AIonopedia: un agente LLM che orchestra l'apprendimento multimodale per la scoperta di liquidi ionici
AIonopedia: an LLM agent orchestrating multimodal learning for ionic liquid discovery
November 14, 2025
Autori: Yuqi Yin, Yibo Fu, Siyuan Wang, Peng Sun, Hongyu Wang, Xiaohui Wang, Lei Zheng, Zhiyong Li, Zhirong Liu, Jianji Wang, Zhaoxi Sun
cs.AI
Abstract
La scoperta di nuovi Liquidi Ionici (IL) è ostacolata da sfide critiche nella previsione delle proprietà, inclusi dati limitati, scarsa accuratezza dei modelli e flussi di lavoro frammentati. Sfruttando la potenza dei Large Language Model (LLM), introduciamo AIonopedia, a nostra conoscenza il primo agente basato su LLM per la scoperta di IL. Basato su un modello fondante multimodale di dominio per IL potenziato da LLM, AIonopedia consente previsioni accurate delle proprietà e incorpora un'architettura di ricerca gerarchica per lo screening e la progettazione molecolare. Addestrato e valutato su un nuovo dataset di IL curato e completo, il nostro modello fornisce prestazioni superiori. A complemento di questi risultati, le valutazioni su sistemi riportati in letteratura indicano che l'agente può effettuare una modifica efficace degli IL. Andando oltre i test offline, l'efficacia pratica è stata ulteriormente confermata attraverso una validazione in laboratorio reale, in cui l'agente ha dimostrato eccezionali capacità di generalizzazione su compiti complessi di out-of-distribution, sottolineando la sua capacità di accelerare la scoperta di IL nel mondo reale.
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.