Przedsiębiorstwo sztucznej inteligencji rozwiązuje jeden z najtrudniejszych problemów w krystallografii - przewidywanie pełnych struktur 3D krystalów z rzadkich, niezindeksowanych obserwacji dyfrakcji elektronowej. ED-CSP to nowy framework łączący enkoder zbiorów relacyjnych, wielowidokową agregację niezmienną ze względu na permutacje oraz periodyczny flow generator, który wspólnie przewiduje parametry sieci krystalicznej i ułamkowe współrzędne atomów.
Kluczowym osiągnięciem jest skonstruowanie ED-CS, dataset zawierającego 4,85 miliona symulowanych wielowidokowych struktur krystalicznych zdeduplikowanych poprzez siedem repozytoriów materiałów i przefiltrowanych. Na zbiorze testowym 2,075 materiałów z CHILI-100K model ED-CSP uzyskuje wskaźnik dopasowania strukturalnego 57,49% MR@5, co przewyższa stan sztuki reprezentowany przez PXRDGen (52,92%), który opiera się na dyfrakcji rentgenowskiej. Skalowanie danych treningowych jeszcze bardziej poprawia wyniki - inicjalizacja z milionem struktur podnosi wydajność do 66,27% MR@5.
Najbardziej imponujące jest, że na 1,024 składach nieobecnych w bibliotece treningowej model osiąga 53,52% MR@5, co dowodzi rzeczywistej zdolności generatywnej, a nie tylko pobierania z gotowych baz. To oznacza, że ED-CSP potencjalnie może odkrywać całkowicie nowe materiały, a nie tylko rekombinować znane struktury. Dla materiałoznawstwa i krystallografii to zmiana paradygmatu - zamiast mieć dostęp jedynie do indeksowanych lub pełnych danych dyfrakcji, naukowcy mogą teraz pracować z przesłankami znacznie bardziej ograniczonymi.