تتقدم أبحاث اكتشاف المواد بشكل ملحوظ بفضل الابتكارات في مجال الذكاء الاصطناعي، وآخرها هو إطار TRACE (Transition-Aware Residual Control). يهدف هذا الإطار إلى تحسين فعالية الاقتراحات من خلال معالجة التعديلات والانتقالات بدقة أكبر.

تقليدياً، كانت عمليات الاكتشاف تعتمد على تخزين المرشحين الذين تم تقييمهم Scores، مما يعني أن الوكلاء كانوا يعرفون فقط أي المواد حققت النجاح دون معرفة التأثيرات التي أحدثتها التعديلات المقترحة. تكمن المشكلة في وجود أهداف متعددة، حيث يمكن أن يؤدي تحسين خاصية معينة إلى تلف خاصية أخرى.

يقدم إطار TRACE حلاً مبتكرًا يعالج هذه المسألة من خلال تسجيل كل تعديل محلي كعملية انتقائية مركّبة تشمل تعليمات الأب والأبناء مع ملاحظات عن التغيرات الخاصة بالخصائص. يتم تجميع الأدلة حول النزوح لإنتاج تقديرات عن التأثيرات القابلة لإعادة الاستخدام للتعديلات، مما يمكّن الباحثين من ترتيب التعديلات المستقبلية بناءً على قدرتها المتوقعة على تقليل الانتهاكات الحالية للقيود.

وفي دراسة مقارنة مضبوطة، أظهر إطار TRACE أداءً متفوقًا على LLEMA، النموذج القياسي المتقدم للذكاء الاصطناعي، من خلال زيادة معدل النجاح من 18.13% إلى 25.96%. هذا الإنجاز يمثل خطوة مهمة نحو تحسين فعالية عمليات البحث في مجال اكتشاف المواد.