AIonopedia: an LLM agent orchestrating multimodal learning for ionic liquid discovery

📄 arXiv: 2511.11257v1 📥 PDF

作者: Yuqi Yin, Yibo Fu, Siyuan Wang, Peng Sun, Hongyu Wang, Xiaohui Wang, Lei Zheng, Zhiyong Li, Zhirong Liu, Jianji Wang, Zhaoxi Sun

分类: cs.AI, cs.CE, cs.LG

发布日期: 2025-11-14

💡 一句话要点

AIonopedia：基于LLM的多模态学习离子液体发现平台

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 离子液体发现 大型语言模型 多模态学习 智能Agent 分子设计

📋 核心要点

  1. 离子液体发现受限于数据稀缺、预测精度不足及流程割裂等问题，阻碍了新材料的研发。
  2. AIonopedia利用大型语言模型（LLM）构建智能Agent，结合多模态领域知识，实现离子液体性质预测与分子设计。
  3. 实验表明，AIonopedia在离子液体数据集上表现优异，并通过湿实验室验证了其在实际应用中的泛化能力。

📝 摘要（中文）

离子液体的发现面临着数据有限、模型精度低和工作流程分散等挑战。本文提出了AIonopedia，据我们所知，这是首个用于离子液体发现的LLM Agent。AIonopedia由LLM增强的多模态领域基础模型驱动，能够进行准确的性质预测，并结合分层搜索架构进行分子筛选和设计。该模型在一个新构建的综合性离子液体数据集上进行训练和评估，表现出卓越的性能。此外，在文献报道的系统上的评估表明，该Agent能够有效地进行离子液体改性。通过真实的湿实验室验证，进一步证实了该Agent的实际有效性，它在具有挑战性的分布外任务中表现出卓越的泛化能力，突显了其加速实际离子液体发现的能力。

🔬 方法详解

问题定义：离子液体的发现过程面临数据量不足、模型预测精度不高以及工作流程分散等问题。现有方法难以有效预测离子液体的性质，从而限制了新型离子液体的开发和应用。这些痛点阻碍了离子液体在各个领域的广泛应用，例如化学反应、材料科学和能源存储等。

核心思路：本文的核心思路是利用大型语言模型（LLM）的强大能力，构建一个智能Agent（AIonopedia），该Agent能够整合多模态数据，进行准确的性质预测，并结合分层搜索架构进行分子筛选和设计。通过LLM的推理能力，可以克服数据稀缺的问题，提高预测精度，并整合分散的工作流程。

技术框架：AIonopedia的技术框架主要包含以下几个模块：1) LLM增强的多模态领域基础模型：用于学习离子液体的性质和结构信息。2) 分层搜索架构：用于分子筛选和设计，加速离子液体的发现过程。3) 新构建的综合性离子液体数据集：用于训练和评估模型。整体流程是，首先利用LLM增强的多模态领域基础模型对离子液体进行表征学习，然后利用分层搜索架构进行分子筛选和设计，最后通过实验验证模型的预测结果。

关键创新：该论文的关键创新在于提出了首个基于LLM的离子液体发现Agent（AIonopedia）。与传统方法相比，AIonopedia能够利用LLM的强大推理能力，整合多模态数据，进行更准确的性质预测，并结合分层搜索架构加速离子液体的发现过程。此外，该论文还构建了一个综合性的离子液体数据集，为模型的训练和评估提供了数据支持。

关键设计：论文中关于关键设计的细节描述较少，但可以推测可能包括：1) LLM的选择和微调策略，使其适应离子液体领域的知识。2) 多模态数据的融合方法，例如如何将分子结构信息和性质信息有效地结合起来。3) 分层搜索架构的设计，例如如何平衡搜索效率和搜索空间。4) 损失函数的设计，例如如何优化模型的预测精度和泛化能力。这些细节需要在论文的补充材料或后续研究中进一步阐明。

📊 实验亮点

AIonopedia在自建的综合性离子液体数据集上取得了优异的性能，并在文献报道的系统上验证了其有效性。更重要的是，通过真实的湿实验室验证，证明了AIonopedia在具有挑战性的分布外任务中具有卓越的泛化能力，证实了其加速实际离子液体发现的潜力。

🎯 应用场景

该研究成果可广泛应用于化学、材料科学、能源等领域，加速新型离子液体的发现与应用。例如，可用于设计具有特定性质的离子液体，以优化化学反应条件、提高材料性能或改善能源存储效率。AIonopedia有望成为科研人员的重要工具，推动相关领域的创新发展。

📄 摘要（原文）

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.