TRACE：面向多目标材料发现的过渡感知残差控制

用LLM智能体做多目标材料发现，其限制往往不仅在于能提出多少候选材料，还在于每一次昂贵的性质评估能在多大程度上启发下一步搜索。现有智能体主要存储已评估候选及其得分，因此它们知道哪些材料成功，却不知道哪些可执行的编辑引起了有用的性质变化。当多个目标相互竞争、一处编辑改善某一性质却可能损害另一性质时，这使局部精化变得困难。我们提出TRACE，一个过渡感知的残差控制框架，把已评估的编辑作为反馈的基本单元。TRACE将每次局部精化记录为父子编辑过渡并附观测到的性质增量，聚合过渡证据以估计可复用的编辑效应，并依据其对“减少当前候选剩余约束违反、同时避免损害已满足目标”的预测能力对未来编辑排序。在同骨干受控比较中，TRACE优于最先进的LLM智能体基线LLEMA，将宏平均命中率从18.13%提升到25.96%。