งานวิจัยนี้เปิดตัว TRACE (Transition-Aware Residual Control) ซึ่งเป็นแนวทางใหม่ในการใช้ LLM Agent สำหรับการค้นพบวัสดุศาสตร์ โดยปกติแล้วระบบ AI มักจะเก็บข้อมูลเฉพาะวัสดุที่ผ่านการประเมิน แต่ไม่ได้บันทึกว่าการแก้ไขในส่วนใดที่ทำให้เกิดการเปลี่ยนแปลงของคุณสมบัติวัสดุนั้นๆ TRACE จึงเข้ามาแก้ปัญหานี้ด้วยการบันทึกการเปลี่ยนแปลงในรูปแบบ "parent-edit-child" เพื่อวิเคราะห์ผลลัพธ์จากการแก้ไข (property deltas) ในแต่ละขั้นตอน
จากการทดสอบเปรียบเทียบกับโมเดลพื้นฐานอย่าง LLEMA พบว่า TRACE สามารถเพิ่มอัตราความสำเร็จ (macro-average hit rate) จาก 18.13% เป็น 25.96% โดยระบบสามารถจัดลำดับความสำคัญของการแก้ไขวัสดุได้ดีขึ้น ช่วยลดโอกาสที่จะทำให้คุณสมบัติอย่างหนึ่งดีขึ้นแต่ไปทำลายคุณสมบัติอีกอย่างหนึ่ง ซึ่งเป็นปัญหาหลักในการค้นหาวัสดุที่มีข้อจำกัดหลายด้าน
