AIonopedia: ein LLM-Agent zur Orchestrierung multimodalen Lernens für die Entdeckung ionischer Flüssigkeiten
AIonopedia: an LLM agent orchestrating multimodal learning for ionic liquid discovery
November 14, 2025
papers.authors: Yuqi Yin, Yibo Fu, Siyuan Wang, Peng Sun, Hongyu Wang, Xiaohui Wang, Lei Zheng, Zhiyong Li, Zhirong Liu, Jianji Wang, Zhaoxi Sun
cs.AI
papers.abstract
Die Entdeckung neuartiger Ionischer Flüssigkeiten (ILs) wird durch kritische Herausforderungen bei der Eigenschaftsvorhersage behindert, darunter begrenzte Daten, unzureichende Modellgenauigkeit und fragmentierte Arbeitsabläufe. Unter Nutzung der Leistungsfähigkeit von Large Language Models (LLMs) führen wir AIonopedia ein, unseres Wissens nach den ersten LLM-Agenten für die IL-Entdeckung. Angetrieben durch ein LLM-erweitertes multimodales Domänen-Foundation-Modell für ILs, ermöglicht AIonopedia präzise Eigenschaftsvorhersagen und integriert eine hierarchische Sucharchitektur für molekulares Screening und Design. Unser Modell, trainiert und evaluiert auf einem neu kuratierten, umfassenden IL-Datensatz, erzielt eine überlegene Leistung. Ergänzend zu diesen Ergebnissen zeigen Auswertungen an literaturbeschriebenen Systemen, dass der Agent effektive IL-Modifikationen durchführen kann. Über Offline-Tests hinaus wurde die praktische Wirksamkeit durch reale Laborvalidierungen bestätigt, bei denen der Agent außergewöhnliche Generalisierungsfähigkeiten bei anspruchsvollen Out-of-Distribution-Aufgaben demonstrierte – was seine Fähigkeit unterstreicht, die reale IL-Entdeckung zu beschleunigen.
English
The discovery of novel Ionic Liquids (ILs) is hindered by critical challenges in property prediction, including limited data, poor model accuracy, and fragmented workflows. Leveraging the power of Large Language Models (LLMs), we introduce AIonopedia, to the best of our knowledge, the first LLM agent for IL discovery. Powered by an LLM-augmented multimodal domain foundation model for ILs, AIonopedia enables accurate property predictions and incorporates a hierarchical search architecture for molecular screening and design. Trained and evaluated on a newly curated and comprehensive IL dataset, our model delivers superior performance. Complementing these results, evaluations on literature-reported systems indicate that the agent can perform effective IL modification. Moving beyond offline tests, the practical efficacy was further confirmed through real-world wet-lab validation, in which the agent demonstrated exceptional generalization capabilities on challenging out-of-distribution tasks, underscoring its ability to accelerate real-world IL discovery.