总览 · ← 返回运行 20261002-202908-search-t1-scr-C

节点 n52 终选程序?按该运行锁定的规则最终选出的程序；可能是候选节点，也可能由护栏回退到基线。在终选来历上

改了什么

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 0f72d57c9e: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 3d0c226e44。改动的文件：solution/METHOD.md +7 −6、solution/run.py +33 −11

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 88bee6e..24d263f 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,8 +1,9 @@ ## 改了什么-从 ot_moscot（Waddington-OT 耦合 + 重心位移外推）完全替换为 stochastic_bridge 方向的最小实现：在联合 PCA 空间中训练 Schrödinger 桥条件流匹配（[SF]²M, Tong et al. 2024）的速度场 v(z,t)，路径为 x_t=(1-t)x0+t·x1+σ√(t(1-t))ε，条件速度 u_t=(x1-x0)+σ(1-2t)/(2√(t(1-t)))ε。训练 600 步小型 MLP（128 hidden, SiLU），随机配对。推理时取 t=1 处的漂移，乘以阻尼系数 α=0.7·dt_out/dt_in 推进，加 σ_out·√α 的受控噪声维持扩散。解码：PCA 位移→HVG 基因空间（乘 components 和 sd），只加在非零条目上（addnz），夹到 ≥0。单输入阶段退化为生长加权重抽样复制。机制对照通过环境变量 SB_MECHANISM 实现：full（默认，漂移+噪声）、det（σ=0 确定性 CFM）、noise_only（无漂移只加噪声）。+相对父节点（49，[SF]²M 最小实现）的全部改动：(1) 输出噪声从 PCA 各向同性改为按 last stage 经验协方差矩阵的 Cholesky 分解采样（COV_REG=0.05 正则化），同时保持细胞多样性和基因间协变结构；(2) NOISE_OUT 从 0.3 调为 0.22（第 0 轮 0.08 导致 cell_state 降至 58.85，第 1 轮 0.18 为 60.47，逐步回调）；(3) 推理时刻从 t=1 改为 t=1-T_EPS=0.98，落在训练分布内；(4) 每基因位移限幅 ±1 sd（CLIP_SD=1.0），防止主 PC 大幅位移淹没 DE 基因；(5) 训练配对从随机改为 minibatch OT（linear_sum_assignment），步数 600→1200，batch 256→128；(6) ALPHA 从 0.7 提到 0.85，补偿降低噪声后的方向信号强度。 ## 用到的知识与出处-- Tong A. et al. Simulation-free Schrödinger bridges for score and flow matching. arXiv:2307.03672 (2024)：[SF]²M 条件流匹配公式、熵正则桥路径。-- 知识条目 k034（torchcfm / OT-CFM / SF2M）：PCA 空间训练、解码加回残差、proxy 单阶段退化策略。-- 方向库 stochastic_bridge 条目：最小实现要求（固定小 σ、t=1 局部漂移推一小步、解码后加回残差）、失败方式（桥外延续是额外假设）、对照设计（σ=0 与纯噪声）。-- 父节点 ot_moscot 的 addnz 解码策略（G37 在 X3 上验证）和生长加权重抽样（WOT birth-death 模型, Schiebinger 2019）。-- 通用知识：无禁窗阶段数据；增殖/凋亡基因列表来自 moscot（阶段无关的基因功能注释）。+- 父节点 ANALYSIS next_suggestions：NOISE_OUT 扫描、推理时刻修正、每基因限幅、OT 配对。+- 第 0 轮反馈：NOISE_OUT=0.08 时 cell_state 大幅下降，需回调；第 1 轮 0.18 各向异性噪声（pc_std 缩放）部分恢复。+- 经验协方差噪声：用数据自身的协方差结构生成噪声是保持分布形状的标准做法（multivariate normal sampling），同时服务 cell_state（多样性）和 covariation（相关性保持）。+- Tong A. et al. (arXiv:2302.00482)：OT-CFM minibatch OT 配对。+- 知识条目 k034：PCA 空间训练、解码策略。+- 方向库 stochastic_bridge：推理在训练分布内取值。diff --git a/solution/run.py b/solution/run.pyindex 4f70ea5..cdbfc63 100644--- a/solution/run.py+++ b/solution/run.py@@ -37,14 +37,16 @@ from src.task1_temporal.view_io import load_manifest, panel_genes, target_n_cell N_HVG = 2000 N_PCS = 30 SIGMA = 0.5-N_TRAIN_STEPS = 600+N_TRAIN_STEPS = 1200 LR = 1e-3 HIDDEN = 128-ALPHA = 0.7-NOISE_OUT = 0.3+ALPHA = 0.85+NOISE_OUT = 0.22 N_THREADS = 8 GROWTH = True T_EPS = 0.02+CLIP_SD = 1.0+COV_REG = 0.05   def weighted_rows(w: np.ndarray, n: int, rng: np.random.Generator) -> np.ndarray:@@ -74,6 +76,14 @@ def build_velocity_net(d: int, hidden: int):     return VNet()  +def _ot_pair(a: np.ndarray, b: np.ndarray) -> np.ndarray:+    from scipy.spatial.distance import cdist+    from scipy.optimize import linear_sum_assignment+    C = cdist(a, b, metric="sqeuclidean")+    _, col_ind = linear_sum_assignment(C)+    return col_ind++ def train_bridge(Z0: np.ndarray, Z1: np.ndarray, sigma: float, n_steps: int,                  lr: float, hidden: int, seed: int):     import torch@@ -86,13 +96,19 @@ def train_bridge(Z0: np.ndarray, Z1: np.ndarray, sigma: float, n_steps: int,     x0 = torch.from_numpy(Z0.astype(np.float32))     x1 = torch.from_numpy(Z1.astype(np.float32))     n0, n1 = x0.shape[0], x1.shape[0]-    bs = min(256, n0, n1)+    bs = min(128, n0, n1)+    pool_size = min(bs * 2, n1)      for step in range(n_steps):-        i0 = torch.randint(0, n0, (bs,))-        i1 = torch.randint(0, n1, (bs,))-        a = x0[i0]-        b = x1[i1]+        step_rng = np.random.default_rng(seed * 100000 + step)+        i0 = torch.randint(0, n0, (bs,)).numpy()+        pool_idx = step_rng.choice(n1, size=pool_size, replace=False)+        a_np = Z0[i0]+        b_pool = Z1[pool_idx]+        j1 = _ot_pair(a_np, b_pool)+        i1 = pool_idx[j1]+        a = x0[torch.from_numpy(i0)]+        b = x1[torch.from_numpy(i1)]         t = torch.empty(bs, 1).uniform_(T_EPS, 1.0 - T_EPS)         eps = torch.randn(bs, d)         st = torch.sqrt(t * (1.0 - t))@@ -155,19 +171,25 @@ def main() -> None:     net.eval()      z_last = torch.from_numpy(Zl[rows].astype(np.float32))-    t_one = torch.ones(z_last.shape[0], 1)+    t_eval = torch.full((z_last.shape[0], 1), 1.0 - T_EPS)     with torch.no_grad():-        drift = net(z_last, t_one).numpy()+        drift = net(z_last, t_eval).numpy()      alpha = ALPHA * dt_out / dt_in     dz = drift * alpha      if mechanism == "full":-        dz += rng.standard_normal(dz.shape).astype(np.float32) * NOISE_OUT * np.sqrt(alpha)+        cov = np.cov(Zl, rowvar=False).astype(np.float32)+        cov += COV_REG * np.eye(N_PCS, dtype=np.float32)+        L = np.linalg.cholesky(cov).astype(np.float32)+        dz += (rng.standard_normal(dz.shape).astype(np.float32)+               @ L.T * NOISE_OUT * np.sqrt(alpha))      hvg = info["hvg"]     sd = info["sd"]     dX_hvg = (dz @ info["components"]) * sd+    clip_bounds = CLIP_SD * sd+    np.clip(dX_hvg, -clip_bounds, clip_bounds, out=dX_hvg)     step = np.zeros_like(X)     step[:, hvg] = dX_hvg     step[:, ~mask] = 0.0

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）。

没有记录调研来源。

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

native

审查员

REVIEW.json written

stream

Looking at the results: score improved to 52.61 (+0.32 over parent), with covariation and de_recovery gains but cell_state still below parent (60.47 vs 65.23). The key insight is that diagonal noise (even pc_std-scaled) doesn't preserve the full covariance structure. I'll use the empirical covariance of the last stage in PCA space for noise generation, which should simultaneously improve cell_state (more realistic spread) and covariation (preserved correlations).

<<<<<<< SEARCH
N_HVG = 2000
N_PCS = 30
SIGMA = 0.5
N_TRAIN_STEPS = 1200
LR = 1e-3
HIDDEN = 128
ALPHA = 0.8
NOISE_OUT = 0.18
N_THREADS = 8
GROWTH = True
T_EPS = 0.02
CLIP_SD = 1.0
=======
N_HVG = 2000
N_PCS = 30
SIGMA = 0.5
N_TRAIN_STEPS = 1200
LR = 1e-3
HIDDEN = 128
ALPHA = 0.85
NOISE_OUT = 0.22
N_THREADS = 8
GROWTH = True
T_EPS = 0.02
CLIP_SD = 1.0
COV_REG = 0.05
>>>>>>> REPLACE

<<<<<<< SEARCH
    if mechanism == "full":
        pc_std = Zl.std(axis=0).astype(np.float32)
        pc_std[pc_std == 0] = 1.0
        dz += (rng.standard_normal(dz.shape).astype(np.float32)
               * NOISE_OUT * np.sqrt(alpha) * pc_std)

    hvg = info["hvg"]
=======