellykket på eksperimentelle data. Den praktiske implikasjonen: selvkjørende laboratorier kan nå gå fra rå diffraksjonsdata til rekonstruerte krystallstrukturer uten menneskelig inngripen – en evne som har manglet i automatiserte MOF-oppdagelsespipelines. Artikkel: