AIonopedia : un agent de grand modèle linguistique orchestrant l'apprentissage multimodal pour la découverte de liquides ioniques
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
La découverte de nouveaux Liquides Ioniques (LI) est entravée par des défis majeurs dans la prédiction de leurs propriétés, incluant des données limitées, une faible précision des modèles et des flux de travail fragmentés. En tirant parti de la puissance des Grands Modèles de Langage (LLM), nous présentons AIonopedia, à notre connaissance, le premier agent basé sur un LLM dédié à la découverte de LI. Propulsé par un modèle de fondation multimodal augmenté par LLM pour les LI, AIonopedia permet des prédictions précises des propriétés et intègre une architecture de recherche hiérarchique pour le criblage et la conception moléculaires. Entraîné et évalué sur un nouvel ensemble de données de LI complet et soigneusement constitué, notre modèle démontre des performances supérieures. Complétant ces résultats, des évaluations sur des systèmes rapportés dans la littérature indiquent que l'agent peut réaliser une modification efficace des LI. Au-delà des tests hors ligne, l'efficacité pratique a été confirmée par une validation en laboratoire, où l'agent a démontré des capacités de généralisation exceptionnelles sur des tâches difficiles hors distribution, soulignant sa capacité à accélérer la découverte réelle de LI.
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.