Los líquidos iónicos (ILs) basados en imidazolio han sido considerados como disolventes ecológicos debido a sus propiedades únicas. Entre estas, el punto de fusión es clave para su excelente rendimiento en aplicaciones como la catálisis, el procesamiento de biomasa y el almacenamiento de energía, donde la estabilidad y el rango de temperatura operativa son críticos. La utilización de redes neuronales para predecir el punto de fusión es altamente significativa. Sin embargo, la selección excesiva de descriptores obtenidos mediante cálculos de teoría del funcional de la densidad (DFT) siempre conlleva altos costos computacionales. En este estudio, se seleccionaron estratégicamente solo 12 tipos de descriptores químicos cuánticos empleando un método semi-empírico mucho más eficiente (PM7) para reducir los costos computacionales. Se propusieron cuatro principios de preprocesamiento de datos, y el uso innovador de un algoritmo de recocido simulado para buscar la conformación molecular de menor energía mejoró la precisión. Basado en estos descriptores, se construyó un modelo de red neuronal de perceptrón multicapa para predecir de manera eficiente los puntos de fusión de 280 ILs basados en imidazolio. El valor R del modelo actual alcanzó 0.75, y el error absoluto medio alcanzó 25.03 K, lo que indica que este estudio logró una alta precisión con muy poco costo computacional. Este estudio revela una fuerte correlación entre los descriptores y los puntos de fusión. Además, el modelo predice con precisión puntos de fusión desconocidos de ILs basados en imidazolio, logrando buenos resultados de manera eficiente.