TRACE: πώς τα AI agents μαθαίνουν από κάθε αλλαγή στην ανακάλυψη υλικών

Το TRACE προτείνει μια πρακτική αλλαγή στον τρόπο με τον οποίο μαθαίνουν οι AI agents: αντί να θυμούνται μόνο ποια λύση πέτυχε, αποθηκεύουν ποια ενέργεια άλλαξε ποιο αποτέλεσμα. Στην ανακάλυψη υλικών αυτό σημαίνει ότι κάθε αξιολογημένη τροποποίηση γίνεται επαναχρησιμοποιήσιμη γνώση για την επόμενη κίνηση, χωρίς η πρόβλεψη να αντικαθιστά την πραγματική μέτρηση.

Η εργασία των Kang Zhou, Yujia Tong, Yong Tao και Jingling Yuan εξετάζει ένα δύσκολο πολυκριτηριακό πρόβλημα: την εύρεση υλικών που πρέπει να ικανοποιούν ταυτόχρονα πολλούς, συχνά αντικρουόμενους στόχους. Για μια επιχείρηση, το ενδιαφέρον δεν περιορίζεται στη χημεία. Το TRACE προσφέρει ένα χρήσιμο πρότυπο για agentic workflows που πρέπει να μαθαίνουν από επιβεβαιωμένες συνέπειες, να προστατεύουν όσα ήδη λειτουργούν και να αποφασίζουν με βάση περισσότερα από ένα KPI.

Τι είναι το TRACE και τι αλλάζει

Το TRACE, από το Transition-Aware Residual Control, είναι ένα πλαίσιο ελέγχου αναζήτησης για πολυκριτηριακή ανακάλυψη υλικών με LLM agents. Δεν παρουσιάζεται ως αυτόνομος «επιστήμονας» και δεν αντικαθιστά την πειραματική επιβεβαίωση. Ο ρόλος του είναι πιο συγκεκριμένος: να αξιοποιεί καλύτερα κάθε ακριβή αξιολόγηση ενός υποψήφιου υλικού.

Η κεντρική ιδέα είναι ότι ένα τελικό σκορ κρύβει τη διαδρομή που οδήγησε σε αυτό. Αντίθετα, μια εγγραφή μετάβασης συνδέει τον αρχικό υποψήφιο, την εκτελεσμένη αλλαγή, τον νέο υποψήφιο και τις μετρημένες διαφορές στις ιδιότητές τους. Έτσι, ο agent δεν θυμάται μόνο «τι πέτυχε», αλλά αποκτά τεκμήριο για το «τι συνέβη όταν κάναμε αυτή την αλλαγή».

Αυτό το μοντέλο μνήμης συμπληρώνει την ευρύτερη συζήτηση για τους AI agents που συνεργάζονται σε ερευνητικά περιβάλλοντα: η αυτονομία έχει αξία όταν το ιστορικό των ενεργειών είναι ελέγξιμο, επαναχρησιμοποιήσιμο και συνδεδεμένο με πραγματικά αποτελέσματα.

Γιατί το τελικό σκορ δεν αρκεί

Σε μια απλή αναζήτηση μπορεί να αρκεί η κατάταξη των υποψηφίων από τον καλύτερο στον χειρότερο. Στην ανακάλυψη υλικών, όμως, ένας υποψήφιος μπορεί να είναι ισχυρός σε μία ιδιότητα και ακατάλληλος σε μία άλλη. Μια χημική αλλαγή που βελτιώνει την ηλεκτρική, μηχανική ή θερμική συμπεριφορά μπορεί ταυτόχρονα να βλάψει έναν ήδη ικανοποιημένο περιορισμό.

Οι συγγραφείς περιγράφουν το περιβάλλον ως oracle-limited: η αξιολόγηση γίνεται από προσομοίωση, εκπαιδευμένο surrogate model, δεδομένα αναφοράς ή πειραματική μέτρηση και θεωρείται περιορισμένος πόρος. Κάθε αριθμητικός στόχος μετατρέπεται σε κανονικοποιημένο βαθμό παραβίασης. Το άθροισμα αυτών των παραβιάσεων είναι το συνολικό residual, δηλαδή μια μέτρηση της απόστασης από την εφικτή περιοχή.

Ο πραγματικός στόχος δεν είναι ένα καλό μέσο σκορ, αλλά ένας υποψήφιος που περνά όλους τους αριθμητικούς και μη αριθμητικούς ελέγχους. Η ίδια λογική εμφανίζεται σε επιχειρηματικά workflows. Ένα σύστημα e-commerce δεν πρέπει να αυξάνει μόνο το conversion rate αν παράλληλα υπονομεύει το περιθώριο κέρδους, τη διαθεσιμότητα, τις επιστροφές ή την εμπειρία του πελάτη. Αυτή είναι επιχειρηματική αναλογία και όχι πειραματικό αποτέλεσμα της εργασίας, αλλά αποτυπώνει το ίδιο σχεδιαστικό πρόβλημα.

Η μνήμη μεταβάσεων ως μονάδα μάθησης

Το TRACE καταγράφει κάθε επιτυχημένη τοπική τροποποίηση ως μετάβαση parent–edit–child. Η εγγραφή περιλαμβάνει τον αρχικό υποψήφιο, το εκτελέσιμο edit, τον νέο υποψήφιο, τις ιδιότητες πριν και μετά και τη διαφορά τους. Μόνο μια αλλαγή που κατασκευάστηκε και αξιολογήθηκε επιτυχώς προσφέρει επιβεβαιωμένη πληροφορία για την επίδρασή της. Οι αποτυχημένες προσπάθειες παραμένουν σε βοηθητικό αρχείο, αλλά δεν χρησιμοποιούνται ως εποπτεία μεταβολής ιδιοτήτων.

Κάθε ολοκληρωμένη μετάβαση λαμβάνει επίσης utility που συνδυάζει τρία στοιχεία: αν ο υποψήφιος μπήκε ή παρέμεινε στην αριθμητικά εφικτή περιοχή, πόσοι περιορισμοί ικανοποιήθηκαν ή χάθηκαν και πόσο μειώθηκε το συνολικό residual. Έτσι διαχωρίζεται η φυσική μεταβολή των ιδιοτήτων από το πόσο χρήσιμη ήταν αυτή η μεταβολή για την τρέχουσα αποστολή.

Όταν υπάρχουν αρκετές παρατηρήσεις για το ίδιο edit, το σύστημα χρησιμοποιεί τη μέση μεταβολή των ιδιοτήτων. Αν τα δεδομένα είναι λίγα, υποχωρεί ιεραρχικά στον μέσο όρο της ευρύτερης κατηγορίας operator και, αν χρειαστεί, στο σύνολο των διαθέσιμων μεταβάσεων. Αυτή η λογική επιτρέπει γενικότερη καθοδήγηση στην αρχή και πιο ειδική καθοδήγηση όταν συγκεντρώνεται επαρκής υποστήριξη.

Σημαντικό όριο ασφαλείας είναι ότι η πρόβλεψη χρησιμοποιείται μόνο για ranking. Δεν γράφεται ως αλήθεια στη μνήμη. Μόνο το πραγματικό αποτέλεσμα του oracle μετά την εκτέλεση ενημερώνει το ιστορικό. Πρόκειται για την ίδια αρχή που κάνει χρήσιμη την ανατροφοδότηση σε επίπεδο συγκεκριμένης ενέργειας ή συνάρτησης: η διάγνωση πρέπει να συνδέεται με το σημείο όπου συνέβη η αλλαγή.

Residual-aware επιλογή χωρίς απώλεια κεκτημένων

Το πιο ενδιαφέρον τμήμα του TRACE εμφανίζεται κοντά στα όρια εφικτότητας. Όταν ένας υποψήφιος αποτυγχάνει σε έναν μόνο στόχο, η απλή μείωση του συνολικού residual μπορεί να είναι παραπλανητική. Ένα edit ίσως διορθώνει τον τελευταίο προβληματικό στόχο, αλλά ταυτόχρονα παραβιάζει έναν άλλο που είχε ήδη ικανοποιηθεί.

Για να το αντιμετωπίσει, το πλαίσιο χωρίζει τους περιορισμούς σε δύο ομάδες: εκείνους που ακόμη παραβιάζονται και εκείνους που ήδη ικανοποιούνται. Η βαθμολογία ενός edit ανταμείβει την πρόοδο στα ελλείποντα κριτήρια, επιβάλλει ποινή για ζημιά στα ήδη ικανοποιημένα και προσθέτει bonus όταν η προβλεπόμενη αλλαγή περνά ολόκληρο το αριθμητικό όριο εφικτότητας.

Η ίδια ενέργεια, επομένως, δεν έχει σταθερή αξία σε κάθε κατάσταση. Η χρησιμότητά της εξαρτάται από το ποια προβλήματα παραμένουν άλυτα και ποια κεκτημένα πρέπει να προστατευθούν. Για ένα production σύστημα αυτό σημαίνει ότι η πολιτική επιλογής δεν αρκεί να ρωτά «ποια ενέργεια συνδέθηκε ιστορικά με καλό αποτέλεσμα;». Πρέπει να ρωτά και «είναι κατάλληλη για τη σημερινή κατάσταση;».

Παγκόσμια εξερεύνηση και τοπική βελτίωση

Η τοπική μνήμη έχει φυσικό όριο: γνωρίζει κυρίως τις περιοχές του χώρου υλικών που έχουν ήδη επισκεφθεί. Τα global proposals του LLM μπορούν να μετακινηθούν σε νέες συνθέσεις και οικογένειες, αλλά δεν προσφέρουν από μόνα τους σαφή απόδοση ευθύνης σε επίπεδο edit. Το TRACE διατηρεί και τις δύο διαδρομές.

Η global διαδρομή χρησιμοποιεί το LLM για ευρύτερες προτάσεις. Η local διαδρομή επιλέγει εκτελέσιμες τροποποιήσεις πάνω σε αξιολογημένους γονείς, αξιοποιώντας τη transition memory. Οι νέοι global υποψήφιοι μπορούν αργότερα να γίνουν γονείς για τοπικά edits, ενώ οι περιλήψεις της εμπειρίας επιστρέφουν ως ήπια στατιστική καθοδήγηση στο prompt του LLM. Αν η τοπική διαδρομή δεν μπορεί να ολοκληρώσει τις προγραμματισμένες προσπάθειες, η χωρητικότητα επιστρέφει στην παγκόσμια παραγωγή.

Στη μελέτη κατανομής budget για solid-state electrolytes, η ισορροπημένη αναλογία 1:1 μεταξύ LLM και Delta edits είχε hit rate 50,19%. Το LLM-only έφτασε 32,4%, ενώ το Delta-only 27,7%. Η ισορροπημένη ρύθμιση παρήγαγε 154 δομές και 73 μοναδικούς έγκυρους τύπους, έναντι 83 και 22 αντίστοιχα στη Delta-only εκδοχή. Τα αποτελέσματα αφορούν τη συγκεκριμένη εργασία και διαμόρφωση· δεν αποδεικνύουν ότι το 1:1 είναι καθολικά βέλτιστο.

Τι έδειξαν τα πειράματα στο LLEMABench

Οι ερευνητές αξιολόγησαν το TRACE σε 14 πολυκριτηριακές εργασίες του LLEMABench, οι οποίες καλύπτουν ηλεκτρονικές, διηλεκτρικές, ενεργειακές, μηχανικές, ακουστικές και δομικές εφαρμογές. Οι κοντινότερες ελεγχόμενες συγκρίσεις με το LLEMA κράτησαν σταθερά το task, το backbone και το oracle, με περίπου ίδιο αριθμό υποψηφίων που έφταναν σε αξιολόγηση ιδιοτήτων.

Χρησιμοποιήθηκαν δύο 8-bit quantized backbones, Qwen2.5-14B-Instruct και Mistral-Small-3.2-24B-Instruct-2506, με πέντε runs ανά συνδυασμό task και backbone. Με Qwen, το TRACE βελτίωσε το hit rate σε 12 από τις 14 εργασίες. Ο macro-average hit rate αυξήθηκε από 18,13% σε 25,96%, ενώ ο μέσος stability rate από 5,90% σε 8,97%.

Με Mistral, το hit rate βελτιώθηκε σε 10 από τις 14 εργασίες. Ο macro-average hit rate ανέβηκε από 25,39% σε 28,74% και ο stability rate από 11,29% σε 12,25%. Τα αποτελέσματα δεν ήταν ομοιόμορφα: υπήρξαν μειώσεις σε ορισμένα task–backbone settings και μικτή εικόνα στα piezo energy harvesters. Οι μεγαλύτερες cross-backbone βελτιώσεις εμφανίστηκαν στα solid-state electrolytes, όπου το hit rate αυξήθηκε κατά 21,22 και 28,10 ποσοστιαίες μονάδες με Qwen και Mistral αντίστοιχα.

Στις τέσσερις long-horizon δοκιμές των 1.000 προγραμματισμένων προσπαθειών, οι έγκυρες ανακαλύψεις αυξήθηκαν από 182 σε 449 για wide-bandgap semiconductors, από 61 σε 292 για high-k dielectrics, από 97 σε 439 για hard, stiff ceramics και από 65 σε 212 για toxic-free perovskite oxides. Η ανάλυση αποδίδει το κέρδος τόσο σε περισσότερες ολοκληρωμένες αξιολογήσεις όσο και σε υψηλότερο ποσοστό υποψηφίων που ικανοποίησαν τους περιορισμούς.

Παράλληλα, το TRACE είχε χαμηλότερη επανάληψη τύπων. Στα wide-bandgap semiconductors η επανάληψη μειώθηκε από 43,96% σε 9,58% στις long-horizon τροχιές, ενώ στα high-k dielectrics από 14,75% σε 4,79%. Τα περισσότερα έγκυρα ευρήματα, επομένως, δεν προέκυψαν απλώς από επανάληψη των ίδιων τύπων.

Τι αποκαλύπτουν τα ablations

Το ablation study στα solid-state electrolytes σύγκρινε candidate-level feedback, random edits, history-guided επιλογή και πλήρες TRACE. Τα random edits αύξησαν το generation rate κατά 10,62 ποσοστιαίες μονάδες έναντι του candidate-level feedback, αλλά μείωσαν το hit rate κατά 4,35 μονάδες. Η δυνατότητα εκτέλεσης edits βοηθά να ολοκληρώνονται περισσότερες προτάσεις, δεν αρκεί όμως για καλύτερη ποιότητα αναζήτησης.

Η προσθήκη ιστορικού μεταβάσεων βελτίωσε έναντι των random edits το hit rate κατά 7,21 μονάδες και το stability rate κατά 3,93. Το πλήρες residual-aware TRACE πρόσθεσε άλλες 10,04 και 10,23 μονάδες αντίστοιχα, διατηρώντας generation rate 96,63%. Τα edits συνεισφέρουν στην ολοκλήρωση της αναζήτησης, ενώ η transition history και η residual-aware επιλογή ευθύνονται για τα κύρια κέρδη ποιότητας.

Η άμεση ανάλυση 882 post-warm-up μεταβάσεων σε τέσσερα tasks ενισχύει αυτή την εξήγηση. Η ακρίβεια κατεύθυνσης της προβλεπόμενης μεταβολής κυμάνθηκε από 61,12% έως 76,49%, ενώ το offline selection advantage από 54,31% έως 64,16%, πάνω από το τυχαίο σημείο αναφοράς του 50%.

Τα όρια και οι κίνδυνοι της προσέγγισης

Ο estimator του TRACE μαθαίνει εμπειρικές κανονικότητες από παρατηρημένες μεταβάσεις. Αν η επίδραση ενός edit αλλάζει έντονα ανάλογα με τον υποψήφιο, η συγκέντρωση μέσων επιδράσεων μπορεί να χάσει σημαντικές διαφορές. Οι συγγραφείς προτείνουν ως μελλοντικές κατευθύνσεις περισσότερο parent-specific context και μοντελοποίηση αβεβαιότητας.

Τα ίδια τα παραδείγματα της εργασίας δείχνουν τον κίνδυνο. Η αντικατάσταση B με Al μετέτρεψε το B2S3 σε Al2S3 και μείωσε το κανονικοποιημένο residual από 0,298 σε μηδέν. Αντίθετα, η αντικατάσταση Al με B στο MgAl2O4 παρήγαγε Mg(BO2)2 και αύξησε το residual από μηδέν σε 2,816. Δεν υπάρχει «καλό edit» ανεξάρτητα από τον γονέα και την κατάσταση των περιορισμών.

Η τοπική περιοχή ενεργειών περιορίζεται κυρίως σε χημικά ασφαλείς, structure-preserving αντικαταστάσεις στοιχείων της ίδιας ομάδας. Δεν καλύπτει δημιουργία κενών, ανακατασκευή πλέγματος ή μεγαλύτερες δομικές αλλαγές. Επιπλέον, οι ιδιότητες προέρχονται από δεδομένα αναφοράς όπου υπάρχει αντιστοίχιση και διαφορετικά από task-specific surrogate oracle. Οι υπολογιστικά έγκυροι υποψήφιοι δεν μετατρέπονται αυτομάτως σε εργαστηριακά επιβεβαιωμένα υλικά.

Αυτή η διάκριση είναι κρίσιμη και σε εμπορικές εφαρμογές. Ένα action log χωρίς αρχική κατάσταση, τελικό αποτέλεσμα, provenance και μετρικές μπορεί να γίνει παραπλανητικό. Το audit trail σε περιβάλλοντα παραγωγής χρειάζεται να συνδέει κάθε απόφαση με τα δεδομένα και τους ελέγχους που τη στήριξαν.

Τι σημαίνει το TRACE για επιχειρηματικούς AI agents

Το άμεσο αντικείμενο είναι η ανακάλυψη υλικών, αλλά η αρχιτεκτονική ιδέα αφορά κάθε agent που παίρνει διαδοχικές αποφάσεις με ακριβό feedback. Μια ομάδα μπορεί να εξετάσει αν η μνήμη της καταγράφει μόνο outputs και scores ή αν συνδέει κάθε ενέργεια με την προηγούμενη κατάσταση, τη νέα κατάσταση, τις μεταβολές ανά KPI και την επιβεβαίωση από το πραγματικό σύστημα.

Το πρώτο μάθημα είναι ότι το feedback πρέπει να έχει σωστή ανάλυση. Για έναν agent εξυπηρέτησης, για παράδειγμα, δεν αρκεί το τελικό CSAT. Χρειάζεται να γνωρίζουμε ποια απάντηση, ποια ανάκτηση γνώσης ή ποια μεταβίβαση άλλαξε τον χρόνο επίλυσης, την ακρίβεια και την ικανοποίηση. Για έναν agent e-commerce, η μνήμη πρέπει να συνδέει μια συγκεκριμένη ενέργεια με conversion, περιθώριο, επιστροφές και stock-out risk.

Το δεύτερο μάθημα είναι να διαχωρίζεται η εξερεύνηση από τη βελτιστοποίηση. Η δημιουργική ή global πρόταση ανοίγει νέες περιοχές λύσεων. Η local διαδρομή εκμεταλλεύεται όσα έχει ήδη μάθει το σύστημα. Η ισορροπία τους πρέπει να μετριέται ανά use case και όχι να επιβάλλεται από μία σταθερή αναλογία.

Το τρίτο μάθημα είναι να αξιολογείται το πλήρες funnel: πόσες προσπάθειες προγραμματίστηκαν, πόσες εκτελέστηκαν, πόσες αξιολογήθηκαν, πόσες πέρασαν όλους τους περιορισμούς και πόσο διαφορετικές ήταν μεταξύ τους. Αυτό συμπληρώνει την οικονομική οπτική του AI ROI ανά εργασία: αξία δεν είναι μόνο η ποιότητα του τελικού output, αλλά και το κόστος των αποτυχημένων ενεργειών, των επαναλήψεων και της ανθρώπινης επανεξέτασης.

Τέλος, η παρακολούθηση δεν τελειώνει στο deployment. Το NIST AI RMF δίνει έμφαση στην καταγραφή και στην παρακολούθηση της συμπεριφοράς σε παραγωγή, επειδή οι συνθήκες και οι κίνδυνοι μεταβάλλονται. Για agentic συστήματα, αυτό σημαίνει σαφή όρια, μετρήσιμες παρεμβάσεις και μηχανισμό ανάκλησης ή ανθρώπινης έγκρισης όταν η πραγματική επίδοση αποκλίνει από τις προϋποθέσεις σχεδιασμού.

Πρακτικό πλαίσιο εφαρμογής

Η μετάφραση του TRACE σε επιχειρηματικό σύστημα δεν απαιτεί να αντιγραφεί ο αλγόριθμος της εργασίας. Απαιτεί να σχεδιαστεί μια αξιόπιστη αλυσίδα κατάστασης, ενέργειας, αποτελέσματος και επαλήθευσης. Η ακόλουθη σειρά λειτουργεί ως έλεγχος αρχιτεκτονικής για επαναλήψιμα συστήματα εργασίας με AI agents.

Η οπτική παρουσίαση των πολλαπλών KPI έχει επίσης σημασία. Ένα dashboard σχεδιασμένο για αποφάσεις πρέπει να ξεχωρίζει τη βελτίωση, την υποβάθμιση ήδη ικανοποιημένων στόχων και το ποσοστό ενεργειών που δεν έφτασαν ποτέ σε έγκυρη αξιολόγηση.

Από τη μνήμη αποτελεσμάτων στη μνήμη συνεπειών

Το TRACE προτείνει μια μετατόπιση που αξίζει προσοχή: από τη μνήμη «τι πέτυχε» στη μνήμη «τι άλλαξε όταν κάναμε αυτό». Στο LLEMABench, αυτή η προσέγγιση βελτίωσε την αναζήτηση στην πλειονότητα των εργασιών και παρήγαγε σημαντικά περισσότερες έγκυρες ανακαλύψεις σε τέσσερις long-horizon δοκιμές. Ταυτόχρονα, τα αποτελέσματα παρέμειναν εξαρτώμενα από το task και η τοπική γλώσσα ενεργειών ήταν περιορισμένη.

Η ώριμη ανάγνωση δεν είναι ότι ένα LLM «ανακαλύπτει μόνο του» νέα υλικά. Είναι ότι ένα agentic workflow μπορεί να γίνει αποτελεσματικότερο όταν διατηρεί επαληθευμένη, δομημένη μνήμη μεταβάσεων, προστατεύει τους ήδη ικανοποιημένους στόχους και συνδυάζει ευρεία εξερεύνηση με ελεγχόμενη τοπική βελτίωση. Για μια επιχείρηση, αυτό είναι πιο χρήσιμο από μια γενική υπόσχεση αυτονομίας: μετατρέπει το feedback σε ελέγξιμη υποδομή αποφάσεων.