Solución de difusión equivariante para la determinación de estructuras cristalinas inorgánicas a partir de datos de difracción de rayos X en polvo

Enseñar a las máquinas a leer las huellas dactilares cristalinas

Muchas de las tecnologías actuales, desde baterías hasta catalizadores y imanes, dependen de la disposición precisa de los átomos en los cristales inorgánicos. Esa arquitectura invisible suele descifrarse mediante rayos X, que dejan un patrón distintivo, una “huella dactilar”. Pero convertir esos patrones en un mapa atómico preciso ha requerido tradicionalmente años de formación y ensayo y error meticuloso. Este estudio presenta un sistema de IA, llamado XRDSol, que puede leer esas huellas y proponer estructuras cristalinas completas en menos de un segundo, abriendo la puerta a un descubrimiento de materiales más rápido y a bases de datos de materiales más fiables.

Por qué los patrones en polvo son tan difíciles de descifrar

Cuando los rayos X atraviesan un cristal único perfectamente formado, generan un patrón tridimensional rico que permite localizar cada átomo. Sin embargo, las muestras del mundo real suelen ser polvos formados por muchos granos diminutos. Su patrón de difracción por rayos X se colapsa en una serie unidimensional de picos, donde gran parte de la información espacial original se pierde. Los expertos humanos suelen tener que combinar este patrón comprimido con su conocimiento de química y cristalografía, adivinando parámetros de la red, simetría y posiciones atómicas, y refinando esas conjeturas repetidamente. Para materiales complejos o poco conocidos, las soluciones pueden estar incompletas, ser controvertidas o incluso incorrectas, y las grandes bases de datos estructurales contienen miles de entradas con coordenadas atómicas faltantes o implausibles.

Una IA que reconstruye arreglos atómicos

Los autores abordan este reto con XRDSol, un modelo de inteligencia artificial basado en un proceso de difusión equivariante que actúa sobre una representación en grafo del cristal. En lugar de partir de una buena conjetura, XRDSol comienza con átomos colocados en posiciones aleatorias dentro de una celda unidad conocida (con fórmula química y parámetros de red conocidos). Durante el entrenamiento, el modelo aprende a invertir un gradual proceso de “adición de ruido” en el que estructuras estables y bien establecidas se distorsionan repetidamente. Guiado por una representación comprimida del patrón de difracción de rayos X en polvo objetivo, el modelo “desenreda” iterativamente la disposición aleatoria, empujando los átomos paso a paso hacia posiciones que son tanto químicamente sensatas como coherentes con el patrón observado. Debido a que la red neuronal subyacente respeta las simetrías rotacionales y traslacionales de los cristales, favorece de forma natural disposiciones físicamente razonables.

Soluciones rápidas y precisas en muchos materiales

Para evaluar XRDSol, el equipo usó un conjunto de datos de más de 9.000 estructuras inorgánicas estables con patrones en polvo simulados. En una sola unidad de procesamiento gráfico, el modelo tarda unos 0,6 segundos en generar una solución para una estructura: aproximadamente entre diez mil y cien mil veces más rápido que métodos anteriores que dependen de cálculos cuántico-mecánicos intensivos y búsquedas evolutivas. En más del 80 por ciento de los casos, XRDSol recuperó posiciones atómicas que coinciden estrechamente con las estructuras conocidas, y en más del 90 por ciento, el patrón de difracción reconstruido fue muy similar al objetivo. El método funciona especialmente bien para cristales de alta simetría, aunque el rendimiento disminuye en casos de baja simetría y más complejos. Aun así, ejemplos que van desde sales simples hasta óxidos complejos, sulfuros y compuestos intermetálicos muestran que el enfoque es ampliamente aplicable a distintas químicas.

Corregir registros antiguos y completar estructuras faltantes

Más allá de reproducir respuestas conocidas, XRDSol puede mejorar las cuestionables. Los autores revisaron miles de entradas de bases de datos con energías calculadas inusualmente altas—un indicador de que algo está mal con la estructura publicada. Usando solo el patrón en polvo, la celda y la composición como entrada, XRDSol propuso arreglos atómicos alternativos. Para al menos 39 compuestos, las nuevas estructuras concordaron mejor con los datos de difracción y presentaron energías mucho más bajas, coincidiendo con re-determinaciones experimentales posteriores en varios casos bien estudiados. El sistema también completó coordenadas faltantes para 912 entradas cuyos patrones de difracción eran conocidos pero carecían de posiciones atómicas, incluyendo ejemplos desafiantes con elementos ligeros como hidrógeno y litio, minerales naturales con impurezas y materiales que exhiben desorden químico. Estas estructuras generadas por la IA se comprobaron mediante cálculos cuánticos e inspección manual y resultaron ser energéticamente plausibles y químicamente razonables.

Hacia el descubrimiento automatizado de materiales

XRDSol demuestra que una red neuronal basada en difusión y consciente de la simetría puede aprender gran parte del conocimiento experto necesario para resolver estructuras cristalinas inorgánicas directamente a partir de datos de difracción de rayos X en polvo. Si bien el método aún presenta dificultades con celdas unidad muy grandes, fases de baja simetría y sitios totalmente desordenados, ya proporciona modelos iniciales rápidos y de alta calidad para un posterior refinamiento. En términos prácticos, esto significa análisis rutinarios más rápidos para no especialistas, una herramienta potente para limpiar y completar grandes bases de datos estructurales y un componente clave para laboratorios de circuito cerrado donde las máquinas diseñan, sintetizan, caracterizan y optimizan nuevos materiales con mínima intervención humana.

Cita: 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

Palabras clave: difracción de rayos X en polvo, determinación de estructuras cristalinas, modelo de difusión equivariante, informática de materiales, redes neuronales gráficas