Forskere har udviklet en ny metode, der gør AI-agenter markant bedre til at opdage nye materialer med flere ønskede egenskaber. Metoden, kaldet TRACE, løser et grundlæggende problem: AI-agenter ved ofte, hvilke materialer der lykkes, men ikke hvilke konkrete ændringer der førte til succes. Det gør det svært at finjustere, når man skal forbedre én egenskab uden at ødelægge en anden.
TRACE ændrer tilgangen ved at behandle hver enkelt ændring som en selvstændig enhed af feedback. I stedet for kun at gemme resultaterne af hele eksperimenter, gemmer systemet også overgange fra et materiale til et andet – inklusive de observerede ændringer i egenskaber. På den måde kan agenten lære, hvilke redigeringer der faktisk virker, og bruge den viden til at prioritere fremtidige ændringer, der reducerer overtrædelser af krav uden at skade allerede opfyldte mål.
I en kontrolleret sammenligning med samme underliggende model forbedrede TRACE den gennemsnitlige hitrate fra 18,13 % til 25,96 % sammenlignet med LLEMA, den hidtil bedste AI-agentmetode. Det er en markant forbedring i en disciplin, hvor hvert eneste eksperiment er dyrt og tidskrævende.
For virksomheder og forskningsinstitutioner, der arbejder med materialedesign – for eksempel inden for batterier, katalysatorer eller avancerede legeringer – betyder det, at AI kan blive et mere effektivt værktøj til at navigere i komplekse afvejninger. I stedet for at bruge ressourcer på mange blinde eksperimenter kan agenten målrettet foreslå ændringer, der med større sandsynlighed fører til materialer, der opfylder flere krav samtidigt.
Metoden er beskrevet i et videnskabeligt paper på arXiv, hvor forskerne også forklarer de tekniske detaljer bag TRACE.
