AIonopedia: een LLM-agent die multimodaal leren orkestreert voor de ontdekking van ionische vloeistoffen
AIonopedia: an LLM agent orchestrating multimodal learning for ionic liquid discovery
November 14, 2025
Auteurs: Yuqi Yin, Yibo Fu, Siyuan Wang, Peng Sun, Hongyu Wang, Xiaohui Wang, Lei Zheng, Zhiyong Li, Zhirong Liu, Jianji Wang, Zhaoxi Sun
cs.AI
Samenvatting
De ontdekking van nieuwe ionische vloeistoffen (IL's) wordt belemmerd door kritieke uitdagingen in de voorspelling van eigenschappen, waaronder beperkte data, onnauwkeurige modellen en gefragmenteerde workflows. Gebruikmakend van de kracht van Large Language Models (LLM's), introduceren wij AIonopedia, voor zover wij weten de eerste LLM-agent voor de ontdekking van IL's. Aangedreven door een met een LLM versterkt multimodaal domeinfoundationmodel voor IL's, maakt AIonopedia nauwkeurige eigenschapsvoorspellingen mogelijk en bevat het een hiërarchische zoekarchitectuur voor moleculaire screening en ontwerp. Ons model, getraind en geëvalueerd op een nieuw samengestelde en uitgebreide IL-dataset, levert superieure prestaties. Als aanvulling op deze resultaten tonen evaluaties op in de literatuur gerapporteerde systemen aan dat de agent effectieve IL-modificatie kan uitvoeren. Voorbij offline tests gaand, werd de praktische effectiviteit verder bevestigd door validatie in een echte laboratoriumsetting, waarbij de agent uitzonderlijke generalisatiecapaciteiten demonstreerde bij uitdagende out-of-distribution taken, wat zijn vermogen onderstreept om de ontdekking van IL's in de praktijk te versnellen.
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.