总览 · ← 返回运行 20261003-105537-search-t2-heart-extrap-g24-D

节点 n13

T2HX-04 微小全局位移(α=0.02)+表达引导坐标2-opt置换：位移clip伪影在α=0.02即击穿DE保护(49.10)，置换仅降能量0.31%、无邻域收益(48.87)，按PLAN止损以机制关(=copy_last逐位)提交

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 9fc2b13a32: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 ee234483ef。改动的文件：solution/METHOD.md +28 −31、solution/run.py +159 −75

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex dd92180..61d4264 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,45 +1,42 @@-# T2HX-03 PCA方差趋势外推（保均值调型内离散度）：双向网格全劣于地板，按边界规则以机制关（VEC_ALPHA=0，逐位=copy_last）提交+# T2HX-04 微小全局位移(α=0.02)+表达引导坐标2-opt置换：位移clip伪影在α=0.02即击穿DE保护(49.10)，置换仅降能量0.31%、无邻域收益(48.87)，按PLAN止损以机制关(=copy_last逐位)提交 -copy_last 基座上实现 PLAN 家族 T2HX-03：在锚阶段表达 PCA 空间按两输入阶段（E8.25→E8.75，程序从 manifest 现场取倒数两条目）的逐 PC 方差比 r_j 对锚阶段 PC 得分做乘性缩放 sqrt(1+α(r_j−1))，delta 重构保均值、坐标不动。机制确认生效（缩放因子 f∈[0.963,1.036]，19/20 PC 被缩放），但 A 半上 variogram 随 |α| 在**扩张（α>0）与收缩（α<0）两个方向都单调恶化**（0.0586→0.0620/0.0639/0.0665/0.0696），mmd_u 不动或更差，neighborhood_mmd 同步恶化，α=0.20 还击穿 DE 无变化保护（de_score −0.625）。PLAN go/no-go（两项同时低于 identity−3σ）全网格未过，按边界规则提交 VEC_ALPHA=0，提交态与父节点10逐位一致（预期 50.00，identity 本节点实测 3 次均 50.00）。+## 方法（PLAN 家族 T2HX-04，机制完整实现，开关默认关） -## 方法（PLAN 家族 T2HX-03，机制完整实现，开关默认关）+- 基座：`anchor_entry` 锚阶段整份输出（n=24826 ≤ max_cells=25179，无抽样），坐标点集、表达值、基因序不变；置换只重排细胞↔坐标配对。+- 阶段A（`VEC_ALPHA`）：`extrap_step(manifest)` 现场取倒数两输入（E8.25_late→E8.75），v = pb(late)−pb(early)（全细胞伪批量），X ← clip(X + α·v, 0)，全局统一方向（非按型）。单输入阶段自动跳过。+- 阶段B（`VEC_SWAP`=B%）：坐标 15-NN（cKDTree）取并集对称图；贪心 2-opt 最小化图上表达余弦距离总和（Dirichlet 能量）。候选用快速近似 gain(i,j) = (x_j−x_i)·(N_i−N_j)（N=邻居单位向量和，批量矩阵化），每对候选先做**精确能量差验证**（含共邻/相邻修正）再执行；best-first，预算 B%·n 或无改善对或超时停止。+- 开关：`VEC_ALPHA`（默认 0=关）、`VEC_SWAP`（默认 0=关）、`VEC_EPS/ROUNDS/KNN/TIMECAP`。只用 manifest 阶段顺序与视图内数据，无视图路径、阶段名、绝对时间分支。 -- 基座：`anchor_entry` 锚阶段（n=24826 ≤ max_cells=25179 → 整份输出，无抽样），坐标、细胞数、基因序不变。-- 机制（VEC_ALPHA≠0 时）：-  1. `extrap_step(manifest)` 取 (prev, last)；单输入视图 prev=None → 机制自动跳过（PLAN 步骤5退路）。-  2. sklearn `PCA(n_components=min(50,n−1,G), svd_solver="full")` 拟合锚阶段 X（确定性 SVD）；两阶段投影到同一载荷 V。-  3. 逐 PC 方差比 r_j = var(Z_late)/(var(Z_early)+1e-8)；仅对前 K 个 PC 且 r_j∈[0.5,2.0] 的做 f_j = sqrt(1+α(r_j−1))（截断防爆炸）。-  4. **delta 重构** X_new = X + (Z·(f−1)) @ V（而非全重构），保留 off-PCA 残差结构；再 clip(0)。得分列中心化 → 重构前逐基因均值严格不变。-- 开关：`VEC_ALPHA`（默认 0=关）、`VEC_K`（默认 20）、`VEC_NPC`（默认 50）、`VEC_RLO/RHI`（默认 0.5/2.0）。只用相对时间差与视图数据，无绝对时间、无阶段名、无视图路径分支。+## 网格结果（vec-score T2:heart:val_extrap/proxy_noscale，A 半，共用 2 次查分） -## 机制生效证据（PLAN mechanism_evidence 对应项，VEC_DEBUG=1 实测）+| 配置 | 榜分 | de_score | variogram | mmd_u | neighborhood_mmd | occupancy_dice |+|---|---:|---:|---:|---:|---:|---:|+| identity（父节点实测，=copy_last） | 50.00 | 0 | 0.058616 | 0.05856 | 0.11445 | 0.8066 |+| α=0.02, B=0（只开位移） | 49.10 | −0.125 | 0.064552 | 0.05871 | 0.11463 | 0.8148 |+| α=0.02, B=2%（PLAN 首档完整方案） | **48.87** | −0.125 | 0.064552 | 0.05871 | 0.11459 | 0.8131 | -- (a) α=0.10/k=20：19/20 个 PC 被缩放（r_1=2.204>2.0 被截断），f∈[0.9983,1.0360]，偏离 1 但不极端；r[:5]=[2.20,1.60,1.44,1.34,1.30]（E8.25→E8.75 型内离散度整体在涨）。-- (b) 均值：delta 重构在 clip 前逐基因均值差为 0（数学恒等）；clip(0) 在 ~6.25M 个条目（约 50%，稀疏零值处）生效后 max |基因均值漂移| = 1.97e-2，std(dp)=0.0041 —— 未达 PLAN 预期的 <1e-5，如实报告；但 α≤0.10 时无变化保护仍触发（de_score/de_direction 原始值均 0，expression_change 保持 50.00）。-- (c) 相对同次 identity 的原始值变化见下表；(d) 四组分变化：expression_change α≤0.10 保持 50.00、α=0.20 掉到 45.58（保护击穿，clip 伪影 dp 被当信号打分，复刻 node6 失败模式）；cell_state 48.40–49.29（全劣）；local_spatial/shape_scale 49.72–49.98（nb 微升触发结构门，坐标本身未动）。+## 机制生效证据（PLAN mechanism_evidence 对应项） -## 网格结果（vec-score T2:heart:val_extrap/proxy_noscale，A 半；共用 7 次查分）+1. **置换统计**：预算 497 对，3 轮扫描只找到 **75** 对精确增益 >EPS 的改善交换即收敛（无改善交换停止）；能量 E0=105046.8 → E1=104718.5，**只降 0.313%** —— 位移后 copy_last 配对仍是坐标-15NN Dirichlet 能量的强局部最优，PLAN 核心假设（微小位移打破局部最优、释放置换收益）**不成立**。+2. **邻域变化**：置换使 neighborhood_mmd 0.11463→0.11459（≈0，A 半 σ=0 下真实但无意义）；且 occupancy_dice 0.8148→0.8131 —— 配对重排虽不动坐标点集，仍通过行序影响评分器占据抽样，反伤 shape_scale（与节点 7/9 官方分 shape 掉到 48 的观察一致）。+3. **四组分对比**（α=0.02+B=2% vs α=0.02+B=0 vs identity）：expression_change 50→47.72（两档相同，全部来自位移的 clip 伪影）；cell_state 50→48.75（variogram 0.0586→0.0646，与节点 11 同族恶化）；local_spatial 50→49.96；shape_scale 50→49.05（置换再扣 occupancy）。+4. **DE 保护自检**（PLAN 风险3）：α=0.02 时 std(dp)=0.00452、max|dp|=0.0236、clip(0) 命中 8.10M 条目（≈65%）——PLAN 假设"α≤0.03 时 clip 伪影极小、保护不击穿"**被证伪**：de_score=−0.125、de_direction=−0.0598，保护已击穿（复刻 node6/11 失败模式，且阈值比节点 11 的 α≥0.20 低一个量级——均匀位移 v 的 std(v)=0.41 比 PCA 缩放残差大得多）。 -| 配置 | 榜分 | mmd_u | variogram | neighborhood_mmd | de_score |-|---|---:|---:|---:|---:|---:|-| **identity（提交态，=copy_last）** | **50.00** | 0.05856 | 0.058616 | 0.11445 | 0 |-| α=+0.05, k=10 | 49.81 | 0.05856 | 0.062019 | 0.11454 | 0 |-| α=+0.10, k=20（PLAN 快筛点） | 49.69 | 0.05855 | 0.063896 | 0.11476 | 0 |-| α=+0.20, k=50 | 48.41 | 0.05859 | 0.066513 | 0.11526 | −0.625 |-| α=−0.10, k=20（收缩对照） | 49.27 | 0.05948 | 0.069631 | 0.11572 | 0 |+## 机制关对照（PLAN mechanism_off_control） -- **噪声标定（PLAN 步骤1，2 次查分）**：同一份 identity 输出连续查分 2 次，全部 8 项原始值逐位相同（mmd_u 0.05856 / variogram 0.058616）→ 评分器对同一文件确定性，σ=0；父节点观察到的 0.1126 vs 0.11445 差异来自 A/B 半之分，不是逐次噪声。因此 go/no-go 阈值退化为"严格低于 identity"，网格无一点达标（variogram 双向单调恶化，扩张 3 档 + 收缩 1 档）。-- 双向恶化说明：以 copy_last 的方差谱为起点，任何沿 PCA 轴的离散度扰动（无论顺趋势扩张还是逆趋势收缩）都同时推高 variogram 与 neighborhood_mmd；identity 是这 8 项指标在该扰动族下的局部最优。-- 机制关对照（PLAN mechanism_off_control）：VEC_ALPHA=0 默认路径跳过 PCA，输出与父节点10/copy_last 逐位一致（X 的 sha256 前缀 eb2ca3f42ec88ed4 在 seed 0/1、真实/伪装视图上全部相同），identity 本节点 3 次查分（calib×2 + 误跑负α被 `ALPHA>0` 守卫跳过的那次）均 50.00、四组全 50.00。+VEC_ALPHA=0 且 VEC_SWAP=0（提交默认）：跳过两阶段，输出与 copy_last **逐位一致**（sha256 a26c0b78ed1aa4c4…，seed 0 两次运行相同；seed 1 的 .X 与 obsm 逐位相同，仅 uns.generator_seed 字段不同）。预期分数 = 50.00（父节点/节点 1/3/6/8/10/11 提交态实测）。"位移单独开"档 49.10 < identity，证明本方案无任何一档优于机制关。++## PLAN 止损执行++PLAN 步骤(5)/风险1：首档（α=0.02, B=2%）= 48.87 ≤ 50.00 → 立即止损，提交 off，不再追加 α×B 网格（位移在 α=0.02 已击穿 DE 保护，更小 α 只会同时缩小"破局"与收益；置换独立收益已被 75/497、0.313%、nb Δ≈0 三个数判死）。  ## 验证过 / 没验证过 -- 验证过：提交态 seed 0/1 逐位一致；伪装视图（时间统一 +1 天、manifest 键序打乱、换路径）上提交态与机制开启态（α=0.10/k=20）输出均与真实视图逐位一致 → 视图无关；`vec-check` 通过；单输入阶段自动回退（prev=None 分支）；CPU 运行 ~10 s、峰值内存 <1 GB（limits 28 GB/30 min 内）。-- 没验证过：真实 final 视图（3 输入，倒数两阶段的方差比可能与代理括号不同，但机制开关默认关，提交态就是 copy_last，不受影响）；B 半上的表现（提交态与父节点逐位相同，无迁移风险）。-- 生物学知识来源：无外部生物学先验写入程序；机制只用视图内两输入阶段的表达统计（方差比），属 PLAN 允许的"从 manifest 输入现场计算"。external/ 的 Qiu E8.75 与锚阶段同时相、无时间方向，未使用（与 PLAN motivation 一致）。+- 验证过：提交态 `vec-check --task T2:heart:val_extrap/proxy_noscale` = ok（注意：`--data` 形式的 vec-check 在本客户端被拒 "task not allowed"，需带尺子后缀的 --task）；seed 0/1 的 .X、坐标逐位一致；CPU 运行提交态 ~4 s、机制开启态 ~110 s，内存 <1.5 GB（limits 28 GB/30 min 内）；单输入阶段回退（prev=None 跳过位移，置换仍可跑）。+- 没验证过：B 半与伪装视图（提交态与父节点逐位相同，无迁移风险；代码只读 manifest 数据与相对顺序，无绝对时间/路径分支）；真实 final 视图（3 输入时 v 取倒数两输入，机制默认关，不影响提交态）；B>2% 或更小 α 的完整网格（止损规则）。  ## 给树的结论 -- T2HX-03 家族在本榜双向证伪：cell_state 组的 variogram/mmd_u 对"沿锚阶段 PCA 轴的方差缩放"在任一方向都无收益，identity 是局部最优；不要再用 |α| 更小的同族配置试探（单调性已确立）。-- α≥0.2 时 clip(0) 伪影会击穿 DE 无变化保护并反噬 expression_change（−4.4 分），任何改表达值的方案都必须先报 std(dp) 与保护是否触发。-- 至此 copy_last 基座上表达值微扰（T2HX-01 均值位移、T2HX-03 方差缩放）与坐标-表达配对重排（T2HX-04/06）三个族全部证伪；本榜剩余未试杠杆只有引入视图外信息的型内状态细化（external/ 同时相数据无方向，价值存疑）或接受地板。+- T2HX-04 在本榜**两种形态均证伪**：纯 copy_last 基座上的有界置换（节点 7/9/10：49.60/49.60/50.00）与"微小全局位移破局+置换"（本节点：48.87）。坐标-15NN 配对能量在 copy_last 处已近局部最优（可改善交换 <0.4% 细胞、能量降 0.3%），任何位移预处理都不改变这一事实；置换还会经行序扰动 occupancy_dice。+- 均匀伪批量位移的 clip 伪影击穿 DE 保护的阈值远低于 PCA 缩放族（α≈0.02 vs 0.20）：std(v)=0.41 的全局方向上 α=0.02 就产生 de_score<0。改表达值方案的安全边界应按 std(dp) 而非 α 标定。+- 与节点 11 结论合并：copy_last 基座上均值位移、方差缩放、配对重排及其组合已全部证伪，本榜视图内微扰族关闭；剩余杠杆只有引入视图外时间方向信息（跨阶段配对建模），或接受地板 50.00。diff --git a/solution/run.py b/solution/run.pyindex 4734044..6ede9b6 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,29 +1,34 @@ #!/usr/bin/env python3-"""PCA variance-trend extrapolation (T2 heart extrap, family T2HX-03).--copy_last base (anchor = last input stage, stratified sample to the manifest-cell range; coordinates untouched).--Mechanism: fit a PCA on the anchor stage's expression matrix. Project both-input stages (early = second-to-last, late = anchor) onto the anchor's-components and compute per-PC variance ratios r_j = var_late / var_early.-Scale the anchor's PC scores multiplicatively, Z_new[:, j] =-Z[:, j] * sqrt(1 + alpha * (r_j - 1)), for the top K PCs whose r_j lies in-[R_LO, R_HI] (extreme ratios are truncated). Reconstruction is done as a-delta, X_new = X + (Z_new - Z) @ V, so the residual (off-PCA) structure is-kept and the per-gene mean is unchanged (score columns are centred). This-extrapolates the within-population dispersion trend between the two observed-stages without moving the pseudobulk mean.--VEC_ALPHA=0 (default) skips the mechanism entirely and reproduces copy_last-bit-for-bit (mechanism-off control). With a single input stage the variance-ratio cannot be estimated and the mechanism is skipped as well.+"""T2HX-04: micro global expression shift + expression-kNN-guided coord 2-opt swap.++copy_last base (anchor = last input stage, all cells within the manifest range;+coordinate point set and expression values kept, only the cell<->coordinate+pairing may be rearranged).++Mechanism (two stages):+  A) global shift: v = pb(late) - pb(early) from the last two input stages+     (pseudobulk over ALL cells of each stage); X_i <- clip(X_i + alpha*v, 0).+     alpha is tiny (<=0.03) so the DE no-change protection still applies.+  B) coord permutation: build the coordinate 15-NN graph (fixed; the point set+     never moves); greedily swap the coordinates of cell pairs (i,j) when the+     swap lowers the total expression cosine distance over the coord-15NN+     edges (Dirichlet energy). Candidates come from the fast approximation+         gain(i,j) ~ (x_j - x_i) . (N_i - N_j)+     with N_i = sum of unit expression vectors of i's coord neighbours; each+     candidate is re-checked with the exact energy delta before executing.+     Swaps run best-first until the budget (SWAP% of cells) is reached, no+     improving swap is found, or the time cap is hit.++VEC_ALPHA=0 and VEC_SWAP=0 skip both stages and reproduce copy_last+bit-for-bit (mechanism-off control). With a single input stage the shift is+skipped; the swap still runs on the anchor's own expression. """  from __future__ import annotations  import argparse import os+import time  import numpy as np @@ -37,62 +42,119 @@ from src.task2_spatial.view_io import (     write_t2, ) -# Mechanism switch. Local grid (A-half): variogram degrades monotonically with-# |alpha| in BOTH directions (expand alpha>0: 0.0586 -> 0.0620/0.0639/0.0665;-# shrink alpha<0: -> 0.0696), mmd_u flat or worse, nb worse; alpha=0.20 also-# breaks the DE no-change protection (de_score -0.625). Boundary rule applies:-# default 0 = off = bit-for-bit copy_last.-ALPHA = float(os.environ.get("VEC_ALPHA", "0.0"))  # 0 = mechanism off = copy_last-K_PC = int(os.environ.get("VEC_K", "20"))  # number of leading PCs to rescale-N_PC = int(os.environ.get("VEC_NPC", "50"))  # PCA components fitted-R_LO = float(os.environ.get("VEC_RLO", "0.5"))  # variance-ratio truncation-R_HI = float(os.environ.get("VEC_RHI", "2.0"))+# Mechanism switches. Local A-half grid: alpha=0.02 shift ALONE breaks the DE+# no-change protection via clip(0) artefacts (de_score -0.125,+# expression_change 47.72) -> 49.10; adding the 2% coord swap gives 48.87+# (nb 0.11463->0.11459 negligible, occupancy_dice 0.8148->0.8131 hurt by the+# row reordering). PLAN stop-loss (first config <= 50) applies: defaults 0 =+# mechanism off = bit-for-bit copy_last.+ALPHA = float(os.environ.get("VEC_ALPHA", "0.0"))  # 0 = shift off = copy_last X+SWAP = float(os.environ.get("VEC_SWAP", "0.0"))  # % of cells to swap; 0 = off+EPS = float(os.environ.get("VEC_EPS", "0.002"))  # min exact gain to accept a swap+ROUNDS = int(os.environ.get("VEC_ROUNDS", "3"))+KNN = int(os.environ.get("VEC_KNN", "15"))+TIME_CAP = float(os.environ.get("VEC_TIMECAP", "480"))+SEED_BATCH = 1024+TOP_CAND = 16 DEBUG = bool(os.environ.get("VEC_DEBUG"))  -def variance_extrapolate(-    X: np.ndarray, X_early: np.ndarray, alpha: float, k: int, seed: int-) -> np.ndarray:-    """Mean-preserving per-PC variance scaling of X along the early->late trend."""-    from sklearn.decomposition import PCA--    n, g = X.shape-    n_comp = int(min(N_PC, n - 1, g))-    if n_comp < 1 or X_early.shape[0] < 32 or alpha == 0.0:-        return X-    pca = PCA(n_components=n_comp, svd_solver="full", random_state=seed)-    pca.fit(X)-    V = pca.components_  # (n_comp, g)-    mu = pca.mean_-    Z = (X.astype(np.float64) - mu) @ V.T-    Ze = (X_early.astype(np.float64) - mu) @ V.T-    var_late = Z.var(axis=0, ddof=1)-    var_early = Ze.var(axis=0, ddof=1)-    r = var_late / (var_early + 1e-8)--    kk = int(min(k, n_comp))-    f = np.ones(n_comp, dtype=np.float64)-    mask = (r[:kk] >= R_LO) & (r[:kk] <= R_HI)-    f[:kk] = np.where(mask, np.sqrt(1.0 + alpha * (r[:kk] - 1.0)), 1.0)--    if DEBUG:-        nmask = int(mask.sum())-        print(-            f"PCs rescaled {nmask}/{kk} (ratio in [{R_LO},{R_HI}]); "-            f"f range [{f.min():.4f},{f.max():.4f}]; "-            f"r[:5]={np.round(r[:5], 3)} f[:5]={np.round(f[:5], 4)}"+def coord_swap(X: np.ndarray, coords: np.ndarray, budget: int, seed: int) -> tuple[np.ndarray, dict]:+    """Permute coords rows (cell<->coordinate pairing) to minimise expression+    cosine distance over the coord-15NN graph. Returns (permuted coords, stats)."""+    from scipy import sparse+    from scipy.spatial import cKDTree++    n = X.shape[0]+    rng = np.random.default_rng(seed + 12345)+    tree = cKDTree(coords)+    nbr = tree.query(coords, k=min(KNN, n - 1) + 1)[1][:, 1:]++    rows = np.repeat(np.arange(n), nbr.shape[1])+    A = sparse.coo_matrix((np.ones(rows.size), (rows, nbr.ravel())), shape=(n, n))+    U = (A + A.T).astype(bool).tocsr()+    deg = np.diff(U.indptr)+    maxdeg = int(deg.max())+    Uadj = np.full((n, maxdeg), n, dtype=np.int64)  # pad -> scratch zero row+    for q in range(n):+        Uadj[q, : deg[q]] = U.indices[U.indptr[q] : U.indptr[q + 1]]++    P = X.astype(np.float64)+    P /= np.maximum(np.linalg.norm(P, axis=1, keepdims=True), 1e-12)+    P = np.ascontiguousarray(np.vstack([P, np.zeros((1, P.shape[1]))]))  # scratch row n+    body = slice(0, n)++    def recompute() -> tuple[np.ndarray, np.ndarray, float]:+        N = np.ascontiguousarray(P[Uadj].sum(axis=1))+        d = np.einsum("ij,ij->i", P[body], N)+        E = 0.5 * (float(deg.sum()) - float(d.sum()))+        return N, d, E++    N, d, E0 = recompute()+    stats = {"E0": E0, "E1": E0, "swaps": 0, "rounds": 0, "gain_total": 0.0, "budget": budget}+    if budget <= 0:+        return coords[np.arange(n)], stats++    budget = int(min(budget, n // 2))+    perm = np.arange(n)  # output row c gets coords[perm[c]]+    swaps_done = 0+    t0 = time.time()++    def exact_gain(a: int, b: int) -> float:+        na = Uadj[a, : deg[a]]+        nb = Uadj[b, : deg[b]]+        na = na[na != b]+        nb = nb[nb != a]+        ua, ub = P[a], P[b]+        Pa, Pb = P[na], P[nb]+        return float(+            (Pa @ ub).sum() + (Pb @ ua).sum() - (Pa @ ua).sum() - (Pb @ ub).sum()         ) -    dZ = Z * (f - 1.0)[None, :]-    X_new = X + (dZ @ V).astype(np.float32)-    X_new = np.clip(X_new, 0.0, None)--    if DEBUG:-        dmean = np.abs(X_new.mean(axis=0) - X.mean(axis=0)).max()-        nclip = int((X + (dZ @ V).astype(np.float32) < 0).sum())-        dnorm = np.abs(X_new - X).mean()-        print(f"max |gene-mean shift| = {dmean:.3e}; clipped entries = {nclip}; mean |dX| = {dnorm:.4f}")-    return X_new.astype(np.float32)+    for rd in range(ROUNDS):+        stats["rounds"] = rd + 1+        if swaps_done >= budget or time.time() - t0 > TIME_CAP:+            break+        order = rng.permutation(n)+        moved = np.zeros(n, dtype=bool)+        for s in range(0, n, SEED_BATCH):+            if swaps_done >= budget or time.time() - t0 > TIME_CAP:+                break+            I = order[s : s + SEED_BATCH]+            I = I[~moved[I]]+            if I.size == 0:+                continue+            Pb_ = P[body]+            G = Pb_ @ N[I].T + N @ Pb_[I].T - d[:, None] - d[I][None, :]+            G[I, :] = -np.inf+            flat = G.ravel()+            k = min(TOP_CAND, flat.size - 1)+            top = np.argpartition(flat, -k)[-k:]+            top = top[np.argsort(flat[top])[::-1]]+            done = False+            for f in top:+                if flat[f] <= EPS:+                    break+                a, t = divmod(int(f), I.size)+                b = int(I[t])+                g = exact_gain(a, b)+                if g > EPS:+                    perm[[a, b]] = perm[[b, a]]+                    P[[a, b]] = P[[b, a]]+                    moved[a] = moved[b] = True+                    N, d, _ = recompute()+                    swaps_done += 1+                    stats["gain_total"] += g+                    if DEBUG and swaps_done % 50 == 0:+                        print(f"swap {swaps_done}: gain={g:.4f} t={time.time()-t0:.0f}s", flush=True)+                    done = True+                    break+            if not done and flat.max() <= EPS:+                pass  # no promising pair in this batch+    _, _, E1 = recompute()+    stats["E1"] = E1+    stats["swaps"] = swaps_done+    return coords[perm], stats   def main() -> None:@@ -109,21 +171,43 @@ def main() -> None:     rng = np.random.default_rng(args.seed)     if n <= stage.n:         rows = np.sort(take(stage.labels, n, rng))-    else:  # fewer cells than min_cells: resample with replacement+    else:         rows = np.sort(rng.choice(stage.n, size=n, replace=True))     X = stage.X[rows].toarray().astype(np.float32)     coords = stage.coords[rows] +    # ---- stage A: global micro shift ----     if ALPHA != 0.0:         prev_entry, _, _ = extrap_step(manifest)         if prev_entry is not None:             prev = read_stage(args.data, prev_entry, genes)-            X_early = prev.X.toarray().astype(np.float32)-            X = variance_extrapolate(X, X_early, ALPHA, K_PC, args.seed)+            pb_early = np.asarray(prev.X.mean(axis=0)).ravel().astype(np.float64)+            pb_late = np.asarray(stage.X.mean(axis=0)).ravel().astype(np.float64)+            v = pb_late - pb_early+            X0 = X.mean(axis=0).astype(np.float64)+            Xs = X.astype(np.float64) + ALPHA * v[None, :]+            X = np.clip(Xs, 0.0, None).astype(np.float32)             if DEBUG:-                print(f"VEC_ALPHA={ALPHA} VEC_K={K_PC} applied")+                dp = X.mean(axis=0).astype(np.float64) - X0+                print(+                    f"alpha={ALPHA} std(v)={v.std():.4f} std(dp)={dp.std():.5f} "+                    f"max|dp|={np.abs(dp).max():.4f} n_clip={int((Xs < 0).sum())}",+                    flush=True,+                )         elif DEBUG:-            print("single input stage: mechanism skipped, copy_last")+            print("single input stage: shift skipped", flush=True)++    # ---- stage B: coord permutation ----+    if SWAP > 0.0:+        budget = int(round(SWAP / 100.0 * X.shape[0]))+        coords, st = coord_swap(X, coords, budget, args.seed)+        if DEBUG:+            drop = st["E0"] - st["E1"]+            print(+                f"swaps={st['swaps']}/{st['budget']} rounds={st['rounds']} "+                f"E0={st['E0']:.1f} E1={st['E1']:.1f} drop={drop:.2f} ({100*drop/max(st['E0'],1e-9):.3f}%)",+                flush=True,+            )      write_t2(args.out, X, coords, genes, seed=args.seed) 

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 实现 T2HX-04（微小全局伪批量位移 α + 表达引导的坐标 2-opt 置换，精确能量差验证的 best-first 贪心）。

查分（2/20 次，A 半）：
- α=0.02, B=0（只位移）→ **49.10**：clip(0) 伪影在 α=0.02 就击穿 DE 保护（de_score −0.125，PLAN 假设 <1% 被证伪），variogram 恶化。
- α=0.02, B=2%（PLAN 首档）→ **48.87**：3 轮扫描仅找到 75/497 对改善交换、能量只降 0.313%，nb Δ≈0，occupancy 反被行序扰动扣分——"位移破局"假设不成立。
- 按 PLAN 止损规则提交机制关（VEC_ALPHA=VEC_SWAP=0），输出与 copy_last 逐位一致（sha256 a26c0b78…），vec-check ok，预期 50.00。

下一步最值得试：本榜 copy_last 基座上的视图内微扰族（均值位移、方差缩放、配对重排及其组合）已全部证伪；继续投入期望收益 <1 分噪声，建议预算转向心脏/全胚插值榜，或引入视图外时间方向信息的跨阶段状态建模。

调研员

e": "微小表达位移破局+表达kNN坐标置换（复刻节点5成功条件）",
  "motivation": "节点5（52.74）是全树唯一超过地板的节点，方法为表达kNN引导坐标置换，且其parent（节点4，α=0.05 damped_shift）有微小表达位移。节点10在纯copy_last上'复刻并约束node5'得50.00（机制开启仍无收益），说明纯copy_last的邻域结构是坐标置换的局部最优——微小表达位移打破该局部最优可能是节点5成功的关键前提。节点4本身49.89（α=0.05略有害），但节点5在其基础上通过坐标置换拿到52.74（+2.85）。本方案用更小α（0.01–0.03）降低位移本身损害，再叠加坐标置换。",
  "approach": "步骤：(1) copy_last基座（锚阶段整份输出，坐标/基因序/细胞数不变）。(2) 阶段A表达位移：取manifest倒数两输入阶段（E8.25, E8.75），计算逐基因伪批量差 v=pb(late)−pb(early)；对锚阶段每个细胞 X_i ← X_i + α·v（全局统一方向，非按型）。α初值0.02，搜索{0.01, 0.02, 0.03}；位移后直接clip(0)（α≤0.03时clip伪影极小，先打印std(dp)/std(dt)确认<1%）。(3) 阶段B坐标置换：在位移后表达上建坐标15-NN图；贪心2-opt：遍历所有细胞对(i,j)，若交换其坐标后'坐标15-NN内的表达余弦距离总和'下降，则执行交换；总交换预算B%（初值2%，搜索{1,2,4}%）；达到预算或无改善交换时停止。(4) 单输入阶段退路：prev=None时跳过阶段A（α无效），阶段B仍可在锚阶段自身表达kNN上执行。(5) vec-score快筛：先查identity基线（1次）→α=0.02/B=0确认位移单独不破坏（1次）→α=0.02/B=2%完整方案（1次）→若>50则追加α×B网格（≤4次）→若首档≤50止损提交off。总查分≤8次。(6) 无视图路径/阶段名/绝对时间分支；只用manifest提供的阶段顺序与视图内数据。",
  "expected_groups": ["local_spatial", "shape_scale"],
  "risks": "1) α≤0.03的位移可能太小，无法打破copy_last的邻域局部最优，坐标置换仍无改善（与节点10相同结局）——Engineer在首档（α=0.02, B=2%）查分后若≤50.00立即止损；2) 坐标置换过度（B>3%）可能破坏已有邻域结构使neighborhood_mmd恶化并触发结构门——先试B=1%再递增；3) clip(0)在稀疏数据上引入微小均值漂移——实现时打印std(dp)/std(dt)，若≥1%则回退为不做clip改用max(X,0)后重归一化每行总和；4) 节点5的52.74仅有单种子，可能是A半噪声高估——若首档>51，用同输出再查一次确认（σ=0已验证则无需）。",
  "family_id": "T2HX-04",
  "mechanism": "先用两阶段伪批量差做极微小全局表达位移打破copy_last邻域局部最优，再用表达kNN引导的贪心2-opt坐标置换重排细胞-坐标配对，使空间相邻细胞的表达更一致，改善neighborhood_mmd。",
  "vs_constant_shift": "常数位移是对每个细胞类型加相同表达偏移（T2HX-01），只动表达值不动配对；本方案的核心收益来自坐标-细胞配对的重排（哪个细胞占哪个空间位置），表达位移仅为打破局部最优的前置步骤且幅度极小（α≤0.03），且不对不同型做差异化处理。",
  "mechanism_off_control": "环境变量VEC_ALPHA=0且VEC_SWAP=0（默认）时，程序跳过位移和置换，输出与copy_last逐位一致（sha256校验）；预期分数=50.00，四组全50.00。若VEC_ALPHA≠0但VEC_SWAP=0，只开位移不开置换，预期≤50（位移本身无害但也无益）；这证明收益来自置换而非位移。",
  "mechanism_evidence": "1) 置换统计：实际执行的交换次数/预算比、被交换细胞的空间分布；2) 邻域变化：置换前后坐标15-NN表达余弦距离总和的下降幅度；3) 四组分对比：α=0.02+SWAP=0 vs α=0.02+SWAP=2% vs identity，分离位移与置换各自贡献；4) 若local_spatial>50且expression_change≥50（std(dp)/std(dt)<1%确认DE保护未击穿），则机制生效。"
}
```