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

节点 n75

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 11f35ee6ee: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 5c6b691c30。改动的文件：solution/METHOD.md +11 −13、solution/run.py +7 −57

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 09b15c8..5b13aa2 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,15 +1,13 @@ ## 改了什么-相对父节点（ot_moscot 种子）的全部改动：-1. 保留原始重心位移步长（step_bary）作为主体，保持其在 covariation 和 de_recovery 上的优势。-2. 新增 OT-CFM 速度场（2 隐层 64 单元 MLP，1000 步训练），在 PCA 空间积分得到每细胞的位移，解码回基因空间（仅 HVG 基因），作为修正项。-3. 最终步长 = step_bary + 0.25 × step_cfm。混合权重 0.25 足够小，不会破坏基因间共变结构，但能提供状态相关的方向修正。-4. 第 0 轮纯 CFM 解码（无 barycentric 基底）导致 covariation/de_recovery 暴跌（只改 HVG）；第 1 轮用 CFM 模长比值做缩放太噪声（47.79）。本轮改为加性混合：barycentric 提供全基因结构，CFM 提供方向修正。-5. 模型简化为 2 隐层（减少过拟合），FM_SIGMA=0（无噪声路径），积分 5 步。-+相对父节点（node 73，CFM加性混合）的全部改动：+1. 完全移除OT-CFM速度场分支（3轮实验证明CFM修正在t>1外推区间无可靠DE方向信息，使de_recovery掉3.10超噪声）。+2. 回到纯barycentric位移方案。+3. K_SMOOTH恢复为30（第0轮K_SMOOTH=20使cell_state从50.34降至48.17）。+4. LAMBDA恢复为1.0（第1轮LAMBDA=1.25使cell_state暴跌至42.03，过度外推破坏细胞身份）。+5. EPSILON从1e-3降至5e-4：更小的正则化使OT耦合更确定性（更接近硬分配），每个细胞的祖先重心更精确，预期改善direction和de_recovery，同时不影响cell_state（步长幅度不变，只是方向更准）。 ## 用到的知识与出处-- Tong et al., OT-CFM, arXiv:2302.00482：minibatch OT 配对训练条件流匹配。-- Lipman et al., Flow Matching, arXiv:2210.02747：流匹配框架。-- torchcfm 1.0.7（MIT）：ExactOptimalTransportConditionalFlowMatcher。-- 知识条目 k034、k009：PCA 空间工作、解码保持残差、两时间点外推需阻尼。-- Schiebinger et al., Cell 2019（WOT）：非平衡熵 OT 耦合、生长先验。-- 知识条目 k031：moscot TemporalProblem。+- 知识条目k031：moscot TemporalProblem、Waddington-OT非平衡熵耦合；epsilon控制耦合的熵正则化强度。+- Schiebinger et al., Cell 2019（WOT）：增殖/凋亡先验生长率。+- 父节点ANALYSIS的lessons：CFM不可行；LAMBDA网格{0.75, 1.0, 1.25}中1.25已证伪。+- 第0轮反馈：K_SMOOTH=20损害cell_state。+- 第1轮反馈：LAMBDA=1.25严重损害cell_state（42.03 vs 基线50.07）。diff --git a/solution/run.py b/solution/run.pyindex 21c746a..212e91b 100644--- a/solution/run.py+++ b/solution/run.py@@ -37,25 +37,18 @@ import numpy as np  sys.path.insert(0, str(Path(__file__).resolve().parent)) from g37_common import embed, growth_rates, knn_mean, stage_pair  # noqa: E402-from torchcfm.conditional_flow_matching import ExactOptimalTransportConditionalFlowMatcher  # noqa: E402  from src.task1_temporal.view_io import load_manifest, panel_genes, target_n_cells, write_prediction  # noqa: E402  N_HVG = 2000 N_PCS = 30-EPSILON = 1e-3+EPSILON = 5e-4 TAU_A = 0.95 TAU_B = 1.0 K_SMOOTH = 30 LAMBDA = 1.0 GROWTH = True N_THREADS = 8-FM_HIDDEN = 64-FM_STEPS = 1000-FM_LR = 1e-3-FM_INTEGRATE_STEPS = 5-FM_SIGMA = 0.0-FM_BLEND = 0.25   def weighted_rows(w: np.ndarray, n: int, rng: np.random.Generator) -> np.ndarray:@@ -88,6 +81,9 @@ def main() -> None:     import torch     from moscot.problems.time import TemporalProblem +    torch.set_num_threads(N_THREADS)+    torch.manual_seed(args.seed)+     (Zp, Zl), info = embed([prev.X, last.X], mask, N_HVG, N_PCS, args.seed)     g_prev, g_last = growth_rates([prev, last], genes, mask, args.seed) @@ -111,60 +107,14 @@ def main() -> None:     del P     Pc /= np.maximum(Pc.sum(axis=0, keepdims=True), 1e-30)     factor = LAMBDA * dt_out / dt_in-    torch.set_num_threads(N_THREADS)-    torch.manual_seed(args.seed)     Xp = torch.from_numpy(prev.X.toarray())     anc = (torch.from_numpy(Pc).T @ Xp).numpy()     del Xp, Pc     smooth = knn_mean(Zl, last.X, rows, K_SMOOTH)-    step_bary = (smooth - anc) * factor+    step = (smooth - anc) * factor     del smooth, anc-    step_bary[:, ~mask] = 0.0--    fm = ExactOptimalTransportConditionalFlowMatcher(sigma=FM_SIGMA)-    model = torch.nn.Sequential(-        torch.nn.Linear(N_PCS + 1, FM_HIDDEN),-        torch.nn.SiLU(),-        torch.nn.Linear(FM_HIDDEN, FM_HIDDEN),-        torch.nn.SiLU(),-        torch.nn.Linear(FM_HIDDEN, N_PCS),-    )-    opt = torch.optim.Adam(model.parameters(), lr=FM_LR)--    Zp_t = torch.from_numpy(Zp)-    Zl_t = torch.from_numpy(Zl)-    bs = min(256, Zp_t.shape[0], Zl_t.shape[0])-    for _ in range(FM_STEPS):-        idx_p = torch.randint(0, Zp_t.shape[0], (bs,))-        idx_l = torch.randint(0, Zl_t.shape[0], (bs,))-        x0 = Zp_t[idx_p]-        x1 = Zl_t[idx_l]-        t, xt, ut = fm.sample_location_and_conditional_flow(x0, x1)-        vt = model(torch.cat([xt, t.unsqueeze(1)], dim=1))-        loss = torch.mean((vt - ut) ** 2)-        opt.zero_grad()-        loss.backward()-        opt.step()--    with torch.no_grad():-        z_start = torch.from_numpy(Zl[rows])-        z_cur = z_start.clone()-        dt_step = (dt_out / dt_in) / FM_INTEGRATE_STEPS-        for i in range(FM_INTEGRATE_STEPS):-            t_val = torch.full((z_cur.shape[0], 1), 1.0 + i * dt_step)-            v = model(torch.cat([z_cur, t_val], dim=1))-            z_cur = z_cur + dt_step * v-    z_delta_cfm = (z_cur - z_start).numpy()--    components = info["components"]-    sd = info["sd"]-    hvg = info["hvg"]-    delta_hvg = (z_delta_cfm @ components) * sd-    step_cfm = np.zeros((len(rows), len(genes)), dtype=np.float32)-    step_cfm[:, hvg] = delta_hvg-    step_cfm[:, ~mask] = 0.0--    step = step_bary + FM_BLEND * step_cfm+    step[:, ~mask] = 0.0+     X = last.X[rows].toarray()     step *= X > 0     X += step

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:
- Round 0 (K_SMOOTH=20, LAMBDA=1.0): 49.70 — cell_state dropped but de_recovery improved
- Round 1 (K_SMOOTH=30, LAMBDA=1.25): 47.24 — LAMBDA=1.25 destroyed cell_state (42.03)

LAMBDA=1.25 is clearly harmful (over-extrapolation destroys cell identity). The original seed (LAMBDA=1.0, K_SMOOTH=30) scored 50.65. I need to restore LAMBDA=1.0 and try a different lever.

Strategy: restore LAMBDA=1.0, keep K_SMOOTH=30, and try EPSILON=5e-4 (sharper OT coupling). A smaller epsilon gives a more deterministic transport plan, meaning each cell's barycentric ancestor is more precisely identified. This should improve direction and de_recovery without affecting cell_state (step magnitude unchanged, just more accurate direction).

<<<<<<< SEARCH
K_SMOOTH = 30
LAMBDA = 1.25
=======
K_SMOOTH = 30
LAMBDA = 1.0
>>>>>>> REPLACE

<<<<<<< SEARCH
EPSILON = 1e-3
=======
EPSILON = 5e-4
>>>>>>> REPLACE

```METHOD
## 改了什么
相对父节点（node 73，CFM加性混合）的全部改动：
1. 完全移除OT-CFM速度场分支（3轮实验证明CFM修正在t>1外推区间无可靠DE方向信息，使de_recovery掉3.10超噪声）。
2. 回到纯barycentric位移方案。
3. K_SMOOTH恢复为30（第0轮K_SMOOTH=20使cell_state从50.34降至48.17）。
4. LAMBDA恢复为1.0（第1轮LAMBDA=1.25使cell_state暴跌至42.03，过度外推破坏细胞身份）。
5. EPSILON从1e-3降至5e-4：更小的正则化使OT耦合更确定性（更接近硬分配），每个细胞的祖先重心更精确，预期改善direction和de_recovery，同时不影响cell_state（步长幅度不变，只是方向更准）。
## 用到的知识与出处
- 知识条目k031：moscot TemporalProblem、Waddington-OT非平衡熵耦合；epsilon控制耦合的熵正则化强度。
- Schiebinger et al., Cell 2019（WOT）：增殖/凋亡先验生长率。
- 父节点ANALYSIS的lessons：CFM不可行；LAMBDA网格{0.75, 1.0, 1.25}中1.25已证伪。
- 第0轮反馈：K_SMOOTH=20损害cell_state。
- 第1轮反馈：LAMBDA=1.25严重损害cell_state（42.03 vs 基线50.07）。
```