顆粒材料（如砂土、粉體、藥粒等）的宏觀流動行為，深受微觀顆粒之間接觸歷史的影響。要對崩塌、流動等動力過程做可信的長時間模擬，必須準確記錄接觸何時形成、斷裂與重組。然而，學習式圖網絡模擬器在處理這種動態接觸圖時，往往不知道該把「時間記憶」放在哪裏。現有方法如 GNS 或 NMGNS 多數把狀態編碼進節點特徵或節點層級的記憶中；接觸一旦重建，舊的接觸信息就可能被沖掉或混在一起。
TRACE 的設計出發點正是把這個順序倒過來：不要讓節點承擔所有歷史，而是把交互歷史直接寫在接觸邊上。每條邊攜帶一個持續更新的記憶單元，由注意力機制驅動的消息傳遞和門控循環單元（GRU）負責寫入新信息；當顆粒分離、新的接觸出現、或接觸圖重新排列時，一個「邊身份字典」會追蹤原本的邊並保留其對應記憶，使得記憶不會因為圖拓撲改變而失去連接。解碼端按照物理結構設計：先預測每對顆粒間的法向力與切向力，再以庫侖摩擦錐對切向力施加約束，同時保證內力等大反向，因此輸出的接觸力在力學上具有一致性。
訓練流程也刻意對應「先學一步、再學長程」的策略。模型先以單步預測損失做預訓練，之後在自迴歸展開的軌跡上微調，讓它學習如何在長時間內維持穩定。論文的實驗選在二維與三維的顆粒柱坍塌（column collapse）基準上進行。結果顯示，TRACE 在兩種維度都能給出穩定且物理上合理的長時間軌跡，不僅重現了最終堆積物的外形，也能捕捉坍塌過程釋放的動能曲線。
與基線相比，量化優勢非常明顯。在一系列實驗中，TRACE 相對於 GNS 與 NMGNS 把長期軌跡的位置誤差降低了 31–62%，最終堆積誤差降低了 58–89%，而且使用的參數量更少，並將粒子相互貫穿的程度維持在接近零。另一方面，高精度的參考解通常需要用到物質點法（MPM），而 TRACE 在二維比 MPM 快 12.2 倍、在三維快 8.9 倍，使得它既能貼近物理，又保有學習式模擬器在速度上的實用性。
這篇論文由 Changjian Zhou 與其他五位作者共同完成（共六位作者），於 2026 年 9 月 2 日提交至 arXiv，編號為 arXiv:2609.02991，分類分別是 cs.LG、math.NA 與 stat.ML，並已取得 arXiv 分配的 DOI 鏈接（DataCite 註冊待完成）。作者也將代碼公開在 GitHub 上的 Data-Driven-Computational-Geotechnics/TRACE 存儲庫中，供後續研究重現與延伸。