总览 · ← 返回运行 20261002-202907-search-t1-scr-A

节点 n21

manifold_ode 改进：外推积分每个 RK4 子步后向 E9.5 观测潜流形做 kNN(K=5) 锚定投影（blend α）；实测 α>0 均不涨分且 α≥0.3 显著变差，提交默认 α=0（逐位复现父节点 node 18），阴性结果如实报告。

方法说明?节点程序自带的 METHOD.md：这个程序做了什么、为什么。

来自 programs.git 03359bdc9f:solution/METHOD.md

调研员的计划

代码改动?这个节点的程序和父节点程序的逐行差别：绿色是新增，红色是删除。

对比：父节点版本 3029342b48。改动的文件：solution/METHOD.md +32 −31、solution/run.py +33 −10

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 5b16bbc..67d6a82 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,45 +1,46 @@-manifold_ode：25维PCA潜空间里训练小型非自治MLP速度场v(z,t)（Sinkhorn分布匹配+kNN流形约束），从最后输入阶段阻尼外推(γ)到目标，解码时潜空间位移只加到原细胞非零HVG位置。+manifold_ode 改进：外推积分每个 RK4 子步后向 E9.5 观测潜流形做 kNN(K=5) 锚定投影（blend α）；实测 α>0 均不涨分且 α≥0.3 显著变差，提交默认 α=0（逐位复现父节点 node 18），阴性结果如实报告。  ## 方法（family_id = manifold_ode，按 PLAN 实现） -- 表示：两输入阶段合并 → top-2500 HVG → PCA(25) → 每维按全局std归一化得 z。-- 速度场：MLP [64,64] tanh，输入 (z,t)，末层权重×0.01 初始化（初始≈恒等）。非自治（t 显式输入）。-- 训练：300 步 Adam(1e-3)，batch 512；RK4 4步从 t=0 积分到 t=1；损失 = debiased Sinkhorn(eps=0.05², 30 iters, 纯 torch 实现——本环境 geomloss 的 multiscale/tensor backend 均损坏) + λ_kin·mean‖v‖² (λ_kin=0.1) + λ_man·0.01·mean‖z_pred − mean(3NN in E9.5 latent)‖² (λ_man=0.5，kNN 流形约束，MIOFlow 启发的机制)。-- 外推：最后阶段细胞从 t=1 积分到 t_end = 1 + (t_target − t_last)/(t_last − t_first)（只用时间差，视图无关；X3 上 t_end=3），位移乘阻尼 γ=0.5。-- 解码：x_final = x_last + clip 到非零掩码的 (V^T·Δz)，clip≥0；非HVG列原样复制最后阶段。输出细胞 = 从最后阶段无放回抽样 max_cells 个（rng(seed)）。-- 单输入阶段退路：copy_last。-- 确定性：np.random.default_rng(seed) + torch.manual_seed(seed)，torch.set_num_threads(1)（多线程下 logsumexp 有严重线程争用，单线程反而快 25 倍）。CPU 运行，EXECUTION.json gpu=false，全程 <2 min。+在父节点（node 18）管线上只改 `integrate()`：外推积分（t=1→t_end，X3 上 t_end=3）的每个 RK4 子步后，用父节点已建好的 `cKDTree(z1)`（最后输入阶段的标准化 PCA 潜表示）查 PROJ_K=5 近邻，做 -## 关闭机制对照（mechanism_off_control）+    z ← (1−α)·z + α·mean(kNN(z in z1)) -`MECH_OFF=1` 环境变量：v(z,t) 换成常向量 (mean z_last − mean z_first)，λ_man=0，跳过训练，其余管线（积分、γ、解码）完全相同。提交默认打开机制（MECH_OFF 未设）。+训练阶段（t=0→1）的积分不投影。解码、非零掩码、clip≥0、γ=0.5 阻尼、非 HVG 列照抄、单输入 copy_last 退路均与父节点完全相同。α 由环境变量 `PROJ_ALPHA` 控制，**提交默认 α=0**（跳过投影分支，输出与父节点逐位一致，实测 maxdiff=0.0）。++## 查分结果（X3 A 半，seed 0，共 5 次） -X3 A半查分（seed 0）： | 配置 | board | cell_state | covariation | de_recovery | direction | |---|---|---|---|---|---|-| ODE γ=0.5, λ_man=0.5（提交默认） | **48.10** | 45.82 | 49.35 | 48.62 | 49.33 |-| ODE γ=0.3 | 48.15 | 47.36 | 49.00 | 47.32 | 49.23 |-| ODE γ=0.7 | 47.71 | 44.21 | 49.66 | 48.62 | 49.45 |-| ODE γ=0.2 | 47.83 | 48.11 | 48.82 | 45.30 | 49.22 |-| off-control 常数位移 γ=0.5 | 47.32 | 48.34 | 48.08 | 43.80 | 49.00 |-| copy_last 参考 | 47.62 | 49.51 | 48.59 | 43.09 | 49.12 |+| α=0（=父节点，提交默认） | 47.96* | 45.33 | 48.94 | 49.12 | 49.17 |+| α=0.1 | 47.96 | 45.47 | 49.17 | 48.62 | 49.32 |+| α=0.3 | 47.29 | 45.34 | 48.77 | 46.49 | 49.24 |+| α=0.5 | 46.76 | 45.43 | 48.41 | 44.54 | 49.27 |+| MECH_OFF=1 + α=0.3（族级对照） | 46.63 | 46.34 | 48.04 | 43.44 | 49.03 |++*α=0 未单独查分：本地验证与父节点输出逐位相同（maxdiff=0.0），父节点正式分 47.96。++结论：cell_state 在全部 α 下无 >2 分变化（PLAN 的目标组未修复）；de_recovery 随 α 单调恶化（α=0.3 时 −2.6，触发 PLAN 风险 1 的放弃条件）；总分无一超过父节点。α≥0.3 时投影反而把细胞推离流形（见下），说明外推段速度场在 t>1（训练范围外）行为任意，逐子步投影与野速度场耦合后放大偏移而非抑制。α=0.1 与 α=0 差异在噪声内（<2 分），按本 run 教训不作为进步，提交取 α=0。++## 机制生效证据（MECHANISM_EVIDENCE，seed 0）++投影确实在动、且逐细胞非常数：+- proj_disp_norm_std（投影前后逐细胞位移范数 std）：α=0.1 为 0.140，α=0.3 为 0.322，α=0.5 为 0.446（均 >0，非全局常数位移）。+- frac_closer_manifold（投影后比自由积分更靠近 E9.5 流形的细胞比例）：α=0.1 为 **0.71**（机制按设计方向生效），α=0.3 为 0.44、α=0.5 为 0.34（过强投影穿过流形，反而推远：nn_dist_mean α=0.1 时 1.041<1.068 自由，α=0.5 时 1.188>1.068）。+- Sinkhorn(预测云, E9.5 观测云)：α=0.1 时 619<651（自由），分布确实被拉近观测云；α=0.5 时 804>651。+- 四组分变化：direction 全部在 ±0.2（噪声内）；de_recovery 随 α 下降超噪声；cell_state/covariation 变化 <0.5，均低于 2 分噪声阈——即机制在几何上可验证地生效（α=0.1 全部三项几何指标符合 PLAN 预期），但**不转化为榜分增益**。 -## 机制生效证据（默认配置，seed 0）+## 对照（mechanism_off_control，按 PLAN） -- corr(逐细胞ODE位移, 常位移) = 0.67（<0.99，速度场确为位置依赖）；off-control 下 = 1.0000。-- 位移范数的细胞间 std = 0.557（常数位移为 ~2e-7）。-- frac_closer_manifold（ODE 比常数位移更靠近 E9.5 流形的细胞比例）= 0.47。-- 预测云均值 ODE vs off-control W2 差 = 0.40（>0，两者分布不同）。-- off-control 本身也验证过：其证据量退化为常数（std≈0, corr≈1, W2≈0），确认开关有效。-- 分数上：ODE(48.10) > off-control(47.32) 与 copy_last(47.62)，主要增益在 de_recovery（48.6 vs 43.8/43.1）和 covariation（49.35 vs 48.1/48.6）；差距 ~0.5–0.8 分，**小于 T1 ~2 分的噪声水平**，不能断言显著，只作方向性证据。+1. PROJ_ALPHA=0：跳过投影，其余管线不变，输出与父节点逐位一致（本地 maxdiff=0.0），cell_state 回到父节点 45.33 —— 关闭对照通过。+2. MECH_OFF=1 + PROJ_ALPHA=0.3（族级对照）：速度场换常向量但保留投影，46.63 < ODE+α=0.3 的 47.29，且 de_recovery 43.44 全场最低 —— 投影不能替代学习到的速度场，无独立正贡献。 -## 已验证 / 未验证+## 验证过 / 未验证 -- 已验证：X3 视图完整跑通 + vec-check ok；γ∈{0.2,0.3,0.5,0.7} 扫描（A半）；off-control 对照；单线程确定性（同 seed 重跑逐位一致，源于固定 rng/无全局随机依赖）。-- 未验证：λ_kin、λ_man 的扫描（预算内只完成 γ 轴）；final 视图（E8.5+E9.5→E10.5，双官方阶段）上的表现——本节点评分只含 X3；伪装视图重跑（程序只依赖数据与时间差，无路径/绝对时间分支，预期通过）。-- 生物学知识使用：无来自保留阶段/保留基因型的信息；方法为纯数据驱动的动力学外推。未读 external/（X3 视图挂的 external 恰是输入阶段本身，无额外信息）。未读 prior/。-- 弱点：cell_state 略低于 copy_last（外推使细胞云轻微偏离目标边缘分布）；direction 四组分 ~49，与全表其它节点一样卡在地板附近——单区间观测下方向信息本质上弱可辨。+- 验证过：α∈{0, 0.1, 0.3, 0.5} 的 X3 A 半查分；α=0 与父节点逐位一致；seed 确定性（α=0.3, seed 7 两次运行 maxdiff=0.0）；投影的几何效应（kNN 距离、Sinkhorn、逐细胞位移非常数）。+- 未验证：α∈(0, 0.1) 更细网格（α=0.1 已与 α=0 无差异，更小的 α 只会更接近父节点，无信息量）；PROJ_K 扫描（PLAN 固定 5）；T1 proxy/final（本节点分数只由 X3 决定；α=0 默认与父节点在任意视图行为一致）。+- 生物学知识来源：无新增。仅用父节点已有的通用表示学习/流形假设，不涉及保留阶段或保留基因型的任何测量信息；投影锚点全部来自视图内最后输入阶段的现场计算。 -## 下一步建议+## 给后续节点的判断 -1) λ_man 扫描（0/0.1/0.5/1.0）与 γ 交互；2) 解码时对预测细胞做按细胞型的组成保持重采样；3) 双输入时按型内局部 OT 耦合训练场（当前用全局 Sinkhorn，型间混合可能污染速度场）。+manifold_ode 家族的瓶颈不在外推漂移的几何锚定：分布层面把预测云拉回观测流形（α=0.1 时 Sinkhorn 619<651、71% 细胞更近流形）对 cell_state 无效（45.3→45.5，噪声内）。结合 node 18 的 γ 扫描（无趋势）与本节点的 α 扫描（单调不升），该家族在单观测区间外推下的 A 半天花板 ≈48，低于 best_seed 分支的 63.21。建议弃用本家族，回到 node 17/19/20 分支（分型均值外推 + 形状演化 + blend）继续改 covariation。diff --git a/solution/run.py b/solution/run.pyindex 9fe9288..3d2ea2e 100644--- a/solution/run.py+++ b/solution/run.py@@ -29,6 +29,8 @@ GAMMA = float(os.environ.get("GAMMA", "0.5")) KNN_MAN = 3 MECH_OFF = os.environ.get("MECH_OFF", "0") == "1" BLUR = 0.05+PROJ_ALPHA = float(os.environ.get("PROJ_ALPHA", "0"))+PROJ_K = int(os.environ.get("PROJ_K", "5"))   def read_h5ad(path):@@ -134,7 +136,14 @@ def main():     const_v = (z1.mean(axis=0) - z0.mean(axis=0))     const_v = torch.tensor(const_v, device=dev) -    def integrate(z, t0, t1, model, n_steps=4):+    def manifold_project(z):+        # kNN-anchored projection toward the observed last-stage latent manifold+        zp = z.cpu().numpy()+        _, idx = tree1.query(zp, k=PROJ_K)+        tgt = torch.tensor(z1[idx].mean(axis=1), device=z.device, dtype=torch.float32)+        return (1.0 - PROJ_ALPHA) * z + PROJ_ALPHA * tgt++    def integrate(z, t0, t1, model, n_steps=4, project=False):         h = (t1 - t0) / n_steps         t = t0         for _ in range(n_steps):@@ -143,6 +152,8 @@ def main():             k3 = vel(model, z + 0.5 * h * k2, t + 0.5 * h)             k4 = vel(model, z + h * k3, t + h)             z = z + (h / 6.0) * (k1 + 2 * k2 + 2 * k3 + k4)+            if project and PROJ_ALPHA > 0:+                z = manifold_project(z)             t = t + h         return z @@ -211,12 +222,16 @@ def main():     # -------- extrapolate last-stage cells to target --------     zlast = torch.tensor(z1, device=dev)     with torch.no_grad():-        zpred_full = integrate(zlast, 1.0, t_end, model, n_steps=4)+        # free (unprojected) integration: evidence baseline; == parent when PROJ_ALPHA=0+        zfree_full = integrate(zlast, 1.0, t_end, model, n_steps=4)+        zpred_full = (+            zfree_full if PROJ_ALPHA <= 0+            else integrate(zlast, 1.0, t_end, model, n_steps=4, project=True)+        )         disp = zpred_full - zlast         zpred = zlast + GAMMA * disp -        # off-control comparison / mechanism evidence-        zc = zlast + GAMMA * const_v * (t_end - 1.0)+        # mechanism evidence: projection vs free integration         ev = {}         dn = disp.cpu().numpy()         cn = (const_v * (t_end - 1.0)).cpu().numpy()@@ -227,13 +242,21 @@ def main():             ev["corr_vs_const"] = float(cc)         else:             ev["corr_vs_const"] = 1.0+        pdisp = (zpred_full - zfree_full).cpu().numpy()+        ev["proj_disp_norm_std"] = float(np.linalg.norm(pdisp, axis=1).std())         zp_np = zpred.cpu().numpy()-        zc_np = zc.cpu().numpy()-        d_ode, _ = tree1.query(zp_np, k=1)-        d_con, _ = tree1.query(zc_np, k=1)-        ev["frac_closer_manifold"] = float((d_ode < d_con).mean())-        from scipy.spatial.distance import cdist-        ev["w2_ode_vs_control"] = float(np.sqrt(((zp_np.mean(0) - zc_np.mean(0)) ** 2).sum()))+        zf_np = (zlast + GAMMA * (zfree_full - zlast)).cpu().numpy()+        d_proj, _ = tree1.query(zp_np, k=1)+        d_free, _ = tree1.query(zf_np, k=1)+        ev["frac_closer_manifold"] = float((d_proj < d_free).mean())+        ev["nn_dist_mean_proj"] = float(d_proj.mean())+        ev["nn_dist_mean_free"] = float(d_free.mean())+        m = min(512, zp_np.shape[0], z1.shape[0])+        sl = slice(0, m)+        ev["sink_proj_vs_z1"] = float(sink(+            torch.tensor(zp_np[sl]), tz1[sl]).item())+        ev["sink_free_vs_z1"] = float(sink(+            torch.tensor(zf_np[sl]), tz1[sl]).item())         print("MECHANISM_EVIDENCE", json.dumps(ev))      # -------- decode --------

调研来源?调研员查到并用到的知识条目和文献检索结果（只列标题和编号）。

用到的知识库条目

分析结果?分析员写的 ANALYSIS.json：改了什么、各组分数怎么变、假设是否成立、经验和下一步建议。

对话摘要?每个角色和大模型对话的统计：轮数、工具调用、用时、token 数和最后的回答摘录；原始记录只给路径。

只给统计和最后回答的摘录；完整对话请到原始记录位置里列出的文件看。

分析员

ANALYSIS.json written

工程师

完成。

**做了什么**：按 PLAN 在 node 18 (manifold_ode) 的外推积分中实现逐 RK4 子步的 kNN(K=5) 流形锚定投影，扫描 α∈{0, 0.1, 0.3, 0.5} 并跑了两级对照（PROJ_ALPHA=0 关闭对照 + MECH_OFF=1 族级对照）。

**查分结果**（X3 A 半，5 次）：α=0.1 → 47.96，α=0.3 → 47.29，α=0.5 → 46.76，off-control → 46.63，无一超过父节点 47.96。α=0.1 时机制几何上确实生效（71% 细胞更近流形、Sinkhorn 619<651），但 cell_state 仅 45.33→45.47（噪声内），de_recovery 随 α 单调恶化。提交默认 α=0，输出与父节点逐位一致（maxdiff=0.0），seed 确定性已验证，vec-check 通过，阴性结果如实写入 METHOD.md。

**下一步最值得试**：弃用 manifold_ode 家族（γ、α 两轴扫描均确认天花板 ≈48）；回到 node 17/19/20 分支（分型均值外推+形状演化，63.21），主攻 covariation（52.46，比 cell_state 87.92 低得多）。

调研员

": "manifold_ode: 外推阶段加流形锚定投影修 cell_state",
  "motivation": "node 18 cell_state 45.33 比 node 2 低 4.74（最大失分组），covariation 48.94 低 3.58。ANALYSIS 确认'外推使细胞云偏离目标边缘分布，不是调 γ 能修的'（γ∈{0.2,0.3,0.5,0.7} A 半总分 47.7–48.2 无趋势）。结构原因：kNN 流形约束仅在训练（E8.5→E9.5 运输）时生效，外推（E9.5→E10.5）阶段 ODE 自由积分、无流形约束，细胞漂离观测流形。node 14 的 blend（m=0.3 向 PC 重构收缩）在 lowrank_shape 管线上 cell_state +6.67，证明分布锚定是有效机制；本方案将同一原理以流形投影形式嵌入 ODE 外推积分。",
  "approach": "1) 保留父节点全部训练管线不变（Sinkhorn+kNN 流形约束+动能正则，300 步）。2) 外推积分（t=1→t_end）的每个 RK4 子步后，对潜空间位置做流形锚定投影：用父节点已建好的 cKDTree(z1) 查 PROJ_K=5 近邻，z←(1−PROJ_ALPHA)·z + PROJ_ALPHA·mean(kNN)。3) 解码、非零掩码、clip≥0、非 HVG 列照抄均不变。4) PROJ_ALPHA 默认 0.3，扫描{0.1, 0.2, 0.3, 0.5}；PROJ_K 固定 5 不扫（省时间）。5) PROJ_ALPHA=0 精确复现父节点（关闭对照）。6) 单输入退路不变：copy_last。7) vec-score 筛选：先跑 PROJ_ALPHA=0 验证与父一致（~48），再跑 0.3 看 cell_state；若 cell_state 提升>2 分再扫其余值，否则试 0.5；最后跑 MECH_OFF=1+PROJ_ALPHA=0.3（族级对照）。预计 5–7 次查分。8) 时间：cKDTree 查询 O(n·log n) 极快，总耗时仍 <2 min。",
  "expected_groups": ["cell_state", "covariation"],
  "risks": "1) 投影锚定到 E9.5 流形可能阻止 E10.5 的合法分布变化，导致 under-extrapolation（cell_state 不升反降）——Engineer 应在 PROJ_ALPHA=0.3 首查时同时看 cell_state 和 de_recovery，若 de_recovery 掉>2 分说明投影过强。2) 若 E10.5 与 E9.5 流形差距大，kNN 投影方向可能错误——此时应降 PROJ_ALPHA 到 0.1 或放弃。3) 30 分钟含实现+查分，实现应只改 integrate() 函数（<20 行），不重构管线。4) A 半与 B 半噪声~2 分，<2 分差异不能下结论。",
  "family_id": "manifold_ode",
  "mechanism": "在 ODE 外推积分的每个 RK4 子步后，将潜空间位置向最后输入阶段的观测流形做 kNN 锚定投影（blend），防止外推漂移。",
  "vs_constant_shift": "常数位移对所有细胞施加相同向量；本方案的 ODE 速度场是位置依赖的（已验证 corr=0.67≠1），且流形投影按每个细胞在流形上的局部邻域做不同修正，位移大小和方向随细胞位置变化。",
  "mechanism_evidence": "1) 投影前后逐细胞位移范数 std 应>0（非常数）；2) frac_closer_manifold（投影后比投影前更靠近 E9.5 流形的细胞比例）应显著>0.5；3) 投影后预测云与 E9.5 观测云的 W2 距离应小于投影前；4) cell_state 和 covariation 四组分各自变化应>2 分才算超噪声；5) 不同 PROJ_ALPHA 下 cell_state 应有非单调或单调趋势（非平坦）。",
  "mechanism_off_control": "PROJ_ALPHA=0 环境变量：跳过流形投影，外推积分自由进行，其余管线完全相同——输出应与父节点逐位一致（maxdiff=0）。族级对照 MECH_OFF=1+PROJ_ALPHA=0.3：速度场换常向量但保留投影，验证投影本身是否有独立贡献。预期：PROJ_ALPHA=0 时 cell_state 回到父节点 45.33；打开投影后 cell_state 应提升。",
  "sources": []
}
```