总览 · ← 返回运行 20261003-004922-search-t2-heart-interp-g24

节点 n9

mix + 类型级 xy 形状插值（T2HI-02）：共有型质心+协方差对数欧拉插值后仿射重排坐标，位移钳到 0.08×RMS；机制生效但 proxy 上与父节点持平（3 种子均值 59.07 vs 父 59.04）。

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 f29112843c: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 01d7f77244。改动的文件：solution/METHOD.md +29 −25、solution/README.md +2 −0、solution/run.py +27 −13、solution/shape_interp.py +192 −0

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 2fdb97d..c81cc32 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,38 +1,42 @@-# mix 空间分层抽样（T2HI-04）：每共有型 xy k-means 分 bin，bin 内按 (1−t,t) 抽两阶段细胞；local_spatial 未提升（3 种子均值 58.99 vs 父 59.36），机制已生效但方向无效。+# mix + 类型级 xy 形状插值（T2HI-02）：共有型质心+协方差对数欧拉插值后仿射重排坐标，位移钳到 0.08×RMS；机制生效但 proxy 上与父节点持平（3 种子均值 59.07 vs 父 59.04）。  ## 方法 -在父节点 2（mix，align=procrustes，scale_damp=1）之上，只改抽样一步：+在父节点 8（mix，align=procrustes，scale_damp=1，空间分层抽样 SPATIAL_STRATIFY=1）之后新增坐标重映射（`solution/shape_interp.py`）： -- 对每个**两阶段共有**的细胞型，把该型全部细胞（两阶段合并，对齐+缩放到目标 RMS 后的坐标）在 xy 上做 k-means，k = max(4, n_type // CELLS_PER_BIN)，CELLS_PER_BIN=100（提交默认）。-- bin 内按该型的 (1−t, t) 配额、以 bin 内各阶段细胞数为权重比例分配（floor + 最大余数 + 容量约束），无放回抽样；表达和坐标随细胞走。-- 非共有型（只出现在一个阶段）与 <20 细胞的型退回父节点的随机抽样；非共有型无法做跨阶段空间配比，这是本机制的天然覆盖上限。-- 单输入阶段（b is None）退路与父节点完全一致。-- 实现：`solution/spatial_mix.py`（`spatial_mix_indices` 复制 `transport.stratified_choice` 的型级配额逻辑，保证每型总数与父节点相同，只改型内选哪些细胞）；`run.py` 里 `SPATIAL_STRATIFY=0` 为关闭机制对照（直接调父节点的 `methods.interpolate`，输出与父节点逐位一致，已验证代码路径相同）。+1. 对每个两阶段共有型（两阶段各 ≥20 细胞，MIN_TYPE_CELLS=20），取该型在对齐+缩放到目标 RMS 后的全部细胞 xy，算质心 μ_a/μ_b 与协方差 Σ_a/Σ_b（对角加正则 1e-4·tr/2）。+2. 插值：μ_t=(1−t)μ_a+tμ_b；Σ_t=exp((1−t)logΣ_a+t·logΣ_b)（eigh 实现矩阵对数/指数，2×2）。+3. 被选入输出的该型细胞：来自 a 的 x_new=μ_t+L_t L_a⁻¹(x−μ_a)，来自 b 的类似（L=Cholesky 下三角）；z 不动（离散切片轴）。型内不同位置位移不同（非刚性，区别于节点 5 的刚体平移）。+4. 安全阀：det(Σ_a)/det(Σ_b)>100 退化为仅质心平移；质心位移钳到 SHAPE_SHIFT_CLAMP×全局 xy RMS（提交默认 0.08）；重映射后 xy 超全局均值±3σ 钳位（本次 0 个触发）；非共有型坐标不变。+5. 单输入阶段（b is None）退路与父节点一致；重映射后仍走父节点的 _jitter + scale_to_rms。+6. 开关：`SHAPE_INTERP=0` 为关闭对照（直接走父节点 `interpolate_spatial`，已验证输出逐位确定且与父代码路径相同）；`SHAPE_BLEND`（默认 1）缩放线性形状部分，0=仅质心平移。 -## 机制生效证据（proxy，E8.25_late+E9.5→E8.75，t=0.4）+## 机制生效证据（proxy E8.25_late+E9.5→E8.75，t=0.4，seed0） -- proxy 上共有型只有 5 个（NCC/Peri/V-CM/aPHM/pPHM），占输出 17616 细胞中的约 3553（20%）。-- 源阶段标签的空间自相关：Moran's I 从 0.302（父随机抽样）降到 0.287–0.288（bin100–400）；kNN(k=10) 同源边比例 0.665 → 0.659（随机混合理论值 t²+(1−t)²=0.52，剩余超出部分来自非共有型的纯簇，机制无法触及）。-- 四组分（bin100, seed0）：expression_change 64.07(+0.2)、cell_state 66.17(−0.5)、shape_scale 53.32(−0.05)、local_spatial 53.60(−0.4)，vs 父 63.9/66.7/53.4/54.0。+- 共有型 5 个全部通过阈值，重映射 3553/17616 = 20.2% 输出细胞（>15% 门槛）；每型质心按 t 精确移动（如 NCC：a 侧移 129→钳后按 0.08×RMS≈28 截断；面积 det^{1/2} 从 a/b 两端向几何插值移动，如 Peri 23149/24828→23806，V-CM 3319/23434→7254）。+- 输出云 occupancy（40 单位网格）bins 571→558，off/on occupancy_dice 0.960；表达矩阵与对照逐位相同（机制只动坐标）。+- 四组分响应（seed0 A 半，vs 父 59.80）：shape_scale 53.76→53.60、local_spatial 54.13→53.48（未钳位时更低：52.46/52.38）；expression_change、cell_state 与对照逐位一致（64.07/66.17，X 未动）。 -## 查分记录（A 半，vec-score）+## 对照与查分记录（vec-score A 半，quota 用 10/20）  | 配置 | seed0 | seed1 | seed2 | 均值 | |---|---:|---:|---:|---:|-| 父节点 mix | 59.50 | - | - | 59.36(rank3) |-| bin200 | 58.87 | - | - | - |-| bin400 | 59.17 | - | - | - |-| bin100（提交默认） | 59.29 | 58.74 | 58.93 | 58.99 |-| bin100 + 3D 分箱 | 59.01 | - | - | - |--## 结论与已验证/未验证--- **已验证**：机制按 PLAN 实现并生效（上面 Moran's I / kNN 证据）；bin∈{100,200,400}、2D/3D 分箱都在父节点 ±0.6 分内，无一提升 local_spatial；关闭开关与父节点同路径。-- **结论（负面）**：局部均匀化两阶段混合比不改善 local_spatial，反而 shape_scale 略降（occupancy_dice 0.84→0.81–0.83）。提示真实 E8.75 里"源阶段身份"与空间位置本就相关（发育梯度），强行局部均匀化偏离真实结构；且 proxy 上共有型仅覆盖 20% 细胞，机制杠杆太小。-- **未验证**：final 括号（E8.25+E8.75→E8.5，31 个共有型，覆盖率更高）上机制可能表现不同，本节点无法测。-- 生物学知识来源：仅方法卡与 PLAN 中的坐标系约定（z 为离散切片轴、保 z 的 procrustes），未引入新的先验。+| 父节点 8（=SHAPE_INTERP=0） | 59.80 | - | - | 59.04(rank3) |+| 机制开，无位移钳位 | 58.77 | - | - | - |+| 无钳位+随机抽样底座 | 58.79 | - | - | - |+| blend=0（仅质心收敛） | 58.44 | - | - | - |+| blend=0.5 | 58.62 | - | - | - |+| blend=1，钳 0.25/0.15 | 59.09/59.10 | - | - | - |+| **blend=1，钳 0.08（提交默认）** | **59.33** | **59.16** | **58.73** | **59.07** |+| blend=1，钳 0.04 | 59.30 | - | - | - |++## 结论（负面/持平，如实记录）++- 机制按 PLAN 实现且确凿生效（20.2% 细胞被非刚性重排、质心/面积按 t 插值、occupancy 改变），但 proxy 上不提升 shape_scale / local_spatial：不钳位时两组分各降 ~1.3/~1.8 分，钳位越小越接近父节点，钳 0.08 时 3 种子均值 59.07 ≈ 父 59.04（噪声内持平）。+- 解释：proxy 共有型仅 5 个、覆盖 20% 细胞，杠杆不足（PLAN 风险 1 应验）；且把两阶段同型细胞拉到同一 footprint 会增强局部混合，而节点 8 已证明局部混合方向对 local_spatial 无效——neighborhood_mmd 0.087→0.089 与此一致。+- 未验证：final 括号（E8.25+E8.75→E8.5，31 个共有型、覆盖率高得多）上机制杠杆更大，可能表现不同；本节点无法测。提交保持机制打开（钳 0.08），若 final 上共有型覆盖高，形变幅度自然更大。+- 生物学知识来源：仅方法卡/父节点的坐标系约定（z 为离散切片轴、保 z 的 procrustes 对齐），未引入新先验。  ## 下一步建议 -放弃"抽样空间均匀化"方向；local_spatial 的瓶颈更可能在非共有型的空间占位（occupancy/variogram），值得试的是对非共有型按目标阶段的空间密度重加权抽样，或直接改坐标生成（如类型级形状插值）而非选细胞。+- 类型级坐标形变在 proxy 上判为无效方向（与节点 5 刚体位移、节点 8 空间分层同归）；local_spatial/shape_scale 的三个坐标侧假设（刚体、非刚性、抽样）都已试完且均在噪声内。剩余空间更可能在表达侧（cell_state/expression_change 之外的组无法靠坐标移动）或外部数据（external/mosta_e95_v0 在 proxy 视图内可用，尚未被任何节点使用）。diff --git a/solution/README.md b/solution/README.mdindex 3cb16cd..1ea96bb 100644--- a/solution/README.md+++ b/solution/README.md@@ -4,3 +4,5 @@ T2 方法卡的心脏插值选择：`mix`，align=procrustes（xy 用共有类 proxy（E8.25_late + E9.5 → E8.75，t=0.4）预期 59.12（seed 0 实测 59.116，与方法卡一致；表达 63.7 / 状态 66.5 / 形状 53.2 / 邻域 53.0）。 final（E8.25_late + E8.75 → E8.5，t=0.5）：n=17616，RMS 277.1，共有类型 31，与 `data/processed/t2/T2__heart__val_interp__mix.h5ad` 逐位相同。 已知弱点：代理两端 RMS 都大（354/335），测不到心脏尺度的非单调；proxy 只有 5 个共有类型，对齐在 final 上更可靠。++本节点（9）在 mix 底座上新增类型级 xy 形状插值（见 METHOD.md 与 shape_interp.py）：共有型质心+协方差按 t 对数欧拉插值后仿射重排被选细胞坐标，位移钳 0.08×RMS；SHAPE_INTERP=0 为逐位对照。diff --git a/solution/run.py b/solution/run.pyindex 7bdd6a7..77b98b5 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,16 +1,19 @@ #!/usr/bin/env python3-"""mix + spatial-stratified per-type sampling (T2HI-04).+"""mix + per-type shape interpolation of xy coordinates (T2HI-02). -Same as the parent mix (align=procrustes, scale_damp=1, cells drawn-(1-t, t) stratified by type, expression and coordinates travel together),-except that within each cell type present in both brackets the draw is-spatially stratified: pooled xy of the type is k-means-binned-(CELLS_PER_BIN cells per bin) and every bin contributes stage-a / stage-b-cells in the type's (1-t, t) proportion, so each spatial region of the-output holds the right stage mixture (keeps local neighbourhoods-consistent). Types in one bracket only, or with < 20 cells, keep the-parent's random draw. Set SPATIAL_STRATIFY=0 to fall back to the exact-parent behaviour (mechanism-off control).+Parent (node 8) pipeline: mix, align=procrustes, scale_damp=1, cells drawn+(1-t, t) stratified by type with spatial binning, expression and+coordinates travel together. New step (SHAPE_INTERP=1, default): every+cell type present in BOTH brackets (>= 20 cells each) gets its xy+footprint interpolated in time -- centroid mu_t=(1-t)mu_a+t mu_b,+covariance Sigma_t=exp((1-t)log Sigma_a + t log Sigma_b) (log-Euclidean)+-- and its picked cells are affinely remapped onto that footprint+(x_new = mu_t + L_t L_src^-1 (x - mu_src), z untouched, discrete slice+axis). SHAPE_SHIFT_CLAMP caps the centroid displacement at that fraction+of the global xy RMS (default 0.08; large unclamped shifts hurt both+spatial groups on the proxy). SHAPE_BLEND scales the linear (shape) part+of the map; SHAPE_INTERP=0 is the mechanism-off control, bit-identical to+the parent (SPATIAL_STRATIFY=1). If the target is not bracketed, falls back to the latest input before it. """ @@ -29,12 +32,16 @@ from src.task2_spatial.methods import interpolate from src.task2_spatial.sample import take from src.task2_spatial.view_io import board_params, interp_bracket, load_manifest, panel_genes, read_stage, write_t2 +from shape_interp import interpolate_shape from spatial_mix import interpolate_spatial  PARAMS = {"align": "procrustes", "scale_damp": 1.0} CELLS_PER_BIN = int(os.environ.get("CELLS_PER_BIN", "100")) BIN_NDIM = int(os.environ.get("BIN_NDIM", "2")) SPATIAL_STRATIFY = os.environ.get("SPATIAL_STRATIFY", "1") != "0"+SHAPE_INTERP = os.environ.get("SHAPE_INTERP", "1") != "0"+SHAPE_BLEND = float(os.environ.get("SHAPE_BLEND", "1.0"))+SHAPE_SHIFT_CLAMP = float(os.environ.get("SHAPE_SHIFT_CLAMP", "0.08"))   def main() -> None:@@ -56,12 +63,19 @@ def main() -> None:     stage_a = read_stage(args.data, a, genes)     stage_b = read_stage(args.data, b, genes)     params = board_params(manifest, "mix", PARAMS, args.seed)-    if SPATIAL_STRATIFY:+    if SHAPE_INTERP:+        expr, coords, info = interpolate_shape(stage_a, stage_b, t, params,+                                               stratify=SPATIAL_STRATIFY,+                                               cells_per_bin=CELLS_PER_BIN, ndim=BIN_NDIM,+                                               blend=SHAPE_BLEND, shift_clamp=SHAPE_SHIFT_CLAMP)+    elif SPATIAL_STRATIFY:         expr, coords, info = interpolate_spatial(stage_a, stage_b, t, params, cells_per_bin=CELLS_PER_BIN, ndim=BIN_NDIM)     else:         expr, coords, info = interpolate(stage_a, stage_b, t, params)-    keep = {k: info.get(k) for k in ("t", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot", "z_flipped", "align", "n_from_a", "n_from_b")}+    keep = {k: info.get(k) for k in ("t", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot", "z_flipped", "align", "n_from_a", "n_from_b", "n_remap", "frac_remap", "n_clamped")}     print(json.dumps({"bracket": [a["stage"], b["stage"]], **keep}, default=float), file=sys.stderr)+    if os.environ.get("SHAPE_DIAG"):+        print(json.dumps(info.get("shape_types", {}), default=float), file=sys.stderr)     write_t2(args.out, expr, coords, genes, seed=args.seed)  diff --git a/solution/shape_interp.py b/solution/shape_interp.pynew file mode 100644index 0000000..8297cb1--- /dev/null+++ b/solution/shape_interp.py@@ -0,0 +1,192 @@+"""mix + per-type shape interpolation of coordinates (T2HI-02).++Same pipeline as the parent mix (align=procrustes, scale_damp=1, cells+drawn (1-t, t) stratified by type) except that after cells are picked,+every cell type present in BOTH bracketing stages (>= MIN_TYPE_CELLS cells+in each) gets its xy footprint interpolated in time:++    mu_t    = (1-t) mu_a + t mu_b+    Sigma_t = exp((1-t) log Sigma_a + t log Sigma_b)     (log-Euclidean, 2x2)++and each picked cell of that type is affinely remapped on xy+(z untouched, discrete slice axis):++    x_new = mu_t + L_t L_src^{-1} (x - mu_src),   L = cholesky(Sigma)++so stage-a and stage-b cells of one type land on the same interpolated+spatial footprint (centroid moves by t of the shift; spread/anisotropy+interpolates geometrically; cells near the centroid move less than+peripheral ones -> non-rigid, unlike node 5's rigid shift).+Covariances are regularised (COV_REG * tr/2 on the diagonal); types whose+two-stage areas differ by more than DET_RATIO_MAX fall back to+centroid-only translation; remapped xy is clamped to the global cloud's+mean +- CLAMP_SIGMA std. Types not shared (or too small) keep their+coordinates. Set SHAPE_INTERP=0 in run.py for the mechanism-off control+(bit-identical to the parent).+"""++from __future__ import annotations++import numpy as np++from src.task2_spatial.frame import align_pair, log_interp, rms_radius, scale_to_rms+from src.task2_spatial.methods import _jitter, _limits, _pack_expr+from src.task2_spatial.sample import mix_indices+from src.task2_spatial.transport import as_dense++from spatial_mix import spatial_mix_indices++MIN_TYPE_CELLS = 20+COV_REG = 1e-4+DET_RATIO_MAX = 100.0+CLAMP_SIGMA = 3.0+++def _logm2(s: np.ndarray) -> np.ndarray:+    w, v = np.linalg.eigh(s)+    w = np.maximum(w, 1e-12)+    return (v * np.log(w)) @ v.T+++def _expm2(s: np.ndarray) -> np.ndarray:+    w, v = np.linalg.eigh(s)+    return (v * np.exp(np.minimum(w, 50.0))) @ v.T+++def _cov2(xy: np.ndarray) -> np.ndarray:+    c = np.atleast_2d(np.asarray(np.cov(xy.T), dtype=np.float64))+    reg = COV_REG * float(np.trace(c)) / 2.0+    return c + reg * np.eye(2)+++def remap_xy(coords: np.ndarray, na: int, labels_pick: np.ndarray, from_a: np.ndarray,+             labels_a: np.ndarray, labels_b: np.ndarray,+             ca: np.ndarray, cb: np.ndarray, t: float, blend: float = 1.0,+             shift_clamp: float | None = None) -> dict:+    """In-place affine xy remap of picked cells for shared types.++    coords: (n, 3) output cloud, rows [0, na) from stage a, rest from b.+    labels_pick: celltype of each output row; from_a: bool per row.+    ca / cb: full aligned+rescaled stage coordinates.+    blend: 0 = centroid-only translation (rigid per type), 1 = full+    log-Euclidean covariance interpolation; in between scales the linear+    part toward Sigma_t (A = I + blend (L_t L_src^{-1} - I)).+    """+    blend = float(blend)+    lo = coords[:, :2].astype(np.float64)+    mu_g, sd_g = lo.mean(0), lo.std(0) + 1e-9+    rms_g = float(np.sqrt(((lo - mu_g) ** 2).sum(axis=1).mean()))+    diag = {"types": {}, "n_remap": 0, "n_clamped": 0}+    counts_a = {k: int(v) for k, v in zip(*np.unique(np.asarray(labels_a).astype(str), return_counts=True))}+    counts_b = {k: int(v) for k, v in zip(*np.unique(np.asarray(labels_b).astype(str), return_counts=True))}+    for lab in sorted(set(counts_a) & set(counts_b)):+        if counts_a[lab] < MIN_TYPE_CELLS or counts_b[lab] < MIN_TYPE_CELLS:+            continue+        rows = np.flatnonzero(labels_pick == lab)+        if rows.size == 0:+            continue+        xa = ca[np.asarray(labels_a).astype(str) == lab][:, :2].astype(np.float64)+        xb = cb[np.asarray(labels_b).astype(str) == lab][:, :2].astype(np.float64)+        mu_a, mu_b = xa.mean(0), xb.mean(0)+        sa, sb = _cov2(xa), _cov2(xb)+        mu_t = (1.0 - t) * mu_a + t * mu_b+        if shift_clamp is not None and shift_clamp > 0:+            lim = float(shift_clamp) * rms_g+            for mu_s in (mu_a, mu_b):+                d = mu_t - mu_s+                nd = float(np.linalg.norm(d))+                if nd > lim:+                    mu_t = mu_s + d * (lim / nd)+        det_a, det_b = float(np.linalg.det(sa)), float(np.linalg.det(sb))+        det_ratio = max(det_a, det_b) / max(min(det_a, det_b), 1e-12)+        translate_only = blend <= 0.0 or (not np.isfinite(det_ratio)) or det_ratio > DET_RATIO_MAX+        try:+            if translate_only:+                a_map = b_map = np.eye(2)+                area_t = None+            else:+                st = _expm2((1.0 - t) * _logm2(sa) + t * _logm2(sb))+                lt = np.linalg.cholesky(st)+                eye = np.eye(2)+                a_map = eye + blend * (lt @ np.linalg.inv(np.linalg.cholesky(sa)) - eye)+                b_map = eye + blend * (lt @ np.linalg.inv(np.linalg.cholesky(sb)) - eye)+                area_t = float(np.sqrt(np.linalg.det(st)))+        except np.linalg.LinAlgError:+            continue+        rows_a = rows[from_a[rows]]+        rows_b = rows[~from_a[rows]]+        if rows_a.size:+            coords[rows_a, :2] = mu_t + (coords[rows_a, :2] - mu_a) @ a_map.T+        if rows_b.size:+            coords[rows_b, :2] = mu_t + (coords[rows_b, :2] - mu_b) @ b_map.T+        moved = rows_a.size + rows_b.size+        diag["n_remap"] += int(moved)+        diag["types"][lab] = {+            "n_cells": int(moved),+            "shift_a": float(np.linalg.norm(mu_t - mu_a)),+            "shift_b": float(np.linalg.norm(mu_t - mu_b)),+            "area_a": float(np.sqrt(det_a)), "area_b": float(np.sqrt(det_b)),+            "area_t": area_t, "translate_only": bool(translate_only),+        }+    if diag["n_remap"]:+        lo = coords[:, :2]+        bad = (np.abs(lo - mu_g) > CLAMP_SIGMA * sd_g).any(axis=1)+        if bad.any():+            coords[bad, :2] = np.clip(coords[bad, :2], mu_g - CLAMP_SIGMA * sd_g, mu_g + CLAMP_SIGMA * sd_g)+            diag["n_clamped"] = int(bad.sum())+    return diag+++def interpolate_shape(stage_a, stage_b, t: float, params: dict,+                      stratify: bool = True, cells_per_bin: int = 100, ndim: int = 2,+                      blend: float = 1.0, shift_clamp: float | None = None):+    t = float(t)+    damp = float(params.get("scale_damp", 1.0))+    align = str(params.get("align", "procrustes"))+    rng = np.random.default_rng(int(params.get("seed", 0)))++    aligned_a, aligned_b, info = align_pair(stage_a.coords, stage_b.coords, stage_a.labels, stage_b.labels, align)+    rms_a = rms_radius(stage_a.coords)+    rms_b = rms_radius(stage_b.coords)+    target_rms = log_interp(rms_a, rms_b, t, damp)+    ca = scale_to_rms(aligned_a, target_rms)+    cb = scale_to_rms(aligned_b, target_rms)+    n = _limits(params, stage_a.n, stage_b.n, t, "interp")++    if stratify:+        ia, ib = spatial_mix_indices(stage_a.labels, stage_b.labels, ca, cb, t, n, rng, cells_per_bin, ndim)+    else:+        ia, ib = mix_indices(stage_a.labels, stage_b.labels, t, n, rng)++    expr_parts, coord_parts = [], []+    if ia.size:+        expr_parts.append(as_dense(stage_a.X, ia))+        coord_parts.append(np.asarray(ca[ia], dtype=np.float64))+    if ib.size:+        expr_parts.append(as_dense(stage_b.X, ib))+        coord_parts.append(np.asarray(cb[ib], dtype=np.float64))++    expr = _pack_expr(expr_parts)+    coords = np.vstack(coord_parts)+    labels_pick = np.concatenate([+        np.asarray(stage_a.labels).astype(str)[ia],+        np.asarray(stage_b.labels).astype(str)[ib],+    ])+    from_a = np.concatenate([np.ones(ia.size, bool), np.zeros(ib.size, bool)])+    diag = remap_xy(coords, int(ia.size), labels_pick, from_a,+                    stage_a.labels, stage_b.labels, ca, cb, t,+                    blend=blend, shift_clamp=shift_clamp)+    coords = _jitter(coords, rng)+    coords = scale_to_rms(coords, target_rms)+    info.update(+        t=t, n=int(expr.shape[0]), rms_a=rms_a, rms_b=rms_b,+        target_rms=target_rms, out_rms=rms_radius(coords),+        coord="mix", expr="carry", blend="convex", scale_damp=damp,+        nearer="b" if t >= 0.5 else "a",+        n_from_a=int(ia.size), n_from_b=int(ib.size),+        spatial_stratify=bool(stratify), cells_per_bin=cells_per_bin,+        shape_interp=True, n_remap=int(diag["n_remap"]), n_clamped=int(diag["n_clamped"]),+        frac_remap=float(diag["n_remap"] / max(expr.shape[0], 1)),+        shape_types=diag["types"],+    )+    return expr, coords.astype(np.float32), info

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。总结：

**做了什么**：按 PLAN（T2HI-02）在父节点 8 的 mix 流程后新增类型级坐标形状插值（`shape_interp.py`）：共有型（≥20 细胞）的 xy 质心按 t 线性、协方差按对数欧拉插值，被选细胞经 Cholesky 仿射映射到新 footprint（z 不动，非刚性，区别于节点 5）；带 det 比>100 退化、位移钳位、3σ 坐标钳位三个安全阀；`SHAPE_INTERP=0` 对照与父节点逐位一致（已验证）。

**查分**（10/20 次）：机制确凿生效（20.2% 细胞被重排，质心/面积按 t 插值），但 proxy 上无提升——无钳位 58.77（shape_scale −1.3、local_spatial −1.8），钳位越小越接近父节点；提交默认 blend=1、钳 0.08：seed0/1/2 = 59.33/59.16/58.73，均值 59.07 ≈ 父 rank3 59.04（噪声内持平）。vec-check 通过，确定性已验证。

**下一步最值得试**：坐标侧三个假设（刚体、非刚性、抽样）均已试完且无效，local_spatial 瓶颈不在类型级几何；建议转向表达侧或 `external/mosta_e95_v0`（proxy 视图内可用但尚无节点使用）——如用外部 E9.5 空间切片估计目标尺度的 occupancy/密度剖面来引导抽样或坐标缩放。final 括号共有型 31 个、覆盖率更高，本机制在 final 上杠杆更大，属未验证风险。

调研员

间但需非刚性变换。当前最弱组 local_spatial 54.13、shape_scale 53.76，比 cell_state 66.95 低 13 分。父节点建议'类型级坐标形状插值（对每型质心/协方差在 a、b 间按 t 插值后重排细胞坐标）'。",
  "approach": "在父节点 8 的 mix 流程（procrustes 对齐 + 分层抽样选细胞）之后，新增一步坐标重映射：\n1. 对每个两阶段共有型（≥20 细胞），从 stage_a 和 stage_b 中分别取该型全部细胞的 xy 坐标，计算质心 μ_a, μ_b 和协方差 Σ_a, Σ_b（加正则 λ=1e-4·tr(Σ)/2 到对角线防奇异）。\n2. 插值：μ_t=(1-t)μ_a+tμ_b；Σ_t 用对数欧拉插值：Σ_t = exp((1-t)log(Σ_a)+t·log(Σ_b))（矩阵对数/指数用 numpy.linalg.eigh 实现，2×2 矩阵开销极小）。\n3. 对该型中被选入输出的细胞：若来自 stage_a，x_new = μ_t + L_t·L_a⁻¹·(x−μ_a)；来自 stage_b 类似。L 为 Cholesky 下三角。z 坐标不动（离散切片轴）。\n4. 非共有型细胞坐标不变（无跨阶段信息）。\n5. 单输入阶段（b is None）：与父节点完全一致，直接输出单阶段。\n6. 关键参数：MIN_TYPE_CELLS=20（与父节点一致），COV_REG=1e-4，仅作用于 xy。无需搜索超参，机制本身无自由度。\n7. vec-score 快速筛选：seed0 跑一次看四组分；shape_scale 或 local_spatial 提升 >1 分再跑 seed1 确认。\n8. 实现约 60 行（矩阵对数/指数 + Cholesky），在 spatial_mix.py 或新文件 shape_interp.py 中，run.py 加 SHAPE_INTERP 环境变量。预计 <30 min。",
  "expected_groups": ["shape_scale", "local_spatial"],
  "risks": "1) proxy 上共有型仅 5 个、覆盖 ~20% 输出细胞，杠杆可能不够（同节点 8 的问题）；Engineer 应先统计共有型细胞占比，若 <15% 则预期提升有限但仍应完成实现（final 上 31 个共有型覆盖率更高）。2) 小样本型协方差估计不稳；用 ≥20 细胞阈值 + 正则化缓解，若仍出现极端坐标（超出全局云 3σ）则钳位。3) 对数欧拉矩阵插值在 2×2 上数值稳定，但若某型两阶段形状差异极大（det(Σ_a)/det(Σ_b)>100），退化为仅质心插值。4) 尽早发现：seed0 跑完若 shape_scale 无变化（<0.5），检查是否所有型都被阈值过滤。",
  "family_id": "T2HI-02",
  "mechanism": "对每个共有细胞型，将其空间分布（质心+协方差）在两个阶段间按 t 做对数欧拉插值，再用仿射变换把被选细胞的 xy 坐标映射到插值后的分布上——这是类型级非刚性坐标变换，改变了细胞的空间占位。",
  "vs_constant_shift": "节点 5 对每型施加统一平移向量 t×(μ_b−μ_a)，型内所有细胞位移相同（刚体）。本方案额外插值协方差（形状），型内不同位置的细胞受到不同位移（靠质心的动得少，边缘的动得多），是非刚性变换。常数位移只改质心位置，不改变型的空间展布；本方案同时调整展布和各向异性。",
  "mechanism_evidence": "1) 对比开关前后输出的每型质心：应精确移动 t×(μ_b−μ_a)；每型面积（det(Σ)^{1/2}）应从 det(Σ_a) 向 det(Σ_b) 方向变化。2) 输出云的全局 occupancy_dice（与父节点对比）应有可测变化。3) 四组分：预期 shape_scale 首先响应（型级形状改变），local_spatial 次之（占位改变）。4) 打印被变换的细胞数占总输出的比例，确认 >15%。",
  "mechanism_off_control": "环境变量 SHAPE_INTERP=0 时跳过坐标重映射步骤，输出与父节点 8（SPATIAL_STRATIFY=1）逐位一致（坐标直接用 procrustes 对齐后的原始值）。Engineer 验证：diff 两次输出的坐标矩阵应为全零。预期差别：开启后 shape_scale 和 local_spatial 有 ≥1 分变化（正或负），关闭则与父节点无差别。",
  "sources": []
}