カン・チョウ (Kang Zhou) 氏らの研究チームは8月22日(現地時間)、多目的材料発見における大規模言語モデル（LLM）エージェントが直面する課題に対処するため、新しいフレームワーク「TRACE (Transition-Aware Residual Control)」を提案した。この提案は、arXiv cs.AIで公開された論文で詳細が発表されたもの。既存エージェントが、材料の編集が引き起こす特性の変化を具体的に認識できないという問題を、TRACEは評価された編集をフィードバックの基本単位として扱うことで克服し、複数の目標が競合する状況下での局所的改良の困難を解消することを目指す。
TRACE (Transition-Aware Residual Control) は、大規模言語モデル (LLM) エージェントが多目的材料発見プロセスで直面する主要な課題に焦点を当てて開発された。従来のLLMエージェントは、材料候補の全体的な成功または不成功を判断できるものの、どのような具体的な編集が望ましい特性変化を引き起こしたかを特定できないという問題があった。特に、電気伝導率と熱安定性のように複数の目標が競合する場合、特定の目標に沿った局所的な改良を効果的に実行することが困難であった。
この課題に対し、TRACEは材料の構造を微細に調整する「編集」を最小単位として捉える。各局所的な改良を「親-編集-子」という形式のデータとして記録し、これに観察された特性の変化（プロパティデルタ）を紐付ける。これにより、個々の編集が材料特性に与える影響を明確に把握することが可能となる。このアプローチは、LLMエージェントが単に全体の結果を評価するだけでなく、具体的な改善策とその効果を学習する基盤を提供する。
TRACEの核となるメカニズムは、集約された遷移エビデンスに基づいて、再利用可能な編集効果を推定する点にある。システムは過去の成功した編集パターンとその具体的な効果を学習し、これを将来の編集案の生成と評価に活用できる。具体的には、新しい編集案が提示された際、TRACEは現在の材料候補が抱える残りの制約違反をどの程度低減できるか、そして、既に達成されている他の目標を損なうことなく改良をもたらすかという予測能力に基づいて、その編集案をランク付けする。これにより、LLMエージェントはより戦略的かつ効率的に材料探索を進めることが可能になる。
研究チームは、TRACEの有効性を検証するため、最先端のLLMエージェントのベースラインである「LLEMA」を比較対象とした制御された実験を実施した。実験の結果、TRACEはマクロ平均ヒット率においてLLEMAの18.13%に対し25.96%を達成し、有意な性能向上を示した。この成果は、LLMエージェントを用いた材料探索において、個々の編集とその効果に着目するアプローチが、多目的最適化の複雑な課題を解決する上で強力な手段となる可能性を示唆している。
参考: arXiv cs.AI — 2026年8月27日 13:00 (JST)