TRACE: новый фреймворк повышает эффективность ИИ-агентов при поиске материалов
В препринте на arXiv описан новый фреймворк TRACE (Transition-Aware Residual Control) для улучшения ИИ-агентов, используемых при открытии материалов. Разработка решает проблему мультиобъективного поиска, когда агент на основе больших языковых моделей ищет вещества с несколькими целевыми свойствами одновременно.
Существующие агенты запоминают только оценки кандидатов, но не сохраняют информацию о том, какие именно правки привели к изменению свойств. Это затрудняет локальную оптимизацию, особенно когда цели конкурируют: улучшение одного свойства может ухудшить другое.
TRACE предлагает подход, в котором каждая правка становится базовой единицей обратной связи. Фреймворк записывает переходы вида «родитель-правка-ребенок» вместе с наблюдаемыми изменениями свойств. Затем эти данные агрегируются для оценки переиспользуемых эффектов правок.
При выборе следующего шага TRACE ранжирует правки по их прогнозируемой способности сократить количество нарушенных ограничений у текущего кандидата, не нанося ущерб уже достигнутым целям. Такой подход позволяет более эффективно использовать дорогостоящие оценки свойств каждого материала.
В контролируемом сравнении с той же базовой моделью TRACE превзошел LLEMA (современный базовый агент), повысив macro-average hit rate с 18,13% до 25,96%. Это означает рост примерно на 43% относительного улучшения точности поиска.
Метод особенно актуален для задач поиска новых материалов с заданными характеристиками, где каждая экспериментальная или вычислительная проверка обходится дорого. Учёт промежуточных шагов позволяет агенту учиться на каждой попытке, ускоряя итеративный процесс и снижая затраты на полный перебор вариантов.
Авторы подчёркивают, что TRACE совместим с различными базовыми моделями и может быть интегрирован в существующие пайплайны материаловедения. Дальнейшие исследования могут расширить применение фреймворка на другие области мультиобъективной оптимизации.
