材料发现提速43%！TRACE框架让AI代理命中率从18%飙到26%
TRACE: Transition-Aware Residual Control for Multi-Objective Materials Discovery
📖 AI 总结
该论文提出了一种名为TRACE的过渡感知残差控制框架，用于解决多目标材料发现中LLM智能体的关键局限。现有智能体仅存储评估过的候选材料及其得分，无法识别哪些具体编辑操作导致了有效的性能变化，尤其在目标相互冲突时难以进行局部优化。TRACE将评估编辑作为基本反馈单元，记录每次局部优化为“父编辑-子编辑”的过渡及其属性变化，聚合过渡证据以估计可复用的编辑效果，并依据预测能力对后续编辑排序，优先减少当前候选的约束违反同时避免损害已满足的目标。在受控同骨干网络对比中，TRACE相较最先进的LLM智能体基线LLEma，将宏观平均命中率从18.13%提升至25.96%，显著增强了多目标材料发现的效率与效果。
🔑 关键词速览
| TRACE | 过渡感知残差控制框架，利用编辑过渡作为反馈来指导多目标材料发现。 |
| LLM agents | 基于大型语言模型的智能代理，用于自动提出和评估材料候选。 |
| multi-objective materials discovery | 多目标材料发现，同时优化多个材料性质（如强度、导电性）的搜索过程。 |
| residual control | 残差控制，通过估计编辑对性质变化的残差影响来调整搜索策略。 |
| hit rate | 命中率，衡量代理提出的候选材料满足目标性质的比例。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅