Ekvivariant diffusionslösning för bestämning av oorganisk kristallstruktur från pulverröntgendiffraktionsdata

Lära datorer att läsa kristallfingeravtryck

Många av dagens teknologier, från batterier till katalysatorer och magneter, bygger på atomernas precisa ordning i oorganiska kristaller. Denna osynliga arkitektur avkodas vanligen med röntgen, som lämnar ett karakteristiskt "fingeravtryck" i form av ett diffractionsmönster. Men att omvandla dessa mönster till en korrekt atomkarta har länge krävt år av träning och mödosam trial-and-error. Denna studie presenterar ett AI-system, kallat XRDSol, som kan läsa dessa fingeravtryck och föreslå kompletta kristallstrukturer på under en sekund, vilket öppnar dörren för snabbare materialupptäckt och mer tillförlitliga materialdatabaser.

Varför pulvermönster är så svåra att knäcka

När röntgenstrålar passerar genom en perfekt formad enkelkristall skapas ett rikt tredimensionellt mönster som kan användas för att lokalisera varje atom. I verkliga prover är det dock ofta pulver bestående av många små korn. Deras röntgendiffraktionsmönster kollapsar till en endimensionell serie toppar, där mycket av den ursprungliga rumsliga informationen går förlorad. Mänskliga experter måste vanligtvis kombinera detta komprimerade mönster med sin kemiska och kristallografiska kunskap, gissa gitterparametrar, symmetri och atompositioner, och sedan förfina gissningarna upprepade gånger. För komplexa eller dåligt kända material kan lösningar vara ofullständiga, kontroversiella eller rentav felaktiga, och stora strukturd databaser innehåller tusentals poster med saknade eller osannolika atomkoordinater.

En AI som rekonstruerar atomarrangemang

Författarna angriper denna utmaning med XRDSol, en artificiell intelligensmodell baserad på en ekvivariant diffusionsprocess som verkar på en grafrepresentation av kristallen. Istället för att börja från en god gissning startar XRDSol med atomer placerade på slumpmässiga positioner inom en känd enhetscell (med känd kemisk formel och gitterparametrar). Under träningen lär sig modellen att vända en gradvis "brusnings"process där väletablerade, termodynamiskt stabila strukturer upprepade gånger förvrängs. Styrd av en komprimerad representation av det målade pulverröntgendiffraktionsmönstret iterativt "avbrusar" modellen det slumpmässiga arrangemanget och flyttar atomer steg för steg till positioner som både är kemiskt rimliga och förenliga med det observerade mönstret. Eftersom det underliggande neurala nätverket respekterar kristallernas rotations- och translationssymmetrier favoriserar det naturligt fysiskt rimliga arrangemang.

Snabba, precisa lösningar över många material

För att testa XRDSol använde teamet en dataset med över 9 000 stabila oorganiska strukturer med simulerade pulvermönster. På en enda grafikprocessor tar modellen cirka 0,6 sekunder att generera en lösning för en struktur—ungefär tio tusen till hundra tusen gånger snabbare än tidigare metoder som förlitar sig på tunga kvantmekaniska beräkningar och evolutionära sökningar. I mer än 80 procent av fallen återvann XRDSol atompositioner som nära matchade de kända strukturerna, och i över 90 procent var det rekonstruerade diffraktionsmönstret mycket likt målet. Metoden fungerar särskilt väl för högsymmetriska kristaller, även om prestandan sjunker för lågsymmetriska, mer komplicerade fall. Ändå visar exempel från enkla salter till komplexa oxider, sulfider och intermetalliska föreningar att tillvägagångssättet är brett tillämpligt över olika kemier.

Korrigera gamla poster och komplettera saknade strukturer

Utöver att reproducera kända svar kan XRDSol förbättra tveksamma sådana. Författarna återbesökte tusentals databasposter med ovanligt höga beräknade energier—en indikation på att något är fel med den publicerade strukturen. Genom att endast använda pulvermönstret, gitter och sammansättning som indata föreslog XRDSol alternativa atomarrangemang. För minst 39 föreningar matchade de nya strukturerna bättre mot diffraktionsdata och hade betydligt lägre energier, i överensstämmelse med senare experimentella ombestämningar i flera välstuderade fall. Systemet fyllde också i saknade koordinater för 912 poster vars diffraktionsmönster var kända men där atompositionerna saknades, inklusive svåra exempel med lätta element såsom väte och litium, naturliga mineraler med föroreningar och material som uppvisar kemisk oordning. Dessa AI-genererade strukturer kontrollerades med kvantberäkningar och manuell granskning och visade sig vara energetiskt rimliga och kemiskt sannolika.

Mot automatiserad materialupptäckt

XRDSol visar att ett diffusionbaserat, symmetrimedvetet neuralt nätverk kan lära sig mycket av den expertkunskap som behövs för att lösa oorganiska kristallstrukturer direkt från pulverröntgendata. Även om metoden fortfarande har problem med mycket stora enhetsceller, lågsymmetriska faser och helt oordnade platser, ger den redan snabba, högkvalitativa startmodeller för vidare förfining. I praktiska termer innebär detta snabbare rutinanalys för icke-specialister, ett kraftfullt verktyg för att rensa och komplettera stora strukturd databaser, och en nyckelkomponent för slutna laboratorier där datorer designar, syntetiserar, karakteriserar och optimerar nya material med minimal mänsklig inblandning.

Citering: 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

Nyckelord: pulverröntgendiffraktion, bestämning av kristallstruktur, ekvivariant diffusionsmodell, materialinformatik, grafneurala nätverk