颗粒材料（如砂土、粉体、药粒等）的宏观流动行为，深受微观颗粒之间接触历史的影响。要对崩塌、流动等动力过程做可信的长时间模拟，必须准确记录接触何时形成、断裂与重组。然而，学习式图网络模拟器在处理这种动态接触图时，往往不知道该把「时间记忆」放在哪里。现有方法如 GNS 或 NMGNS 多数把状态编码进节点特征或节点层级的记忆中；接触一旦重建，旧的接触信息就可能被冲掉或混在一起。
TRACE 的设计出发点正是把这个顺序倒过来：不要让节点承担所有历史，而是把交互历史直接写在接触边上。每条边携带一个持续更新的记忆单元，由注意力机制驱动的消息传递和门控循环单元（GRU）负责写入新信息；当颗粒分离、新的接触出现、或接触图重新排列时，一个「边身份字典」会追踪原本的边并保留其对应记忆，使得记忆不会因为图拓扑改变而失去连接。解码端按照物理结构设计：先预测每对颗粒间的法向力与切向力，再以库仑摩擦锥对切向力施加约束，同时保证内力等大反向，因此输出的接触力在力学上具有一致性。
训练流程也刻意对应「先学一步、再学长程」的策略。模型先以单步预测损失做预训练，之后在自回归展开的轨迹上微调，让它学习如何在长时间内维持稳定。论文的实验选在二维与三维的颗粒柱坍塌（column collapse）基准上进行。结果显示，TRACE 在两种维度都能给出稳定且物理上合理的长时间轨迹，不仅重现了最终堆积物的外形，也能捕捉坍塌过程释放的动能曲线。
与基线相比，量化优势非常明显。在一系列实验中，TRACE 相对于 GNS 与 NMGNS 把长期轨迹的位置误差降低了 31–62%，最终堆积误差降低了 58–89%，而且使用的参数量更少，并将粒子相互贯穿的程度维持在接近零。另一方面，高精度的参考解通常需要用到物质点法（MPM），而 TRACE 在二维比 MPM 快 12.2 倍、在三维快 8.9 倍，使得它既能贴近物理，又保有学习式模拟器在速度上的实用性。
这篇论文由 Changjian Zhou 与其他五位作者共同完成（共六位作者），于 2026 年 9 月 2 日提交至 arXiv，编号为 arXiv:2609.02991，分类分别是 cs.LG、math.NA 与 stat.ML，并已取得 arXiv 分配的 DOI 链接（DataCite 注册待完成）。作者也将代码公开在 GitHub 上的 Data-Driven-Computational-Geotechnics/TRACE 存储库中，供后续研究重现与延伸。