Äquivariante Diffusionslösung zur Bestimmung anorganischer Kristallstrukturen aus Pulverdiffraktometrie-Daten

Computern das Lesen von Kristall-Fingerabdrücken beibringen

Viele heutige Technologien — von Batterien über Katalysatoren bis hin zu Magneten — beruhen auf der präzisen Anordnung von Atomen in anorganischen Kristallen. Diese unsichtbare Architektur wird meist mit Röntgenstrahlen entschlüsselt, die ein charakteristisches „Fingerabdruck“-Muster hinterlassen. Doch aus diesen Mustern eine exakte Atomkarte zu erstellen, erforderte lange Jahre der Ausbildung und mühsames Trial-and-Error. Diese Studie stellt ein KI-System namens XRDSol vor, das diese Fingerabdrücke lesen und in weniger als einer Sekunde vollständige Kristallstrukturen vorschlagen kann — ein Schritt hin zu schnellerer Materialentdeckung und zuverlässigeren Materialdatenbanken.

Warum Pulvermuster so schwer zu entschlüsseln sind

Wenn Röntgenstrahlen durch einen perfekt geformten Einkristall treten, entsteht ein reichhaltiges dreidimensionales Muster, mit dem sich jedes Atom genau lokalisieren lässt. Realistische Proben bestehen jedoch oft aus Pulver aus vielen winzigen Körnern. Ihr Röntgendiffraktogramm fällt zu einer eindimensionalen Serie von Peaks zusammen, wobei ein Großteil der ursprünglichen räumlichen Information verloren geht. Experten müssen dieses komprimierte Muster typischerweise mit ihrem Wissen über Chemie und Kristallographie kombinieren, Gitterparameter, Symmetrie und Atompositionen erraten und ihre Vermutungen wiederholt verfeinern. Bei komplexen oder wenig bekannten Materialien können Lösungen unvollständig, umstritten oder sogar falsch sein; große Struktur­datenbanken enthalten Tausende von Einträgen mit fehlenden oder wenig plausiblen Atomkoordinaten.

Eine KI, die atomare Anordnungen rekonstruiert

Die Autoren begegnen dieser Herausforderung mit XRDSol, einem KI-Modell, das auf einem äquivarianten Diffusionsprozess beruht und auf einer Graphdarstellung des Kristalls operiert. Anstatt von einer guten Anfangsschätzung auszugehen, startet XRDSol mit Atomen, die zufällig innerhalb einer bekannten Einheitszelle platziert sind (bei bekannter chemischer Formel und bekannten Gitterparametern). Während des Trainings lernt das Modell, einen schrittweisen „Rauschprozess“ umzukehren, bei dem gut etablierte, thermodynamisch stabile Strukturen wiederholt verzerrt werden. Geleitet von einer komprimierten Darstellung des Ziel-Pulverdiffraktogramms „entrauscht“ das Modell schrittweise die zufällige Anordnung und bewegt die Atome Stück für Stück in Positionen, die sowohl chemisch sinnvoll als auch mit dem beobachteten Muster konsistent sind. Da das zugrundeliegende neuronale Netz die Rotations- und Translationssymmetrien von Kristallen respektiert, bevorzugt es auf natürliche Weise physikalisch sinnvolle Anordnungen.

Schnelle, genaue Lösungen für viele Materialien

Um XRDSol zu testen, verwendete das Team einen Datensatz von über 9.000 stabilen anorganischen Strukturen mit simulierten Pulverdiffraktogrammen. Auf einer einzelnen Grafikkarte benötigt das Modell etwa 0,6 Sekunden, um eine Lösung für eine Struktur zu erzeugen — ungefähr zehntausend- bis hunderttausendmal schneller als frühere Methoden, die auf aufwändigen quantenmechanischen Rechnungen und evolutionären Suchverfahren basieren. In mehr als 80 Prozent der Fälle rekonstruiert XRDSol Atompositionen, die den bekannten Strukturen sehr nahekommen, und in über 90 Prozent war das rekonstruierte Diffraktogramm dem Zielmuster stark ähnlich. Die Methode funktioniert besonders gut für hochsymmetrische Kristalle, während die Leistung bei niedrigsymmetrischen, komplexeren Fällen abnimmt. Dennoch zeigen Beispiele von einfachen Salzen bis hin zu komplexen Oxiden, Sulfiden und intermetallischen Verbindungen, dass der Ansatz über unterschiedliche Chemien hinweg breit anwendbar ist.

Alte Aufzeichnungen korrigieren und fehlende Strukturen ergänzen

Über das Reproduzieren bekannter Antworten hinaus kann XRDSol fragwürdige Einträge verbessern. Die Autoren prüften Tausende von Datenbankeinträgen mit ungewöhnlich hohen berechneten Energien — ein Hinweis darauf, dass etwas mit der veröffentlichten Struktur nicht stimmt. Nur mit Pulvermuster, Gitter und Zusammensetzung als Eingabe schlug XRDSol alternative Atomanordnungen vor. Für mindestens 39 Verbindungen passten die neuen Strukturen besser zum Diffraktogramm und wiesen deutlich niedrigere Energien auf; in mehreren gut untersuchten Fällen stimmten sie mit späteren experimentellen Neubestimmungen überein. Das System ergänzte außerdem fehlende Koordinaten für 912 Einträge, deren Diffraktogramme bekannt, deren Atompositionen jedoch nicht angegeben waren, einschließlich herausfordernder Beispiele mit leichten Elementen wie Wasserstoff und Lithium, natürlichen Mineralien mit Verunreinigungen und Materialien mit chemischer Unordnung. Diese KI-generierten Strukturen wurden mit quantenmechanischen Rechnungen und manueller Begutachtung überprüft und als energetisch plausibel und chemisch sinnvoll befunden.

Auf dem Weg zur automatisierten Materialentdeckung

XRDSol zeigt, dass ein auf Diffusion basierendes, symmetrie-bewusstes neuronales Netz einen Großteil des Expertenwissens erlernen kann, das nötig ist, um anorganische Kristallstrukturen direkt aus Pulver-Röntgendaten zu lösen. Zwar hat die Methode weiterhin Schwierigkeiten mit sehr großen Einheitszellen, niedrigsymmetrischen Phasen und vollständig ungeordneten Positionen, liefert jedoch bereits schnelle, hochwertige Anfangsmodelle zur weiteren Verfeinerung. Praktisch bedeutet das schnellere Routineanalysen für Nicht-Spezialisten, ein leistungsfähiges Werkzeug zum Bereinigen und Vervollständigen großer Struktur­datenbanken und eine Schlüsselkomponente für geschlossene Laborzyklen, in denen Computer Materialien entwerfen, synthetisieren, charakterisieren und optimieren — mit minimaler menschlicher Intervention.

Zitation: Yu, D., Zhu, Z., Leng, F. et al. Equivariant diffusion solution for inorganic crystal structure determination from powder X-ray diffraction data. Nat Commun 17, 3274 (2026). https://doi.org/10.1038/s41467-026-70035-9

Schlüsselwörter: Pulver-Röntgendiffraktion, Kristallstrukturaufklärung, äquivariantes Diffusionsmodell, Materialinformatik, Graph-Neuronale Netze