{"id":98924,"date":"2026-10-19T18:32:27","date_gmt":"2026-10-19T15:32:27","guid":{"rendered":"https:\/\/twodots.gr\/?p=98924"},"modified":"2026-10-19T18:32:27","modified_gmt":"2026-10-19T15:32:27","slug":"trace-des-agents-ai-detection-des-changements-minimaux","status":"publish","type":"post","link":"https:\/\/twodots.gr\/fr\/trace-ai-agents-mnimi-metavaseon-anakalypsi-ylikon\/","title":{"rendered":"TRACE : comment les agents IA tirent des enseignements de chaque \u00e9volution dans la d\u00e9couverte des mat\u00e9riaux"},"content":{"rendered":"<p>TRACE propose un changement concret dans la mani\u00e8re dont les agents IA apprennent : au lieu de se contenter de m\u00e9moriser la solution qui a fonctionn\u00e9, ils stockent <strong>quelle action a entra\u00een\u00e9 quel r\u00e9sultat<\/strong>. Dans le domaine de la d\u00e9couverte de mat\u00e9riaux, cela signifie que chaque modification \u00e9valu\u00e9e devient une connaissance r\u00e9utilisable pour l'\u00e9tape suivante, sans que la pr\u00e9vision ne remplace la mesure r\u00e9elle.<\/p>\n<p>Les travaux de Kang Zhou, Yujia Tong, Yong Tao et Jingling Yuan s'int\u00e9ressent \u00e0 un probl\u00e8me multicrit\u00e8res complexe : trouver des mat\u00e9riaux capables de r\u00e9pondre simultan\u00e9ment \u00e0 de nombreux objectifs, souvent contradictoires. Pour une entreprise, l'int\u00e9r\u00eat ne se limite pas \u00e0 la chimie. TRACE offre un mod\u00e8le utile pour les flux de travail bas\u00e9s sur des agents qui doivent apprendre \u00e0 partir de cons\u00e9quences valid\u00e9es, pr\u00e9server ce qui fonctionne d\u00e9j\u00e0 et prendre des d\u00e9cisions en s'appuyant sur plusieurs indicateurs cl\u00e9s de performance (KPI).<\/p>\n<div class=\"td-article-toc\">\n<div class=\"td-toc-title\">Sommaire<\/div>\n<ul>\n<li><a href=\"#ti-einai-trace\">Qu'est-ce que TRACE et quels sont les changements ?<\/a><\/li>\n<li><a href=\"#giati-teliko-skor-den-arkei\">Pourquoi le score final ne suffit pas<\/a><\/li>\n<li><a href=\"#mnimi-metavaseon\">La m\u00e9moire des transitions en tant qu'unit\u00e9 d'apprentissage<\/a><\/li>\n<li><a href=\"#residual-aware-epilogi\">S\u00e9lection \u00ab Residual-aware \u00bb sans perte des acquis<\/a><\/li>\n<li><a href=\"#pagkosmia-topiki-anazitisi\">Exploration mondiale et am\u00e9lioration locale<\/a><\/li>\n<li><a href=\"#apotelesmata-llemabench\">Quels ont \u00e9t\u00e9 les r\u00e9sultats des exp\u00e9riences men\u00e9es au LLEMABench ?<\/a><\/li>\n<li><a href=\"#ablations-michanismos\">Ce que r\u00e9v\u00e8lent les ablations<\/a><\/li>\n<li><a href=\"#oria-kindynoi\">Les limites et les risques de cette approche<\/a><\/li>\n<li><a href=\"#trace-gia-epicheiriseis\">Que signifie TRACE pour les agents IA d'entreprise ?<\/a><\/li>\n<li><a href=\"#praktiko-plaisio\">Cadre pratique de mise en \u0153uvre<\/a><\/li>\n<li><a href=\"#mnimi-synepeion\">De la m\u00e9moire des r\u00e9sultats \u00e0 la m\u00e9moire des cons\u00e9quences<\/a><\/li>\n<\/ul>\n<\/div>\n<h2 id=\"ti-einai-trace\">Qu'est-ce que TRACE et quels sont les changements ?<\/h2>\n<p>TRACE, d'apr\u00e8s le <em>Contr\u00f4le r\u00e9siduel tenant compte des transitions<\/em>, est un cadre de contr\u00f4le de recherche permettant la d\u00e9couverte multicrit\u00e8res de mat\u00e9riaux \u00e0 l'aide d'agents LLM. Il ne se pr\u00e9sente pas comme un \u00ab scientifique \u00bb autonome et ne remplace pas la validation exp\u00e9rimentale. Son r\u00f4le est plus sp\u00e9cifique : tirer le meilleur parti de chaque \u00e9valuation pr\u00e9cise d\u2019un mat\u00e9riau candidat.<\/p>\n<p>L'id\u00e9e centrale est qu'un score final masque le cheminement qui y a conduit. \u00c0 l\u2019inverse, un enregistrement de transition relie le candidat initial, la modification effectu\u00e9e, le nouveau candidat et les diff\u00e9rences mesur\u00e9es entre leurs propri\u00e9t\u00e9s. Ainsi, l'agent ne se souvient pas seulement de \u00ab ce qu'il a r\u00e9ussi \u00bb, mais acquiert \u00e9galement une compr\u00e9hension de \u00ab ce qui s'est pass\u00e9 lorsque nous avons effectu\u00e9 ce changement \u00bb.<\/p>\n<p>Ce mod\u00e8le de m\u00e9moire vient compl\u00e9ter le d\u00e9bat plus large sur les <a href=\"https:\/\/twodots.gr\/station-ai-agents-aftonomi-erevnitiki-koinotita\/\">Agents IA collaborant dans des environnements de recherche<\/a>: l'autonomie n'a de valeur que si l'historique des actions est v\u00e9rifiable, r\u00e9utilisable et li\u00e9 \u00e0 des r\u00e9sultats concrets.<\/p>\n<div class=\"td-note\">\n<p class=\"td-note-title\">La r\u00e9ponse en bref<\/p>\n<p>TRACE convertit chaque modification valid\u00e9e en m\u00e9moire structur\u00e9e. La m\u00e9moire sugg\u00e8re le prochain mouvement, mais seule la nouvelle \u00e9valuation met \u00e0 jour la v\u00e9rit\u00e9 du syst\u00e8me.<\/p>\n<\/div>\n<h2 id=\"giati-teliko-skor-den-arkei\">Pourquoi le score final ne suffit pas<\/h2>\n<p>Dans le cadre d\u2019une simple recherche, il peut suffire de classer les candidats du meilleur au pire. Dans le domaine de la d\u00e9couverte de mat\u00e9riaux, cependant, un candidat peut \u00eatre performant dans un domaine et inadapt\u00e9 dans un autre. Une modification chimique qui am\u00e9liore le comportement \u00e9lectrique, m\u00e9canique ou thermique peut simultan\u00e9ment nuire \u00e0 une contrainte d\u00e9j\u00e0 satisfaisante.<\/p>\n<p>Les auteurs d\u00e9crivent l'environnement comme <em>oracle-limited<\/em>: l'\u00e9valuation s'effectue \u00e0 partir d'une simulation, d'un mod\u00e8le de substitution entra\u00een\u00e9, de donn\u00e9es de r\u00e9f\u00e9rence ou d'une mesure exp\u00e9rimentale, et est consid\u00e9r\u00e9e comme une ressource limit\u00e9e. Chaque objectif num\u00e9rique est converti en un degr\u00e9 de violation normalis\u00e9. La somme de ces \u00e9carts correspond au r\u00e9sidu global, c'est-\u00e0-dire une mesure de la distance par rapport \u00e0 l'espace r\u00e9alisable.<\/p>\n<p>Le v\u00e9ritable objectif n'est pas d'obtenir une bonne note moyenne, mais d'avoir un candidat qui r\u00e9ussisse tous les contr\u00f4les, qu'ils soient quantitatifs ou non. La m\u00eame logique s'applique aux processus m\u00e9tier. Un syst\u00e8me de commerce \u00e9lectronique ne doit pas se contenter d'augmenter le taux de conversion s'il compromet en parall\u00e8le la marge b\u00e9n\u00e9ficiaire, la disponibilit\u00e9, les retours ou l'exp\u00e9rience client. Il s\u2019agit l\u00e0 d\u2019une analogie commerciale et non du r\u00e9sultat exp\u00e9rimental de ce travail, mais elle illustre le m\u00eame probl\u00e8me de conception.<\/p>\n<h2 id=\"mnimi-metavaseon\">La m\u00e9moire des transitions en tant qu'unit\u00e9 d'apprentissage<\/h2>\n<p>TRACE enregistre chaque modification locale r\u00e9ussie comme une transition <em>parent\u2013modifier\u2013enfant<\/em>. L'enregistrement comprend le candidat initial, le fichier ex\u00e9cutable \u00ab edit \u00bb, le nouveau candidat, les propri\u00e9t\u00e9s avant et apr\u00e8s, ainsi que leur diff\u00e9rence. Seule une modification qui a \u00e9t\u00e9 cr\u00e9\u00e9e et \u00e9valu\u00e9e avec succ\u00e8s fournit des informations confirm\u00e9es sur son effet. Les tentatives infructueuses sont conserv\u00e9es dans un fichier auxiliaire, mais ne sont pas utilis\u00e9es pour la surveillance des variations de propri\u00e9t\u00e9s.<\/p>\n<p>Chaque transition achev\u00e9e est \u00e9galement associ\u00e9e \u00e0 une fonction d'utilit\u00e9 qui combine trois \u00e9l\u00e9ments : si le candidat est entr\u00e9 ou est rest\u00e9 dans la zone num\u00e9riquement r\u00e9alisable, combien de contraintes ont \u00e9t\u00e9 satisfaites ou non, et dans quelle mesure le r\u00e9sidu total a diminu\u00e9. On distingue ainsi la variation physique des propri\u00e9t\u00e9s de l\u2019utilit\u00e9 de cette variation pour la mission en cours.<\/p>\n<p>Lorsqu'il existe suffisamment d'observations pour une m\u00eame modification, le syst\u00e8me utilise la variation moyenne des propri\u00e9t\u00e9s. Si les donn\u00e9es sont peu nombreuses, il se rabat hi\u00e9rarchiquement sur la moyenne de la cat\u00e9gorie d\u2019op\u00e9rateurs la plus large et, si n\u00e9cessaire, sur l\u2019ensemble des transitions disponibles. Cette logique permet un guidage plus g\u00e9n\u00e9ral au d\u00e9part, puis un guidage plus sp\u00e9cifique lorsque suffisamment d\u2019informations sont rassembl\u00e9es.<\/p>\n<div class=\"td-comparison td-comparison-cards--horizontal\">\n<div class=\"td-chart-head\">\n<p class=\"td-chart-kicker\">Trois souvenirs diff\u00e9rents<\/p>\n<p class=\"td-chart-title\">Que sait r\u00e9ellement l'agent ?<\/p>\n<p class=\"td-chart-intro\">La qualit\u00e9 de la prochaine d\u00e9cision d\u00e9pend du niveau de d\u00e9tail du retour d'information.<\/p>\n<\/div>\n<div class=\"td-comparison-grid\">\n<div class=\"td-platform-card\">\n<p class=\"td-platform-name\">M\u00e9moire candidate<\/p>\n<p>Il enregistre le candidat et son r\u00e9sultat. Il indique quelle solution a fonctionn\u00e9, et non quelle action a permis cette am\u00e9lioration.<\/p>\n<\/div>\n<div class=\"td-platform-card\">\n<p class=\"td-platform-name\">M\u00e9moire de transition<\/p>\n<p>Il relie l'\u00e9tat initial, la modification effectu\u00e9e, l'\u00e9tat final et les \u00e9carts mesur\u00e9s pour chaque propri\u00e9t\u00e9.<\/p>\n<\/div>\n<div class=\"td-platform-card\">\n<p class=\"td-platform-name\">Contr\u00f4le r\u00e9siduel<\/p>\n<p>Elle utilise la m\u00e9moire pour cibler ce qui manque, en imposant un co\u00fbt lorsqu'un changement menace des objectifs d\u00e9j\u00e0 atteints.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<p>Une limite de s\u00e9curit\u00e9 importante est que la pr\u00e9vision n'est utilis\u00e9e que pour le classement. Elle n\u2019est pas enregistr\u00e9e comme vraie en m\u00e9moire. Seul le r\u00e9sultat r\u00e9el de l\u2019oracle apr\u00e8s l\u2019ex\u00e9cution met \u00e0 jour l\u2019historique. C\u2019est ce m\u00eame principe qui rend utile la <a href=\"https:\/\/twodots.gr\/step-ktoder-ai-lathos-synartisi\/\">r\u00e9troaction au niveau d'une \u00e9nergie ou d'une fonction sp\u00e9cifique<\/a>: le diagnostic doit \u00eatre li\u00e9 \u00e0 l'endroit o\u00f9 le changement s'est produit.<\/p>\n<h2 id=\"residual-aware-epilogi\">S\u00e9lection \u00ab Residual-aware \u00bb sans perte des acquis<\/h2>\n<p>La partie la plus int\u00e9ressante de TRACE se situe \u00e0 la limite de la faisabilit\u00e9. Lorsqu'un candidat \u00e9choue sur un seul objectif, la simple r\u00e9duction de la r\u00e9siduelle globale peut \u00eatre trompeuse. Une modification peut certes corriger la derni\u00e8re cible probl\u00e9matique, mais elle enfreint en m\u00eame temps une autre qui avait d\u00e9j\u00e0 \u00e9t\u00e9 satisfaite.<\/p>\n<p>Pour y rem\u00e9dier, le cadre classe les contraintes en deux cat\u00e9gories : celles qui ne sont toujours pas respect\u00e9es et celles qui le sont d\u00e9j\u00e0. Le score attribu\u00e9 \u00e0 une modification r\u00e9compense les progr\u00e8s r\u00e9alis\u00e9s sur les crit\u00e8res non encore remplis, inflige une p\u00e9nalit\u00e9 en cas de d\u00e9t\u00e9rioration des crit\u00e8res d\u00e9j\u00e0 satisfaits et ajoute un bonus lorsque la modification pr\u00e9vue d\u00e9passe le seuil de faisabilit\u00e9.<\/p>\n<p>Une m\u00eame action n'a donc pas une valeur constante dans toutes les situations. Son utilit\u00e9 d\u00e9pend des probl\u00e8mes qui restent \u00e0 r\u00e9soudre et des acquis qu'il faut prot\u00e9ger. Pour un syst\u00e8me de production, cela signifie que la politique de s\u00e9lection ne doit pas se contenter de demander \u00ab quelle action a historiquement \u00e9t\u00e9 associ\u00e9e \u00e0 un bon r\u00e9sultat ? \u00bb. Elle doit \u00e9galement se demander \u00ab est-elle adapt\u00e9e \u00e0 la situation actuelle ? \u00bb.<\/p>\n<div class=\"td-decision-band\">\n<p class=\"td-decision-kicker\">R\u00e8gle de conception<\/p>\n<p class=\"td-decision-title\">Ne r\u00e9compensez pas uniquement l'am\u00e9lioration. Mesurez \u00e9galement les pertes subies par ce qui fonctionnait d\u00e9j\u00e0 correctement.<\/p>\n<p>Dans tout workflow agentique comportant de nombreux KPI, la prise de d\u00e9cision implique un co\u00fbt suppl\u00e9mentaire pour la d\u00e9classification des contraintes d\u00e9j\u00e0 satisfaites.<\/p>\n<\/div>\n<h2 id=\"pagkosmia-topiki-anazitisi\">Exploration mondiale et am\u00e9lioration locale<\/h2>\n<p>La m\u00e9moire locale a une limite naturelle : elle conna\u00eet principalement les zones de l'espace mat\u00e9riel qui ont d\u00e9j\u00e0 \u00e9t\u00e9 visit\u00e9es. Les propositions globales du LLM peuvent \u00eatre d\u00e9plac\u00e9es vers de nouvelles compositions et familles, mais elles n\u2019offrent pas \u00e0 elles seules une attribution claire des responsabilit\u00e9s au niveau de l\u2019\u00e9dition. TRACE conserve les deux pistes.<\/p>\n<p>La voie \u00ab globale \u00bb utilise le LLM pour g\u00e9n\u00e9rer des propositions plus g\u00e9n\u00e9rales. La voie \u00ab locale \u00bb s\u00e9lectionne des modifications r\u00e9alisables \u00e0 partir de parents \u00e9valu\u00e9s, en exploitant la m\u00e9moire de transition. Les nouveaux candidats globaux peuvent ensuite devenir des parents pour des modifications locales, tandis que les r\u00e9sum\u00e9s de l\u2019exp\u00e9rience sont r\u00e9inject\u00e9s sous forme de guidage statistique l\u00e9ger dans la requ\u00eate du LLM. Si le parcours local ne parvient pas \u00e0 mener \u00e0 bien les efforts pr\u00e9vus, la capacit\u00e9 revient \u00e0 la production globale.<\/p>\n<p>Dans l'\u00e9tude de r\u00e9partition du budget pour les \u00e9lectrolytes \u00e0 l'\u00e9tat solide, le rapport \u00e9quilibr\u00e9 de 1:1 entre les modifications LLM et Delta a affich\u00e9 un taux de r\u00e9ussite de 50,19 %. Le mod\u00e8le \u00ab LLM uniquement \u00bb a atteint 32,4 %, tandis que le mod\u00e8le \u00ab Delta uniquement \u00bb s'est \u00e9tabli \u00e0 27,7 %. La configuration \u00e9quilibr\u00e9e a g\u00e9n\u00e9r\u00e9 154 structures et 73 formules valides uniques, contre respectivement 83 et 22 dans la version \u00ab Delta-only \u00bb. Ces r\u00e9sultats concernent sp\u00e9cifiquement ce travail et cette configuration ; ils ne prouvent pas que le rapport 1:1 soit universellement optimal.<\/p>\n<h2 id=\"apotelesmata-llemabench\">Quels ont \u00e9t\u00e9 les r\u00e9sultats des exp\u00e9riences men\u00e9es au LLEMABench ?<\/h2>\n<p>Les chercheurs ont \u00e9valu\u00e9 TRACE sur 14 t\u00e2ches multicrit\u00e8res du LLEMABench, couvrant des applications \u00e9lectroniques, di\u00e9lectriques, \u00e9nerg\u00e9tiques, m\u00e9caniques, acoustiques et structurelles. Les comparaisons contr\u00f4l\u00e9es les plus proches avec LLEMA ont conserv\u00e9 inchang\u00e9s la t\u00e2che, le backbone et l'oracle, avec un nombre \u00e0 peu pr\u00e8s identique de candidats parvenant \u00e0 l'\u00e9tape d'\u00e9valuation des propri\u00e9t\u00e9s.<\/p>\n<p>Deux backbones quantifi\u00e9s de 8 bits ont \u00e9t\u00e9 utilis\u00e9s, Qwen2.5-14B-Instruct et Mistral-Small-3.2-24B-Instruct-2506, avec cinq ex\u00e9cutions par combinaison de t\u00e2che et de backbone. Avec Qwen, TRACE a am\u00e9lior\u00e9 le taux de r\u00e9ussite dans 12 des 14 t\u00e2ches. Le taux de r\u00e9ussite moyen global est pass\u00e9 de 18,13 % \u00e0 25,96 %, tandis que le taux de stabilit\u00e9 moyen est pass\u00e9 de 5,90 % \u00e0 8,97 %.<\/p>\n<p>Avec Mistral, le taux de r\u00e9ussite s'est am\u00e9lior\u00e9 dans 10 des 14 t\u00e2ches. Le taux de r\u00e9ussite moyen global est pass\u00e9 de 25,39 % \u00e0 28,74 % et le taux de stabilit\u00e9 de 11,29 % \u00e0 12,25 %. Les r\u00e9sultats n\u2019ont pas \u00e9t\u00e9 homog\u00e8nes : des baisses ont \u00e9t\u00e9 observ\u00e9es pour certains param\u00e8tres de t\u00e2ches et de structures de base, et le bilan a \u00e9t\u00e9 mitig\u00e9 pour les collecteurs d\u2019\u00e9nergie pi\u00e9zo\u00e9lectriques. Les plus grandes am\u00e9liorations inter-backbones ont \u00e9t\u00e9 observ\u00e9es au niveau des \u00e9lectrolytes \u00e0 l'\u00e9tat solide, o\u00f9 le taux de r\u00e9ussite a augment\u00e9 de 21,22 et 28,10 points de pourcentage avec Qwen et Mistral respectivement.<\/p>\n<div class=\"td-chart td-chart--metrics\">\n<div class=\"td-chart-head\">\n<p class=\"td-chart-title\">Les mesures cl\u00e9s de TRACE<\/p>\n<p class=\"td-chart-subtitle\">R\u00e9sultats de cette configuration exp\u00e9rimentale sp\u00e9cifique, et non des garanties g\u00e9n\u00e9rales pour tout syst\u00e8me agentique.<\/p>\n<\/div>\n<div class=\"td-chart-body\">\n<div class=\"td-metric-grid\">\n<div class=\"td-metric-card\"><span class=\"td-metric-value\">12\/14<\/span><span class=\"td-metric-label\">travaux visant \u00e0 am\u00e9liorer le taux de r\u00e9ussite<\/span><span class=\"td-metric-note\">Avec le backbone Qwen<\/span><\/div>\n<div class=\"td-metric-card\"><span class=\"td-metric-value\">10\/14<\/span><span class=\"td-metric-label\">travaux visant \u00e0 am\u00e9liorer le taux de r\u00e9ussite<\/span><span class=\"td-metric-note\">Avec le r\u00e9seau dorsal Mistral<\/span><\/div>\n<div class=\"td-metric-card\"><span class=\"td-metric-value\">25,96%<\/span><span class=\"td-metric-label\">taux de r\u00e9ussite moyen global<\/span><span class=\"td-metric-note\">\u00c0 partir de 18,13 % avec Qwen<\/span><\/div>\n<div class=\"td-metric-card\"><span class=\"td-metric-value\">2,47\u20134,79\u00d7<\/span><span class=\"td-metric-label\">davantage de d\u00e9couvertes av\u00e9r\u00e9es<\/span><span class=\"td-metric-note\">Au cours de quatre s\u00e9ries de 1 000 essais<\/span><\/div>\n<\/div>\n<\/div>\n<\/div>\n<p>Dans les quatre tests \u00e0 long terme portant sur 1 000 essais programm\u00e9s, le nombre de d\u00e9couvertes valides est pass\u00e9 de 182 \u00e0 449 pour les semi-conducteurs \u00e0 large bande interdite, de 61 \u00e0 292 pour les di\u00e9lectriques \u00e0 haute constante di\u00e9lectrique (high-k), de 97 \u00e0 439 pour les c\u00e9ramiques dures et rigides et de 65 \u00e0 212 pour les oxydes de p\u00e9rovskite non toxiques. L\u2019analyse attribue ce gain \u00e0 la fois \u00e0 un plus grand nombre d\u2019\u00e9valuations compl\u00e8tes et \u00e0 un pourcentage plus \u00e9lev\u00e9 de candidats r\u00e9pondant aux contraintes.<\/p>\n<p>Par ailleurs, TRACE pr\u00e9sentait un taux de r\u00e9p\u00e9tition des types plus faible. Dans les semi-conducteurs \u00e0 large bande interdite, la r\u00e9p\u00e9tition a diminu\u00e9 de 43,96 % \u00e0 9,58 % dans les trajectoires \u00e0 long horizon, tandis que dans les di\u00e9lectriques \u00e0 haute constante di\u00e9lectrique, elle est pass\u00e9e de 14,75 % \u00e0 4,79 %. La plupart des r\u00e9sultats valides ne provenaient donc pas simplement d'une r\u00e9p\u00e9tition des m\u00eames formules.<\/p>\n<h2 id=\"ablations-michanismos\">Ce que r\u00e9v\u00e8lent les ablations<\/h2>\n<p>L'\u00e9tude d'ablation sur les \u00e9lectrolytes \u00e0 l'\u00e9tat solide a compar\u00e9 le retour d'information au niveau des candidats, les modifications al\u00e9atoires, la s\u00e9lection guid\u00e9e par l'historique et le TRACE complet. Les modifications al\u00e9atoires ont augment\u00e9 le taux de g\u00e9n\u00e9ration de 10,62 points de pourcentage par rapport au retour d'information au niveau des candidats, mais ont r\u00e9duit le taux de r\u00e9ussite de 4,35 points. La possibilit\u00e9 d'effectuer des modifications permet de compl\u00e9ter davantage de propositions, mais ne suffit pas \u00e0 am\u00e9liorer la qualit\u00e9 de la recherche.<\/p>\n<p>L'ajout d'un historique des transitions a permis d'am\u00e9liorer, par rapport aux modifications al\u00e9atoires, le taux de r\u00e9ussite de 7,21 points et le taux de stabilit\u00e9 de 3,93. Le mod\u00e8le TRACE complet tenant compte des r\u00e9sidus a ajout\u00e9 respectivement 10,04 et 10,23 points suppl\u00e9mentaires, tout en conservant un taux de g\u00e9n\u00e9ration de 96,63 %. Les modifications contribuent \u00e0 la r\u00e9ussite de la recherche, tandis que l\u2019historique des transitions et l\u2019approche tenant compte des r\u00e9sidus sont \u00e0 l\u2019origine des principaux gains de qualit\u00e9.<\/p>\n<p>L'analyse directe de 882 transitions post-\u00e9chauffement dans quatre t\u00e2ches vient \u00e9tayer cette explication. La pr\u00e9cision directionnelle de la variation pr\u00e9vue a vari\u00e9 de 61,12 % \u00e0 76,49 %, tandis que l'avantage de s\u00e9lection hors ligne s'est situ\u00e9 entre 54,31 % et 64,16 %, soit au-dessus du seuil de r\u00e9f\u00e9rence al\u00e9atoire de 50 %.<\/p>\n<div class=\"td-note\">\n<p class=\"td-note-title\">Ce qu'il ne faut pas retenir des chiffres<\/p>\n<p>TRACE est un pr\u00e9-article publi\u00e9 sur arXiv et les comparaisons contr\u00f4l\u00e9es utilisent des nombres d'\u00e9valuations approximativement, et non parfaitement, correspondants. Ces r\u00e9sultats constituent une indication exp\u00e9rimentale solide pour ce benchmark sp\u00e9cifique, mais ne constituent pas une preuve de sup\u00e9riorit\u00e9 universelle.<\/p>\n<\/div>\n<h2 id=\"oria-kindynoi\">Les limites et les risques de cette approche<\/h2>\n<p>L'estimateur TRACE apprend des r\u00e9gularit\u00e9s empiriques \u00e0 partir des transitions observ\u00e9es. Si l'effet d'une modification varie fortement d'un candidat \u00e0 l'autre, la moyenne des effets peut masquer des diff\u00e9rences importantes. Les auteurs proposent, comme axes de recherche futurs, un contexte davantage sp\u00e9cifique \u00e0 chaque parent et une mod\u00e9lisation de l'incertitude.<\/p>\n<p>Les exemples pr\u00e9sent\u00e9s dans ce travail illustrent eux-m\u00eames ce risque. Le remplacement de B par Al a transform\u00e9 le B\u2082S\u2083 en Al\u2082S\u2083 et a r\u00e9duit le r\u00e9siduel normalis\u00e9 de 0,298 \u00e0 z\u00e9ro. \u00c0 l'inverse, le remplacement de Al par B dans MgAl\u2082O\u2084 a donn\u00e9 lieu \u00e0 la formation de Mg(BO\u2082)\u2082 et a fait passer le r\u00e9siduel de z\u00e9ro \u00e0 2,816. Il n'existe pas de \u00ab bonne modification \u00bb, quels que soient le parent et l'\u00e9tat des contraintes.<\/p>\n<p>La zone d'action locale se limite principalement \u00e0 des remplacements chimiquement s\u00fbrs et pr\u00e9servant la structure d'\u00e9l\u00e9ments appartenant au m\u00eame groupe. Elle ne couvre pas la cr\u00e9ation de vides, la reconstruction du r\u00e9seau cristallin ni les changements structurels plus importants. De plus, les propri\u00e9t\u00e9s proviennent de donn\u00e9es de r\u00e9f\u00e9rence pour lesquelles il existe une correspondance, et non d\u2019un oracle de substitution sp\u00e9cifique \u00e0 la t\u00e2che. Les candidats valides sur le plan informatique ne sont pas automatiquement convertis en mat\u00e9riaux valid\u00e9s en laboratoire.<\/p>\n<p>Cette distinction est \u00e9galement cruciale dans les applications commerciales. Un journal d'actions (action log) d\u00e9pourvu d'\u00e9tat initial, de r\u00e9sultat final, de provenance et de m\u00e9triques peut s'av\u00e9rer trompeur. Le <a href=\"https:\/\/twodots.gr\/data-silos-audit-trail-smart-manufacturing\/\">piste d'audit dans les environnements de production<\/a> Il doit relier chaque d\u00e9cision aux donn\u00e9es et aux contr\u00f4les qui l'ont \u00e9tay\u00e9e.<\/p>\n<h2 id=\"trace-gia-epicheiriseis\">Que signifie TRACE pour les agents IA d'entreprise ?<\/h2>\n<p>L'objectif imm\u00e9diat est la d\u00e9couverte de mat\u00e9riaux, mais le concept architectural concerne tout agent qui prend des d\u00e9cisions successives avec un retour d'information pr\u00e9cis. Une \u00e9quipe peut examiner si sa m\u00e9moire enregistre uniquement les r\u00e9sultats et les scores, ou si elle relie chaque action \u00e0 l'\u00e9tat pr\u00e9c\u00e9dent, au nouvel \u00e9tat, aux variations par KPI et \u00e0 la validation par le syst\u00e8me r\u00e9el.<\/p>\n<p>La premi\u00e8re le\u00e7on \u00e0 retenir est que le retour d'information doit s'accompagner d'une analyse pertinente. Pour un agent du service client, par exemple, le score CSAT final ne suffit pas. Il faut savoir quelle r\u00e9ponse, quelle recherche d\u2019informations ou quelle transmission a influenc\u00e9 le temps de r\u00e9solution, la pr\u00e9cision et la satisfaction. Pour un agent du commerce en ligne, le syst\u00e8me doit associer une action sp\u00e9cifique \u00e0 la conversion, \u00e0 la marge, aux retours et au risque de rupture de stock.<\/p>\n<p>La deuxi\u00e8me le\u00e7on consiste \u00e0 distinguer l'exploration de l'optimisation. L'approche cr\u00e9ative ou globale ouvre de nouveaux horizons de solutions. L'approche locale exploite ce que le syst\u00e8me a d\u00e9j\u00e0 appris. Leur \u00e9quilibre doit \u00eatre \u00e9valu\u00e9 au cas par cas et ne pas \u00eatre impos\u00e9 par un rapport fixe.<\/p>\n<p>La troisi\u00e8me le\u00e7on consiste \u00e0 \u00e9valuer l'ensemble du funnel : combien d'initiatives ont \u00e9t\u00e9 planifi\u00e9es, combien ont \u00e9t\u00e9 mises en \u0153uvre, combien ont \u00e9t\u00e9 \u00e9valu\u00e9es, combien ont satisfait \u00e0 toutes les contraintes et dans quelle mesure elles diff\u00e9raient les unes des autres. Cela vient compl\u00e9ter la perspective \u00e9conomique de <a href=\"https:\/\/twodots.gr\/ai-roi-axia-ergasias\/\">ROI de l'IA par t\u00e2che<\/a>: la valeur ne r\u00e9side pas seulement dans la qualit\u00e9 du r\u00e9sultat final, mais aussi dans le co\u00fbt des \u00e9checs, des r\u00e9p\u00e9titions et des v\u00e9rifications humaines.<\/p>\n<p>Enfin, la surveillance ne s'arr\u00eate pas au d\u00e9ploiement. Le NIST AI RMF met l'accent sur l'enregistrement et la surveillance du comportement en production, car les conditions et les risques \u00e9voluent. Pour les syst\u00e8mes agentiques, cela implique des limites claires, des interventions mesurables et un m\u00e9canisme de r\u00e9vocation ou d'approbation humaine lorsque les performances r\u00e9elles s'\u00e9cartent des conditions de conception.<\/p>\n<h2 id=\"praktiko-plaisio\">Cadre pratique de mise en \u0153uvre<\/h2>\n<p>La transposition de TRACE dans un syst\u00e8me d'entreprise ne n\u00e9cessite pas de reproduire l'algorithme du travail. Elle n\u00e9cessite la conception d\u2019une cha\u00eene fiable d\u2019\u00e9tats, d\u2019actions, de r\u00e9sultats et de v\u00e9rifications. La s\u00e9quence suivante sert de contr\u00f4le architectural pour <a href=\"https:\/\/twodots.gr\/ai-employees-epanalipsimo-systima-ergasias\/\">syst\u00e8mes de travail reproductibles avec des agents IA<\/a>.<\/p>\n<div class=\"td-step-list\">\n<p class=\"td-step-list-title\">Six \u00e9tapes pour la m\u00e9morisation des cons\u00e9quences dans un flux de travail agentique<\/p>\n<ol>\n<li><span class=\"td-step-kicker\">Objectifs<\/span><strong>Voici l'ensemble des indicateurs cl\u00e9s de performance (KPI) et des limites non n\u00e9gociables<\/strong>\n<p>Notez les points \u00e0 am\u00e9liorer et les crit\u00e8res qui ne doivent en aucun cas \u00eatre n\u00e9glig\u00e9s, tels que le co\u00fbt, la pr\u00e9cision, les d\u00e9lais, la conformit\u00e9 et l'exp\u00e9rience client.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">Situation<\/span><strong>Enregistrez le contexte avant chaque action<\/strong>\n<p>Une m\u00eame action peut avoir un effet contraire selon le client, le stock, le march\u00e9 ou l'\u00e9tape du processus. Sans \u00e9tat initial, il n'y a pas de justification fiable.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">\u00c9nergie<\/span><strong>Attribuez aux actions une identit\u00e9 fixe et ex\u00e9cutable<\/strong>\n<p>Ne vous contentez pas d'enregistrer du texte libre. Notez l'outil utilis\u00e9, les param\u00e8tres, la version de la politique et le point pr\u00e9cis d'intervention afin de pouvoir comparer des actions similaires.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">Mesure<\/span><strong>Associez le r\u00e9sultat \u00e0 des changements confirm\u00e9s<\/strong>\n<p>Mesurez les r\u00e9sultats \u00ab avant \u00bb et \u00ab apr\u00e8s \u00bb pour chaque KPI. Les estimations peuvent aider au classement, mais elles ne doivent pas \u00eatre consign\u00e9es comme des r\u00e9sultats r\u00e9els.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">Contr\u00f4le<\/span><strong>Pr\u00e9servez les restrictions d\u00e9j\u00e0 en vigueur<\/strong>\n<p>\u00c9valuez chaque mesure propos\u00e9e tant en fonction des progr\u00e8s qu'elle permettrait de r\u00e9aliser par rapport \u00e0 l'objectif non atteint qu'en fonction du risque de nuire \u00e0 ce qui fonctionne d\u00e9j\u00e0.<\/p>\n<\/li>\n<li><span class=\"td-step-kicker\">Production<\/span><strong>Suivez les d\u00e9rives, les \u00e9checs et les boucles de r\u00e9troaction<\/strong>\n<p>Comparez les indicateurs de production aux indicateurs de test, r\u00e9servez l'\u00e9valuation humaine aux actions \u00e0 fort impact et actualisez la m\u00e9moire uniquement avec des r\u00e9sultats v\u00e9rifi\u00e9s.<\/p>\n<\/li>\n<\/ol>\n<\/div>\n<p>La pr\u00e9sentation visuelle des diff\u00e9rents indicateurs cl\u00e9s de performance (KPI) rev\u00eat \u00e9galement une grande importance. Un <a href=\"https:\/\/twodots.gr\/data-visualisation-ux-dashboards-apofaseis\/\">tableau de bord con\u00e7u pour faciliter la prise de d\u00e9cision<\/a> il convient de distinguer l'am\u00e9lioration, la d\u00e9gradation d'objectifs d\u00e9j\u00e0 atteints et la proportion d'actions qui n'ont jamais fait l'objet d'une \u00e9valuation valable.<\/p>\n<h2 id=\"mnimi-synepeion\">De la m\u00e9moire des r\u00e9sultats \u00e0 la m\u00e9moire des cons\u00e9quences<\/h2>\n<p>TRACE propose un changement d'approche qui m\u00e9rite notre attention : passer de la m\u00e9moire de \u00ab ce qui a fonctionn\u00e9 \u00bb \u00e0 celle de \u00ab ce qui a chang\u00e9 lorsque nous avons fait cela \u00bb. Sur LLEMABench, cette approche a am\u00e9lior\u00e9 la recherche dans la majorit\u00e9 des t\u00e2ches et a g\u00e9n\u00e9r\u00e9 nettement plus de d\u00e9couvertes valides dans quatre tests \u00e0 long terme. Dans le m\u00eame temps, les r\u00e9sultats sont rest\u00e9s d\u00e9pendants de la t\u00e2che et le langage local des actions \u00e9tait limit\u00e9.<\/p>\n<p>Une interpr\u00e9tation m\u00fbre ne consiste pas \u00e0 dire qu\u2019un LLM \u00ab d\u00e9couvre par lui-m\u00eame \u00bb de nouveaux contenus. Elle consiste plut\u00f4t \u00e0 dire qu\u2019un workflow agentique peut gagner en efficacit\u00e9 lorsqu\u2019il conserve une m\u00e9moire v\u00e9rifi\u00e9e et structur\u00e9e des transitions, prot\u00e8ge les objectifs d\u00e9j\u00e0 atteints et combine une exploration \u00e9tendue avec une am\u00e9lioration locale contr\u00f4l\u00e9e. Pour une entreprise, cela est plus utile qu\u2019une simple promesse d\u2019autonomie : cela transforme le retour d\u2019information en une infrastructure d\u00e9cisionnelle contr\u00f4lable.<\/p>\n<section class=\"td-service-cta\">\n<div class=\"td-service-cta-content\">\n<p class=\"td-service-cta-eyebrow\">Automatisations bas\u00e9es sur l'IA avec retour d'information quantifiable<\/p>\n<p class=\"td-service-cta-title\">Concevez des agents capables d'apprendre sans perdre le contr\u00f4le<\/p>\n<p>TWO DOTS organise les flux de travail, les donn\u00e9es, les garde-fous et les indicateurs de performance afin que chaque automatisation soit associ\u00e9e \u00e0 un r\u00e9sultat commercial v\u00e9rifiable.<\/p>\n<div class=\"td-service-cta-actions\"><a class=\"td-service-cta-button\" href=\"https:\/\/twodots.gr\/aftomatismoi-epicheiriseon-ai\/\">D\u00e9couvrez les automatisations bas\u00e9es sur l'IA<\/a><\/div>\n<\/div>\n<\/section>\n<section id=\"sychnes-erotiseis\" class=\"td-faq-section\">\n<div class=\"td-faq\">\n<p class=\"td-faq-heading\">Foire aux questions (FAQ)<\/p>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Qu'est-ce que TRACE ?<\/summary>\n<div class=\"td-faq-content\">\n<p>Il s'agit d'un cadre de contr\u00f4le r\u00e9siduel tenant compte des transitions, destin\u00e9 \u00e0 la d\u00e9couverte multicrit\u00e8res de mat\u00e9riaux. Il enregistre les changements \u00e9valu\u00e9s entre parent, modification et enfant, et utilise les variations observ\u00e9es des propri\u00e9t\u00e9s pour classer les modifications locales suivantes.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">En quoi cela diff\u00e8re-t-il du retour d'information au niveau du candidat ?<\/summary>\n<div class=\"td-faq-content\">\n<p>Le \u00ab feedback au niveau du candidat \u00bb enregistre le candidat et ses propri\u00e9t\u00e9s. Le \u00ab feedback de transition \u00bb relie en outre le changement effectu\u00e9 \u00e0 l'\u00e9tat initial, au nouveau r\u00e9sultat et \u00e0 la diff\u00e9rence entre les propri\u00e9t\u00e9s avant et apr\u00e8s.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">TRACE remplace-t-il les \u00e9valuations r\u00e9elles ?<\/summary>\n<div class=\"td-faq-content\">\n<p>Non. Les effets pr\u00e9vus sont utilis\u00e9s pour le classement. La m\u00e9moire de transition n'est mise \u00e0 jour qu'avec le r\u00e9sultat r\u00e9el de l'oracle apr\u00e8s l'ex\u00e9cution et l'\u00e9valuation de la modification.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Dans quelle mesure le taux de r\u00e9ussite moyen macro a-t-il progress\u00e9 ?<\/summary>\n<div class=\"td-faq-content\">\n<p>Dans les comparaisons contr\u00f4l\u00e9es, ce taux est pass\u00e9 de 18,13 % \u00e0 25,96 % avec Qwen et de 25,39 % \u00e0 28,74 % avec Mistral. Les gains variaient selon les t\u00e2ches et n'ont pas \u00e9t\u00e9 observ\u00e9s dans toutes les configurations.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Pourquoi est-il \u00e9galement n\u00e9cessaire de mener une exploration globale des LLM ?<\/summary>\n<div class=\"td-faq-content\">\n<p>La recherche locale se limite aux variations disponibles autour de candidats d\u00e9j\u00e0 connus. Les propositions globales permettent d'explorer de nouvelles compositions et familles au-del\u00e0 de cet espace.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Quels types de modifications la version actuelle prend-elle en charge ?<\/summary>\n<div class=\"td-faq-content\">\n<p>Il s'agit principalement de remplacements d'\u00e9l\u00e9ments d'un m\u00eame groupe pr\u00e9servant la structure, avec des filtres de s\u00e9curit\u00e9 et de d\u00e9tection des doublons. Il ne prend pas encore en charge les lacunes, la reconstruction du r\u00e9seau cristallin ni les changements structurels \u00e0 grande \u00e9chelle.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Ce travail d\u00e9montre-t-il que les mat\u00e9riaux sont viables en laboratoire ?<\/summary>\n<div class=\"td-faq-content\">\n<p>Non. Il s'agit d'un test de performance en recherche informatique utilisant des donn\u00e9es de r\u00e9f\u00e9rence et des oracles de substitution. La synth\u00e8se physique et la validation exp\u00e9rimentale constituent une \u00e9tape distincte.<\/p>\n<\/div>\n<\/details>\n<details class=\"td-faq-item\">\n<summary class=\"td-faq-title\">Quelle est la mati\u00e8re fondamentale pour les agents IA en entreprise ?<\/summary>\n<div class=\"td-faq-content\">\n<p>Lorsque le retour d'information est pr\u00e9cis et que les objectifs sont multiples, il faut enregistrer l'impact de chaque action par KPI, pr\u00e9server les contraintes d\u00e9j\u00e0 satisfaites et n'alimenter la m\u00e9moire qu'avec des r\u00e9sultats v\u00e9rifi\u00e9s.<\/p>\n<\/div>\n<\/details>\n<\/div>\n<\/section>\n<div class=\"td-source-list\">\n<p id=\"piges\" class=\"td-source-list-title\">Sources d'information<\/p>\n<ul>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2608.23631\" target=\"_blank\" rel=\"noopener\">TRACE : Contr\u00f4le r\u00e9siduel tenant compte des transitions pour la d\u00e9couverte de mat\u00e9riaux \u00e0 objectifs multiples<\/a><\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2510.22503\" target=\"_blank\" rel=\"noopener\">Acc\u00e9l\u00e9rer la conception des mat\u00e9riaux gr\u00e2ce \u00e0 la recherche \u00e9volutive guid\u00e9e par les grands mod\u00e8les de langage (LLEMA)<\/a><\/li>\n<li><a href=\"https:\/\/www.nist.gov\/itl\/ai-risk-management-framework\" target=\"_blank\" rel=\"noopener\">Cadre et guide de gestion des risques li\u00e9s \u00e0 l'IA du NIST<\/a><\/li>\n<\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>TRACE montre comment la m\u00e9moire des transitions aide les agents IA \u00e0 tirer des enseignements de chaque changement valid\u00e9 et \u00e0 optimiser plusieurs objectifs sans perdre le contr\u00f4le.<\/p>","protected":false},"author":1,"featured_media":111704,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"_gspb_post_css":"","footnotes":""},"categories":[199],"tags":[6506,9225,21333,21332,21334],"class_list":["post-98924","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-techniti-noimosyni","tag-ai-agents","tag-llm","tag-trace","tag-anakalypsi-ylikon","tag-epistimoniki-kainotomia"],"_links":{"self":[{"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/posts\/98924","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/comments?post=98924"}],"version-history":[{"count":0,"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/posts\/98924\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/media\/111704"}],"wp:attachment":[{"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/media?parent=98924"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/categories?post=98924"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/twodots.gr\/fr\/wp-json\/wp\/v2\/tags?post=98924"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}