总览 · ← 返回运行 20261003-172000-search-t2-heart-extrap-chain-12h

节点 n34

型内速度方向一致性加权（幅度归一化 lin50n）+ α=1.7 重耦合，替 node-32 基座（去分层）；PLAN 的压缩式加权与 15-NN 邻域平滑经 12 配置证否。

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 a3c8e1938e: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 f2684b3ecb。改动的文件：solution/METHOD.md +77 −69、solution/README.md +16 −18、solution/run.py +200 −168

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex ad1446c..63ec6d1 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,79 +1,87 @@-rel速度底物重耦合：α=1.5乘法外推+γ=1.0全量逐细胞再归一+ε=0.4扩散基座，叠|v|分位数分层（前40%×1.15/其余×0.55）；坐标/组成/行序冻结+型内速度方向一致性加权（幅度归一化 lin50n）+ α=1.7 重耦合，替 node-32 基座（去分层）；PLAN 的压缩式加权与 15-NN 邻域平滑经 12 配置证否。 -## 方法（family T2HX-01，父节点 30 的 improve）+## 方法（family T2HX-01，node-32 底物 + 节点 34 机制） -流水线（坐标、组成、细胞数、行序全程冻结）：+底物（承自父节点 32，去掉贡献在噪声内的 |v| 分层）：copy_last 基座（n 夹到+[min,max]，按型分层抽样），ε=0.4 两步支撑掩码坐标-15NN 扩散 + 逐基因伪批量精确复原；+rel 速度 v_{t,g}=(m_a−m_p)/(m_p+1)（型内 log1p 均值），硬门控（两阶段型内 ≥30 细胞、+m≥0.05、|v|≤2），软阈值 k=0.5（本视图 407 个过门 (型,基因) 对）；逐细胞乘法位移+x'=Y0·2^(α·v_eff)，α=1.7，逐细胞 CP10k 总量 γ=1.0 精确拉回自身基座，PBC=10 亮度钳制。+坐标、组成、行序、细胞数冻结（shape 组恒地板，proxy_noscale 钉死尺度项）。 -1. **基座**（node-23 算子）：锚阶段=最后一个输入，n 夹到 [min_cells, max_cells]（本视图 n=锚阶段全量 24826，无抽样，seed 无关），坐标 15-NN 图上 2 步支撑掩码扩散 ε=0.4（只动实测正值、保零模式），随后逐基因列缩放**精确复原**锚伪批量。-2. **rel 速度场**（node-27/29 血统）：v_{t,g}=(m_a−m_p)/(m_p+1)，m=型内 log1p 均值（分母 ≥1，天然压低低表达噪声基因）。硬门控：型两阶段各 ≥30 细胞、基因 m≥0.05（两阶段）、|v|≤2 截断。软阈值 k=0.5（对 rel 场保留置信运动核心：本视图 31 型×500 基因中 407 对过门，|v| 分位 q50=0.596/q90=0.917/max=2.0）。-3. **重耦合解码**（本节点主要实测增益）：逐细胞乘法位移 x'=Y0·2^(α·soft_k(v_{t(i),g}))，**α=1.5**（rel 场幅度相对 log2 压缩，步长需重新耦合）；随后逐细胞线性(CP10k)总量以幂 **γ=1.0 精确拉回自身基座总量**（位移只改组成、不改文库大小）；PBC=10 亮度钳制（γ=1.0 下仅触及 6 个天然最亮细胞）。-4. **|v| 分位数分层**（PLAN 机制，node-30 血统重耦合到 rel 场）：过门 (型,基因) 对按原始 |v| 降序，前 m=40% 分位（163 对，阈值 |v|≥0.627）有效步长 ×β_h=1.15，其余 60%（244 对）×β'_l=0.55；总位移近守恒（sum|v_eff| 71→73，+3.6%），是按速度可靠性**重分配**幅度而非放量。rel 场 |v| 分布与 log2 不同，分层用实际过门对的分位数，不用绝对阈值常数。-5. 单输入退路：无前一阶段 → α 强制 0 → 逐位回到扩散基座（精确复原，std_dp=0）。+**节点 34 机制（提交态）**：方向一致性加权 w(c)=(0.5+0.5c)/mean_t(·)，c = 同型其他过门+基因速度符号与本基因一致的比例（lin50n，按型均值归一化 → 只重分配幅度、不压缩总量），+v_eff = v_soft·w(c)。生物学依据：谱系推进 / 信号级联会协调地推动同型大量基因同向移动，+型内符号一致性是仅由视图输入算出的可靠性代理（同 nodes 21/24/27/29 已验证的速度外推+机制族；无外部数据、无已发布阶段常数）。诊断：c_mean=0.592（PLAN 风险线 c>0.95 未触+发），q10/50/90=0.29/0.60/0.89，归一化后 sum|v_eff|=68.0 vs 未加权 70.6（近守恒）。 -**提交态参数**：ε=0.4、k=0.5、α=1.5、γ=1.0、PBC=10、m=0.4、β_h=1.15、β'_l=0.55、V_CAP=2、GENE_FLOOR=0.05、MIN_TYPE_CELLS=30。全部为方法超参（A 半网格选定），无任何由已发布/保留阶段测量值算出的常数；不读阶段名与绝对时间（extrap_step/anchor_entry 只按时间排序取相对位置），机制无时间常数。+**α 重耦合**：加权改变每型有效幅度谱，α 在 lin50n 下重扫 {1.5,1.7,1.9,2.1}，平台+{1.7,1.9}（56.599/56.602），按父节点平台规则取 mmd_u 更小、nbhd 更优的 α=1.7。 -## 对照开关+## 查分记录（proxy_noscale A 半，共 17 次，额度 20 用 17+3 早期定位） -- `--ablate mechanism`：β_h=β'_l=1.0（同底物统一幅度）→ 输出**逐位等于**分层关底物（本机 h5 数据逐位比对已验证；A 半 56.43）。分层开（56.54 配置）与关输出不同 → mechanism_active=yes。-- 二级对照 α=0（env `VEC_ALPHA=0`）→ 逐位=扩散基座（其自身无变化保护下 = copy_last 等效）。-- env 探针（仅复现网格）：`VEC_VEL`(rel|log2) `VEC_ALPHA` `VEC_KSOFT` `VEC_GAMMA` `VEC_EPS` `VEC_PBC` `VEC_STRAT_M/BH/BL` `VEC_VCAP`；父节点 log2 态可由 `VEC_VEL=log2 VEC_ALPHA=1 VEC_KSOFT=0.7 VEC_GAMMA=0.6 VEC_EPS=0.6` 复原（本机已验证 diag 与父节点 METHOD 一致：n_high=1841、thr=1.372、sum 2799→2727）。--## A 半查分网格（20 次额度全部用完；尺子 T2:heart:val_extrap/proxy_noscale）--| # | 配置（rel 场，未注明即 ε=0.4、PBC=10、分层关） | 榜分 | de_score | de_dir | mmd_u | variogram | nbhd_mmd |+| # | 配置 | 榜分 | de_score | de_dir | mmd_u | variogram | nbhd_mmd | |---|---|---:|---:|---:|---:|---:|---:|-| Q1 | k0.5 γ0.3 α1.0（PLAN 字面 node-29 重建） | 53.50 | .1806 | .2845 | .0510 | .0540 | .0959 |-| Q1b | 同上，PBC=0 | 52.87 | .1667 | .2756 | .0532 | .0567 | .0999 |-| Q1c | k0.5 γ0.75 α1.0 | 54.37 | .1944 | .3243 | .0495 | .0507 | .0905 |-| — | k0.5 γ0.9 α1.0 | 54.74 | .2083 | .3269 | .0488 | .0491 | .0884 |-| — | k0.5 γ0.75 ε0.6 | 54.47 | | | | | |-| — | k0.5 γ1.0 α1.0 | 54.94 | .2083 | .3318 | .0484 | .0480 | .0871 |-| — | k0.25 γ1.0 α1.0 | 55.92 | .2083 | .3234 | .0480 | .0408 | .0805 |-| — | **k0.5 γ1.0 α1.5** | **56.43** | .1944 | .3732 | .0468 | .0383 | .0797 |-| — | k0.5 γ1.0 α2.0 | 56.43 | .1944 | .3737 | .0504 | .0341 | .0814 |-| — | k0.25 γ1.0 α1.5 | 55.41 | .2083 | .3439 | .0586✗止损 | .0339 | .0880 |-| Q2 | k0.5 α1.5 γ1.0 + 分层 m0.4/βh1.15/βl0.55（**提交态**） | **56.54** | .1944 | .3746 | .0481 | .0358 | .0798 |-| — | 同上 βh=1.3（sum+15.8%） | 56.46 | .1944 | .3747 | .0500 | .0343 | .0810 |-| — | ε0.6 α1.5 γ1.0 | 56.16 | .1806 | .3663 | .0467 | .0386 | .0818 |-| — | k0.4 α1.5 γ1.0 | 56.44 | .1944 | .3679 | .0489 | .0358 | .0801 |-| — | α1.75 k0.5 γ1.0 | 56.53 | .1944 | .3724 | .0483 | .0356 | .0799 |-| — | VCAP1.5 α1.5 | 56.28 | .1944 | .3787 | .0468 | .0402 | .0801 |-| — | k0.25 α1.5 + 分层（sum 守恒 +0.0%） | 54.32 | .1944 | .3327 | .0668✗止损 | .0339 | .0965 |-| Q9 | 提交态但 β'l=0.7（sum+6.5%） | 56.54 | .1944 | .3737 | .0481 | .0358 | .0798 |-| Q5 | 提交态但 m=0.3（sum−1.5%） | 56.52 | .1806 | .3801 | .0479 | .0359 | .0798 |-| — | **父节点 30 原样重测**（log2 k0.7 γ0.6 ε0.6 绝对分层，本地逐位复现其 diag） | **55.16** | .1667 | .2069 | .0498 | .0391 | .0821 |--平台：{k∈[0.4,0.5], α∈[1.5,2.0], γ=1.0, ε=0.4, 分层∈{关, 1.15/0.55, 1.15/0.7, m0.3}} 全部 56.43–56.54，按“取平台中心不取单点尖峰”选提交态。父节点 30 同尺重测 A 半 55.16（与其 METHOD 自报 55.160 一致；55.44 是其 B 半节点分）→ 提交态 A 半对 A 半领先 **+1.38**，且五项排名原始值全部不劣于父（de_score .1667→.1944、de_dir .2069→.3746、mmd_u .0498→.0481、variogram .0391→.0358、nbhd .0821→.0798）。四组对比（同 A 半）：expression_change 55.32→58.67、cell_state 57.08→58.57、local_spatial 58.24→58.93、shape_scale 50.00→50.00（坐标冻结恒为地板）。--## PLAN 判据的诚实评估--1. **移植正确性检查未达 PLAN 预期**：PLAN 字面的 node-29 重建（rel、k=0.5、γ=0.3、α=1、ε=0.4、PBC=10）A 半只有 53.50，不到预期的 ~56.2。其 de 两项与 node-29 公开记录几乎一致（de_dir .2845 vs .2837、de_score .1806 vs .1944），说明**速度场方向重建正确**，但分布三项（mmd_u/variogram/nbhd）远差于记录，且 γ=0.3→1.0、α=1→1.5 单调改善——node-29 的提交态应含未见于描述的再耦合（或 A/B 半平移大于预期），无法进一步考证（节点 29 代码不可得）。因此改为在 A 半上自行重耦合底物（γ、α 扫描），这构成本节点的实际增益来源。-2. **PLAN 机制（分层）在 rel 场上未过判据**：分层开 56.54 vs 同底物分层关 56.43，**+0.11 < 1.0 判据线**，在噪声（~1 分）内；de 两项 ≥ 分层关（.3746≥.3732 / .1944=.1944）、mmd_u 0.0481≤0.055 ✓，但增益不成立 → **“rel 场上 |v| 分位分层”作为增益来源被证否**（βh1.15/1.3、βl0.55/0.7、m0.3/0.4 六点全在 ±0.11 内，另 k0.25 宽场+分层击穿 mmd_u 0.0668）。rel 的 /(m_p+1) 已天然压低低表达噪声对，k=0.5 后仅剩 407 个高置信对，分层无多少可重分配的“不可靠尾巴”——与 PLAN 风险 1 的预判一致。-3. **未交 NO_CHANGE 的理由**（任务书 §2：PLAN 被证否时应交针对同一弱项的备选机制，而非原样退回父节点）：备选机制=**rel 速度场与解码的再耦合**（α=1.5 幅度重标定 + γ=1.0 逐细胞 CP10k 总量精确守恒 + ε=0.4），针对父节点最弱可改善组 expression_change（同 A 半 55.32→58.67，de_direction 原始值 .2069→.3746），整体 +1.38 A 半分（55.16→56.54，父节点同尺重测）。分层保留在提交态中（平台内边际非负、定义 --ablate 对照），但 METHOD 明确声明其非增益来源。-4. PLAN 预过滤偏离说明：过门对 407 < PLAN 预设的 1000（rel+k0.5 的实际场比 PLAN 假设更稀疏），分层仍良定义（163/244 分割、sum|v_eff| 偏差 +3.6% < 20%），故未按退化处理而照常查分；k0.25 宽场（2116 对 ≥1000）的分层版本实测反而击穿止损（见网格）。--## 机制生效证据（PLAN mechanism_evidence 对应项）--- 重分配而非放量：sum|v_eff| 71→73（+3.6%，±20% 内）；β 调度=前 40% 分位（|v|≥0.627）×1.15、其余 ×0.55；|v| 分位阈值 q10–q99 全部打印在运行日志。-- 因果隔离：`--ablate mechanism` 输出逐位=分层关底物（h5 数据逐位比对 True）；full≠ablate（True）。分层改变 163 对高 |v| (型,基因) 的步长，覆盖有速度型的绝大多数细胞（31 型中过门型全部，24788/24826 细胞有速度，38 细胞无速度型保持基座值）。-- 四组分（A 半，分层开−分层关）：expression_change 58.64→58.67（+.03）、cell_state 58.11→58.57（+.46）、local_spatial 58.98→58.93（−.05）、shape_scale 不变；vs 父节点 30 同 A 半重测（55.32/57.08/58.24/50.00）：+3.35 / +1.49 / +0.69 / 0。-- 止损：mmd_u 0.0481 ≤ 0.055 ✓；variogram 0.0358 优于父节点 0.0384 ✓。--## 稳健性（已实测）--- 纯 CPU 3.2 s / 峰值 RSS 0.97 GB（限额 28 GB / 30 min）；`vec-check` 通过（final 与 ablate 输出均 ok）。-- seed 0/1/2 输出逐位相同（本视图 n=锚阶段全量，无随机抽样路径；有抽样时也仅由 seed 决定）。-- 伪装视图（文件改名、manifest 键序打乱+重排版、全部时间 +1、换路径）输出逐位相同；程序不读 board/mode 做分支、无视图/数据集名、无写死细胞数。-- 单输入视图（自建测试视图）：α→0，输出=扩散基座（std_dp=0），不崩。-- 确定性：机制不消耗随机数；np.random.default_rng(seed) 仅用于细胞抽样。--## 未验证 / 风险--- 全部读数来自 A 半；正式分用 B 半（各自地板/天花板）。外推榜有“本地领先到正式缩水”的历史教训（方法卡：本地 54.2→官网 49.6），+1.10 的 A 半领先在 B 半可能缩小；已按平台选参而非单点尖峰以降低该风险。-- 真实 final 视图（3 输入、锚阶段可能超 max_cells 触发分层抽样、prev/anchor 时间差不同）未实测；程序路径全部按 manifest 相对量计算，无绝对时间常数。-- α 平台在 A 半上 1.5–2.0 等价，B 半最优可能偏移；γ=1.0 的精确总量守恒使 PBC 钳制几乎失效（6 细胞），亮度尾巴风险由 γ 而非钳制承担。-- 分层（+0.11，噪声内）保留与否对分数无实质影响；若审查认为噪声级机制不应保留，`--ablate` 输出（56.43）即其去除态。+| ref | 基座 α=1.5（=父去分层，56.43 复现） | 56.433 | 0.1944 | 0.3732 | 0.04675 | 0.03828 | 0.07968 |+| 1 | PLAN lin50（压缩 0.5+0.5c）α=1.5 | 56.062 | 0.1806 | 0.3789 | 0.04594 | 0.04221 | 0.08096 |+| 2 | PLAN lin30 α=1.5 | 55.748 | 0.1667 | 0.3761 | 0.04611 | 0.04422 | 0.08216 |+| 3 | PLAN sqrt α=1.5 | 55.985 | 0.1806 | 0.3768 | 0.04583 | 0.04289 | 0.08129 |+| 4 | lin50n（归一化）α=1.5 | 56.532 | 0.1806 | 0.3755 | 0.04633 | 0.03734 | 0.07914 |+| 5 | 平滑 δ=0.05 τ=0.3 | 56.353 | 0.1806 | 0.3734 | 0.04661 | 0.03867 | 0.07972 |+| 6 | 平滑 δ=0.1 τ=0.3 | 56.320 | 0.1806 | 0.3726 | 0.04650 | 0.03907 | 0.07979 |+| 7 | 平滑 δ=0.05 τ=0.15 | 56.345 | – | – | 0.04663 | 0.03868 | 0.07976 |+| 8 | 平滑 δ=0.15 τ=0.3 | 56.293 | – | – | 0.04641 | 0.03948 | 0.07989 |+| 9 | lin50n α=1.7 | **56.599（提交）** | 0.1806 | 0.3763 | 0.04755 | 0.03547 | 0.07928 |+| 10 | lin50n α=1.9 | 56.602 | 0.1944 | 0.3775 | 0.04913 | 0.03419 | 0.08016 |+| 11 | lin50n α=2.1 | 56.455 | 0.1944 | 0.3776 | 0.05102 | 0.03331 | 0.08159 |+| 12 | lin50n α=1.7 k=0.4 | 56.501 | 0.1806 | 0.3741 | 0.04945 | 0.03429 | 0.08017 |+| 13 | lin50n α=1.7 k=0.45 | 56.481 | 0.1806 | 0.3745 | 0.04913 | 0.03462 | 0.08035 |+| 14 | lin50n α=1.7 k=0.55 | 56.556 | 0.1806 | 0.3801 | 0.04688 | 0.03659 | 0.07945 |+| 15 | lin50n α=1.7 + 分层（父机制叠加） | 56.574 | 0.1944 | 0.3784 | 0.04962 | 0.03391 | 0.08050 |+| 16 | 对照：无加权 α=1.7 | 56.539 | 0.1944 | 0.3737 | 0.04789 | 0.03602 | 0.07976 |+| 17 | lin50n α=1.7 ε=0.5 | 56.525 | 0.1806 | 0.3755 | 0.04746 | 0.03564 | 0.08010 |++（无加权 α=1.6/1.8 = 56.458/56.521 亦测，未列全。）++## 结论（如实）++- **PLAN 部件 1 压缩式加权证否**：lin50/lin30/sqrt 单调劣于基座（压缩越强越差，+  56.06/55.75/55.98 vs 56.43）；总幅度压缩等效降 α，variogram/de_score 受损。+- **PLAN 部件 2 邻域平滑证否**：δ×τ 共 5 组合全部低于基座（56.29–56.35），+  neighborhood_mmd 原始值几乎不动（0.07968→0.0797–0.0799），尽管预测云内高位移基因+  的 Dirichlet 能量降 10–28%——真值的邻域结构并不比锚阶段更平滑，此路不通。+- **备选机制（同弱项、同族）**：幅度归一化一致性加权 lin50n + α 重耦合。它是部件 1+  的备选解码（保留方向可靠性重分配、去掉总量压缩），在 17 配置中给出最高分+  56.599（基座 56.433，同 α 无加权对照 56.539）。**差距 +0.17/+0.06 在 T2 噪声+  （~1 分）内**，不能声称显著增益；选择依据是它是全部网格的平台上点，且五项排名+  原始值相对同 α 对照为 2 升（de_dir、variogram）1 平 2 微升（mmd_u、nbhd），+  de_score 降一个量化步（0.1944→0.1806）。+- 分层（父机制）叠加无增益（56.574<56.599），提交态去掉，降低复杂度。+- ε=0.5、k∈{0.4,0.45,0.55} 均无增益，保持 ε=0.4、k=0.5。++## 机制生效证据（--ablate mechanism）++ablate = w(c)≡1、δ=0（其余不变，α 仍 1.7，与 PLAN 预写的差别及理由已写进 run.py+文档字符串：α 重耦合是提交解码的一部分，ablate 只关加权以隔离单机制）。本机已验证：+ablate 输出逐位等于无加权对照（A 半 56.539），提交态输出与之不同（加权把 407 个过门+对的幅度按 c 重分配，sum|v| 70.6→68.0，逐型守恒）；分组差异（对照→提交）：+expression_change 58.65→58.48、cell_state 58.55→58.82、local_spatial 58.95→59.10。+预期 harness 记 mechanism_active=yes，但榜分差 +0.06 在噪声内（如实声明）。++## 验证与稳健性++- vec-check 通过（提交态与 ablate 态）；final == 已查分的 lin50n α=1.7 预测逐位相同。+- seed 0/1/2 输出逐位相同（机制无随机性；n=stage.n<max_cells 时抽样退化为全取）。+- 伪装视图（改路径/文件名/阶段名、manifest 键序重排、全部时间 +1 天）输出逐位相同。+- 单输入视图：α→0，输出=扩散基座（dp=0，DE 无变化保护），不崩，vec-check 通过。+- 纯 CPU 5.0 s / 0.98 GB（限额 30 min / 28 GB）。EXECUTION.json gpu=false。+- 未验证：B 半与真实 E10.5 目标上的表现；α 平台 {1.7,1.9} 之外的更细网格；+  lin50n 与 log2 速度场的组合（父节点已证 rel 优于 log2，未重测）。  ## 知识来源 -- 无外部数据（external/ 未读取）、无 prior/ 文件、无文献数值。方法学知识全部来自本树已验证节点（21/23/24/25/27/29/30 的机制与教训）；速度、门控、分位阈值、钳制界全部由视图两个输入阶段现场计算。生物学假设仅为通用机制知识：细胞类型的转录速度（型内伪批量相对变化）可外推下一区间的调控程序走向（谱系推进、信号驱动的 TF 级联），与已发表节点的用法一致，不含任何保留阶段/基因型的测量值。+无外部数据、无文献数值。使用的生物学知识仅为通用机制知识（允许范围）：谱系推进与+信号级联协调推动同型基因同向变化（细胞状态程序性知识，同父系 nodes 21/24/27/29 已+验证的速度外推前提；PLAN sources=[] 同）。所有数值（速度、门控、c、权重、钳制界）+均由视图两个输入阶段现场计算；无已发布/保留阶段尺寸或组成常数。diff --git a/solution/README.md b/solution/README.mdindex 166575f..ee02904 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,25 +1,23 @@-# rel速度底物重耦合 + |v|分位数分层（节点 32）+# 方向一致性加权 rel 速度外推（节点 34） -在父节点 30（log2 速度、k=0.7、γ=0.6、ε=0.6、绝对分层）基础上，把外推底物换成-rel 速度场 v_{t,g}=(m_a−m_p)/(m_p+1)（型内 log1p 均值、硬门控 ≥30 细胞 / m≥0.05 /-|v|≤2、软阈值 k=0.5）并**重耦合解码**：位移幅度 α=1.5、逐细胞 CP10k 总量以 γ=1.0-精确拉回自身基座总量、ε=0.4 两步支撑掩码扩散基座、PBC=10 亮度钳制；其上叠 PLAN 的-|v| 分位数分层（过门对前 40% 分位 ×1.15、其余 ×0.55，sum|v_eff| +3.6% 近守恒）。-坐标、组成、细胞数、行序冻结（shape 组恒=地板）。全部数值由视图两个输入阶段现场-计算，无外部数据、无已发布阶段常数。+node-32 底物（rel 速度 v=(m_a−m_p)/(m_p+1)、硬门控 + k=0.5 软阈值、ε=0.4 扩散基座、+逐细胞乘法位移 + γ=1.0 CP10k 精确回拉、PBC=10，坐标/组成/行序冻结），去掉父节点+|v| 分层，叠加**幅度归一化方向一致性加权**：过门 (型,基因) 对按同型符号一致比例 c+加权 w=(0.5+0.5c)/mean_t，α 重耦合至 1.7。全部数值由视图输入现场计算。 -A 半（proxy_noscale）：提交态 56.54，同底物分层关 56.43，父节点同尺重测 55.16；20 次网格-与判据评估见 METHOD.md（分层机制增益 +0.11 在噪声内、未过 PLAN >1.0 判据，增益-来源是底物重耦合——METHOD.md 已如实声明）。+A 半（proxy_noscale）：提交态 56.599；同 α 无加权对照 56.539；基座 α=1.5 为 56.433。+PLAN 的压缩式加权（lin50/lin30/sqrt）与 15-NN 邻域平滑（δ×τ 5 组合）均证否；+17 配置网格与结论见 METHOD.md。 -## 对照开关+## 开关 -- `--ablate mechanism`：β_h=β'_l=1.0 → 输出逐位等于分层关底物（本机已验证）。-- env 探针（仅复现网格）：`VEC_VEL` `VEC_ALPHA` `VEC_KSOFT` `VEC_GAMMA` `VEC_EPS`-  `VEC_PBC` `VEC_STRAT_M/BH/BL` `VEC_VCAP`；父节点 log2 态可复原（见 METHOD.md）。+- `--ablate mechanism`：w(c)≡1、平滑 δ=0（α 保持 1.7），输出逐位等于无加权对照。+- env 探针（仅复现网格）：`VEC_CONS`（none/lin50/lin30/sqrt/hard，尾缀 n=归一化）、+  `VEC_ALPHA` `VEC_KSOFT` `VEC_EPS` `VEC_GAMMA` `VEC_PBC` `VEC_SMD` `VEC_SMTAU`+  `VEC_STRAT_M/BH/BL`（父分层，默认关）`VEC_VEL`（rel/log2）。  ## 稳健性（已实测） -- 纯 CPU 3.2 s / 0.97 GB；vec-check 通过（final 与 ablate）。-- seed 0/1/2 输出逐位相同；伪装视图（改名、键序打乱、时间 +1、换路径）逐位相同。-- 单输入视图 α→0 回扩散基座，不崩；无随机性进入机制路径。+- 纯 CPU 5.0 s / 0.98 GB；vec-check 通过（提交态与 ablate 态）。+- seed 0/1/2 逐位相同；伪装视图（改名、键序、时间 +1）逐位相同。+- 单输入视图 α→0 回扩散基座，不崩；机制无随机性。diff --git a/solution/run.py b/solution/run.pyindex e1fc329..f16cad1 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,86 +1,63 @@ #!/usr/bin/env python3-"""T2 extrapolation: rel-velocity multiplicative extrapolation RE-COUPLED to-full per-cell CP10k renormalization (gamma=1.0) and amplitude alpha=1.5 on the-eps=0.4 support-masked spatial-diffusion base, plus |v|-quantile magnitude-stratification of the velocity field (family T2HX-01).--NODE 32 (this file). SUBMITTED state (A-half grid, 19 scored configs, see-METHOD.md): rel velocity, k=0.5, alpha=1.5, gamma=1.0, eps=0.4, PBC=10,-stratification m=0.4, beta_h=1.15, beta_l=0.55 -> A half 56.54 (parent-node-30 re-measured on the same A half: 55.16, its B-half node score is-55.44; stratification-off substrate 56.43).--  rel velocity (node 27/29 lineage):-      v_{t,g} = (m_a - m_p) / (m_p + 1),  m = within-type mean of log1p values-      (bounded below by -1, denominator >= 1; low-expression noise genes are-      naturally damped). Hard gates: type with >= MIN_TYPE_CELLS cells in both-      input stages; gene m >= GENE_FLOOR in both; |v| <= V_CAP.-      Soft threshold k=0.5 leaves the confidently-moving core (407 gated-      (type,gene) pairs on the proxy view; the rel |v| distribution is far more-      compressed than log2's).--  RE-COUPLED decode (this node's main measured gain vs the parent's log2-  state): per-cell multiplicative displacement x' = Y0 * 2**(alpha *-  soft_k(v)), alpha=1.5 (the rel field is amplitude-compressed relative to-  log2, so the step needs re-scaling), then the per-cell linear (CP10k) total-  is pulled back to the cell's OWN base total with power gamma=1.0 (exact-  total conservation per cell: displacement changes composition only, never-  library size). The literal node-29 reconstruction (alpha=1, gamma=0.3)-  measured 53.50 on the A half; gamma 0.3->0.75->0.9->1.0 improved-  monotonically (53.50/54.37/54.74/54.94) and alpha 1->1.5->2.0 gave-  54.94/56.43/56.43 -> plateau alpha in [1.5, 2.0], center 1.5 chosen-  (smallest mmd_u of the plateau).--  log2 velocity (parent node 30 state, kept env-gated for reproducibility):-      v_{t,g} = log2(pb_a) - log2(pb_p), k=0.7, eps=0.6, gamma=0.6, alpha=1-      (VEC_VEL=log2 + the parent's constants reproduces it).--Magnitude stratification (PLAN mechanism, node-30 lineage re-coupled): gated-(type,gene) pairs (soft-threshold output != 0) are ranked by raw |v|-descending; the top STRAT_M quantile gets effective step alpha*STRAT_BH, the-rest alpha*STRAT_BL. Because the rel |v| distribution differs from log2-(bounded, compressed), the split is BY QUANTILE of the actual gated pairs,-never by an absolute |v| constant. Total displacement is approximately-conserved (+3.6% on the proxy view): the mechanism RE-ALLOCATES amplitude by-reliability instead of inflating it. Measured effect on this substrate:-+0.11 A-half points (56.54 vs 56.43 strat-off) - within noise, below the-PLAN's >1.0 criterion -> stratification is NOT the source of this node's-gain (see METHOD.md); it is kept because it is harmless-to-marginally--positive across m in {0.3,0.4} and beta_l in {0.55,0.7} and defines the-``--ablate mechanism`` contrast: STRAT_BH=STRAT_BL=1.0 (uniform amplitude on-the same substrate) -> output bitwise the stratification-off substrate.--Brightness clamp (node 25 lineage, VEC_PBC): after the per-cell renormalization,-cells whose linear (CP10k) total exceeds VEC_PBC x median(base totals) are-scaled uniformly back to that bound (with gamma=1.0 it only touches the 6-naturally-brightest cells; VEC_PBC=0 off).--Base (node 23 operator): anchor = last observed input stage, n clipped to-[min_cells, max_cells], stratified-by-celltype sampling via ``take``, then 2-steps of support-masked diffusion on the coordinates-15-NN graph,-Y <- clip(Y + eps*(WY - Y), 0) applied only to originally measured entries-(x>0; zero pattern preserved), followed by per-gene column scaling that-restores the anchor pseudobulk EXACTLY. Coordinates, composition, row order-and cell count are frozen throughout.--Decode (pertype): per-cell multiplicative displacement-x' = Y0 * 2**(alpha * soft_k(v_{t(i),g})) with per-cell renormalization-pulling each cell's linear total back toward its own base total with power-gamma. alpha=0 skips the block (bitwise the diffusion base, whose exact-pseudobulk restoration keeps dp = 0 -> DE no-change protection).--Biology: transcriptional velocity of a cell type over the last observed-interval extrapolates the regulatory programs acting over the next interval-(lineage progression, signal-driven TF cascades; validated in nodes 21/24/27/-29). No external data, no constants from published/held-out stages; every-number (velocities, gates, stratification thresholds, clamp bound) is computed-from the view's own inputs.--Single-input fallback: without a previous stage no velocity exists -> alpha is-forced to 0 and the output is bitwise the diffusion base.--View-independent: no absolute stage names or times are read; the mechanism is-time-free. Deterministic given --seed (the mechanism consumes no randomness).+"""T2 extrapolation: rel-velocity multiplicative extrapolation (node-32+substrate, stratification dropped) + NODE-34 mechanism:++AMPLITUDE-NORMALIZED DIRECTION-CONSISTENCY WEIGHTING of the gated per-type+velocity field, re-coupled to step alpha=1.7: for each gated (type,gene)+pair, c = fraction of the OTHER gated genes of the same type whose velocity+sign matches; v_eff = v * w(c)/mean_t(w(c)) with w = 0.5+0.5c (mode lin50n).+Sign-inconsistent movers (dominated by sampling noise of the two pseudobulk+means) are compressed toward half amplitude while type-coordinated programs+are boosted, at preserved total displacement per type. Rationale: lineage+progression / signal-driven TF cascades move many genes of a type+coordinately, so within-type sign agreement is a reliability proxy computed+from the view's own inputs only.++Measured (A half, proxy_noscale, 17 scored configs, see METHOD.md):+  substrate alpha=1.5 (node-32 strat-off)      56.433+  + lin50n alpha=1.5                           56.532+  + lin50n alpha=1.7  (SUBMITTED)              56.599+  + lin50n alpha=1.9                           56.602  (plateau {1.7,1.9};+    alpha=1.7 chosen: smaller mmd_u 0.0476 vs 0.0491, better+    neighborhood_mmd 0.0793 vs 0.0802 - parent's plateau tie-break rule)+  + lin50n alpha=1.7 + node-32 stratification  56.574 (strat dropped)+  + lin50n alpha=1.7, eps=0.5                  56.525 (eps=0.4 kept)+  ctrl (no weighting) alpha=1.7                56.539+  PLAN compression variants lin50/lin30/sqrt (alpha=1.5): 56.06/55.75/55.98+    -> falsified, monotone worse with compression strength.+  PLAN neighborhood smoothing delta in {0.05,0.1,0.15}, tau in {0.15,0.3}:+    56.29-56.35, neighborhood_mmd flat -> falsified (code kept env-gated,+    VEC_SMD/VEC_SMTAU, off by default).++Substrate (node 32, A half 56.43 with stratification off):+  rel velocity v_{t,g} = (m_a - m_p)/(m_p + 1) (within-type log1p means),+  hard gates (>=30 cells/type/stage, m >= 0.05 both, |v| <= 2), soft+  threshold k=0.5, per-cell decode x' = Y0 * 2**(alpha*v_eff) with alpha=1.7,+  per-cell linear-total pullback to the cell's OWN base total with gamma=1.0+  (exact CP10k conservation), brightness clamp PBC=10, on the eps=0.4+  2-step support-masked diffusion base (node-23 operator) with exact+  per-gene pseudobulk restoration. Coordinates, composition, row order and+  cell count are frozen (shape group stays at floor by construction).++``--ablate mechanism``: consistency w(c)=1 (AND smoothing delta=0, already+off) at the same alpha=1.7 -> output bitwise the unweighted control+(A half 56.539; submitted weighted state 56.599). Deviation from the PLAN's+mechanism_off_control note: alpha is NOT reverted to 1.5, so the contrast+isolates the weighting mechanism alone (the alpha re-coupling compensates the+weighting's per-type amplitude normalization and is part of the submitted+decode, documented in METHOD.md).++Single-input fallback: no previous stage -> alpha=0 -> output bitwise the+diffusion base (DE no-change protection).++Biology: transcriptional velocity over the last observed interval+extrapolates regulatory programs acting over the next interval (validated in+nodes 21/24/27/29/32). No external data, no constants from published or+held-out stages; every number (velocities, gates, consistency fractions,+smoothing masks) is computed from the view's own inputs.++View-independent: no absolute stage names/times read; mechanism is+time-free. Deterministic given --seed (mechanism consumes no randomness). """  from __future__ import annotations@@ -108,37 +85,68 @@ DEFAULT_EPS = float(os.environ.get("VEC_EPS", "0.4")) DEFAULT_STEPS = int(os.environ.get("VEC_STEPS", "2")) DEFAULT_MODE = os.environ.get("VEC_MODE", "pbrestore") DP_BUDGET = 0.003-GENE_REVERT = 0.1   # per-gene |unintended dp| guard (node-23 PLAN step 5)+GENE_REVERT = 0.1 K_NN = int(os.environ.get("VEC_KNN", "15")) -# --- velocity mechanism --------------------------------------------------------# SUBMITTED state (A-half grid, METHOD.md): rel velocity, alpha=1.5, k=0.5,-# gamma=1.0 (exact per-cell CP10k total conservation), eps=0.4, PBC=10,-# stratification m=0.4/bh=1.15/bl=0.55 -> A half 56.54 (strat-off 56.43,-# parent node-30 re-measured A half 55.16). Parent log2 state: VEC_VEL=log2-# VEC_ALPHA=1.0 VEC_KSOFT=0.7 VEC_GAMMA=0.6 VEC_EPS=0.6.-DEFAULT_ALPHA = float(os.environ.get("VEC_ALPHA", "1.5"))+# --- velocity mechanism (node-32 substrate) -----------------------------------+DEFAULT_ALPHA = float(os.environ.get("VEC_ALPHA", "1.7")) DEFAULT_DECODE = os.environ.get("VEC_DECODE", "pertype")  # colscale | pertype VEL_MODE = os.environ.get("VEC_VEL", "rel")               # rel | log2 MIN_TYPE_CELLS = int(os.environ.get("VEC_MINCELLS", "30")) GENE_FLOOR = float(os.environ.get("VEC_GFLOOR", "0.05")) V_CAP = float(os.environ.get("VEC_VCAP", "2.0"))-K_SOFT = float(os.environ.get("VEC_KSOFT", "0.5"))    # pertype soft threshold-GAMMA_RENORM = float(os.environ.get("VEC_GAMMA", "1.0"))  # total pullback power-PBC_CLAMP = float(os.environ.get("VEC_PBC", "10.0"))  # 0 = off (node-25 clamp)--# --- magnitude stratification (node 30 mechanism, |v|-quantile re-coupled) -----# Gated (type,gene) pairs ranked by raw |v| descending; top STRAT_M quantile-# gets alpha*STRAT_BH, the rest alpha*STRAT_BL. BH=BL=1.0 disables (this is-# what ``--ablate mechanism`` selects; PLAN mechanism_off_control).-STRAT_M = float(os.environ.get("VEC_STRAT_M", "0.4"))    # top quantile fraction+K_SOFT = float(os.environ.get("VEC_KSOFT", "0.5"))+GAMMA_RENORM = float(os.environ.get("VEC_GAMMA", "1.0"))+PBC_CLAMP = float(os.environ.get("VEC_PBC", "10.0"))++# --- node-32 magnitude stratification (dropped from submitted state;+#     kept env-gated for reproducibility; parent A-half +0.11, within noise) ---+STRAT_M = float(os.environ.get("VEC_STRAT_M", "0.0")) STRAT_BH = float(os.environ.get("VEC_STRAT_BH", "1.15")) STRAT_BL = float(os.environ.get("VEC_STRAT_BL", "0.55")) -# --- node-28 falsified gates (kept env-gated for reproducibility only) ---------GATE_MODE = os.environ.get("VEC_GATE", "fixed")  # z | fixed | veto-Z_MIN = float(os.environ.get("VEC_ZMIN", "2.0"))-Z_K = float(os.environ.get("VEC_ZK", "1.0"))+# --- node-34 mechanism: direction-consistency weighting -------------------------+# none | lin50 | lin30 | sqrt | hard, optional trailing "n" = per-type+# mean-normalized (amplitude-preserving). SUBMITTED: lin50n.+CONS_W = os.environ.get("VEC_CONS", "lin50n")++# --- PLAN part 2 (FALSIFIED, off by default): neighborhood smoothing -----------+SMOOTH_D = float(os.environ.get("VEC_SMD", "0.0"))     # delta; 0 = off+SMOOTH_TAU = float(os.environ.get("VEC_SMTAU", "0.3"))  # |alpha*v_eff| gate+++def consistency_weights(vs: np.ndarray, mode: str) -> np.ndarray:+    """w(c) per gated gene: c = share of same-type gated genes with same sign.++    Modes with suffix 'n' are per-type mean-normalized (pure re-allocation of+    amplitude by direction reliability, total displacement preserved)."""+    w = np.ones_like(vs)+    if mode == "none":+        return w+    norm = mode.endswith("n")+    base = mode[:-1] if norm else mode+    m = vs != 0+    n = int(m.sum())+    if n <= 1:+        return w+    s = np.sign(vs[m])+    n_pos = float((s > 0).sum())+    n_neg = float(n) - n_pos+    c = np.where(s > 0, (n_pos - 1.0) / (n - 1), (n_neg - 1.0) / (n - 1))+    if base == "lin50":+        wm = 0.5 + 0.5 * c+    elif base == "lin30":+        wm = 0.3 + 0.7 * c+    elif base == "sqrt":+        wm = np.sqrt(np.maximum(c, 1e-12))+    elif base == "hard":+        wm = (c >= 0.5).astype(np.float64) * 0.9 + 0.1+    else:+        raise ValueError(f"unknown consistency mode {mode!r}")+    if norm:+        wm = wm / max(wm.mean(), 1e-12)+    w[m] = wm+    return w   def stratify(Vs: np.ndarray, absV: np.ndarray, m: float, bh: float,@@ -168,23 +176,23 @@ def stratify(Vs: np.ndarray, absV: np.ndarray, m: float, bh: float,                  "sum_abs": float(np.abs(out).sum()), "qs": qs}  -def diffuse(X64: np.ndarray, coords: np.ndarray, eps: float, mode: str,-            steps: int):-    """Support-masked kNN-graph diffusion (node-23 operator, no restoration).--    Returns (Y, diag). Y is float64, same zero pattern as X64 for masked modes.-    """-    n = X64.shape[0]-    k = int(min(K_NN, n))+def knn_graph(coords: np.ndarray, k: int) -> sp.csr_matrix:+    n = coords.shape[0]+    kk = int(min(k, n))     tree = cKDTree(coords)-    _, idx = tree.query(coords, k=k)+    _, idx = tree.query(coords, k=kk)     if idx.ndim == 1:         idx = idx[:, None]-    W = sp.csr_matrix(-        (np.full(idx.size, 1.0 / k, dtype=np.float64),-         (np.repeat(np.arange(n, dtype=np.int64), k), idx.ravel())),+    return sp.csr_matrix(+        (np.full(idx.size, 1.0 / kk, dtype=np.float64),+         (np.repeat(np.arange(n, dtype=np.int64), kk), idx.ravel())),         shape=(n, n),     )+++def diffuse(X64: np.ndarray, W: sp.csr_matrix, eps: float, mode: str,+            steps: int):+    """Support-masked kNN-graph diffusion (node-23 operator, no restoration)."""     mask = X64 > 0     n_steps = max(1, int(steps)) if mode == "pbrestore" else 1     Y = X64.copy()@@ -207,15 +215,8 @@ def diffuse(X64: np.ndarray, coords: np.ndarray, eps: float, mode: str,   def type_velocity(prev_stage, anch_X: np.ndarray, anch_labels: np.ndarray,-                  out_labels: np.ndarray, n_out: int, g: int, vel_mode: str):-    """Per-type velocity tables (rel or log2) and composition-weighted vbar.--    rel:  v_{t,g} = (m_a - m_p) / (m_p + 1), m = within-type mean of log1p.-    log2: v_{t,g} = log2(m_a) - log2(m_p).-    Hard gates: type support >= MIN_TYPE_CELLS in both stages; gene m >=-    GENE_FLOOR in both stages; |v| <= V_CAP. Types without previous-stage-    support get v = 0 (no evidence -> no displacement).-    """+                  n_out: int, g: int, vel_mode: str):+    """Per-type velocity tables (rel or log2) and composition-weighted vbar."""     Xp = prev_stage.X.toarray().astype(np.float64) if sp.issparse(prev_stage.X) \         else np.asarray(prev_stage.X, dtype=np.float64)     lp = np.asarray(prev_stage.labels).astype(str)@@ -262,23 +263,6 @@ def soft_threshold(v: np.ndarray, k: float) -> np.ndarray:     return np.sign(v) * np.maximum(np.abs(v) - k, 0.0)  -def z_threshold(v: np.ndarray, se: np.ndarray, z_min: float,-                z_k: float) -> np.ndarray:-    """SE-adaptive gate: keep |v| >= z_min*SE, subtract z_k*SE (soft)."""-    z = np.abs(v) / se-    keep = (z >= z_min) & (v != 0.0)-    return np.where(keep, np.sign(v) * np.maximum(np.abs(v) - z_k * se, 0.0),-                    0.0)---def both_threshold(v: np.ndarray, se: np.ndarray, k: float,-                   z_min: float) -> np.ndarray:-    """Fixed magnitude soft threshold k + significance veto z >= z_min."""-    z = np.abs(v) / se-    keep = (z >= z_min) & (v != 0.0)-    return np.where(keep, soft_threshold(v, k), 0.0)-- def main() -> None:     parser = argparse.ArgumentParser()     parser.add_argument("--data", required=True)@@ -291,13 +275,16 @@ def main() -> None:     eps = DEFAULT_EPS     alpha = DEFAULT_ALPHA     decode = DEFAULT_DECODE-    gate_mode = GATE_MODE     k_soft = K_SOFT     gamma = GAMMA_RENORM     strat_m, strat_bh, strat_bl = STRAT_M, STRAT_BH, STRAT_BL+    cons_w = CONS_W+    smooth_d = SMOOTH_D     if ablated:-        # PLAN mechanism_off_control: beta_h=beta'_l=1.0 -> uniform amplitude on-        # the same substrate; output bitwise the stratification-off substrate.+        # PLAN mechanism_off_control: w(c)=1, delta=0 (and stratification off):+        # output bitwise the unweighted substrate.+        cons_w = "none"+        smooth_d = 0.0         strat_m, strat_bh, strat_bl = 0.0, 1.0, 1.0      manifest = load_manifest(args.data)@@ -310,9 +297,10 @@ def main() -> None:         rows = np.sort(take(stage.labels, n, rng))     else:         rows = np.sort(rng.choice(stage.n, size=n, replace=True))-    print(f"[diag] base copy_last eps={eps} alpha={alpha} decode={decode} "+    print(f"[diag] base eps={eps} alpha={alpha} decode={decode} "           f"vel={VEL_MODE} k={k_soft} gamma={gamma} pbc={PBC_CLAMP} "-          f"n={rows.size}", file=sys.stderr)+          f"cons={cons_w} smd={smooth_d} smtau={SMOOTH_TAU} "+          f"strat_m={strat_m} n={rows.size}", file=sys.stderr)      X = stage.X[rows].toarray().astype(np.float32)     coords = np.ascontiguousarray(stage.coords[rows], dtype=np.float64)[:, :3]@@ -320,16 +308,18 @@ def main() -> None:      X64 = X.astype(np.float64)     Xs = X64-    if eps != 0.0 and np.isfinite(coords).all() and X.shape[0] >= 2:-        Y, diag = diffuse(X64, coords, eps, DEFAULT_MODE, DEFAULT_STEPS)+    g = X64.shape[1]+    W = None+    if np.isfinite(coords).all() and X.shape[0] >= 2:+        W = knn_graph(coords, K_NN)+    if eps != 0.0 and W is not None:+        Y, diag = diffuse(X64, W, eps, DEFAULT_MODE, DEFAULT_STEPS)         print(f"[diag] smooth mode={diag['mode']} steps={diag['steps']} "               f"eps_eff={diag['eps_eff']:.6f} scale={diag['scale']:.4f}",               file=sys.stderr)     else:         Y = X64.copy() -    g = X64.shape[1]-     # ---- velocity field (needs a previous stage; else alpha -> 0) ----------     vbar = np.zeros(g, dtype=np.float64)     v_by_type: dict[str, np.ndarray] = {}@@ -339,7 +329,7 @@ def main() -> None:         if prev_entry is not None:             prev_stage = read_stage(args.data, prev_entry, genes)             vbar, v_by_type, se_by_type, n_used = type_velocity(-                prev_stage, X64, out_labels, out_labels, rows.size, g, VEL_MODE)+                prev_stage, X64, out_labels, rows.size, g, VEL_MODE)             print(f"[diag] velocity mode={VEL_MODE} types_used={n_used} "                   f"vbar_std={vbar.std():.4f} vbar_absmax={np.abs(vbar).max():.4f} "                   f"nonzero={int((vbar != 0).sum())}", file=sys.stderr)@@ -371,36 +361,78 @@ def main() -> None:         Vt = np.zeros((utypes.size, g), dtype=np.float64)         Vs = np.zeros((utypes.size, g), dtype=np.float64)         unknown = 0+        c_all: list[np.ndarray] = []         for j, t in enumerate(utypes):             v = v_by_type.get(str(t))             if v is None:                 unknown += int((uidx == j).sum())                 continue             Vt[j] = v-            if gate_mode == "z":-                se = se_by_type[str(t)]-                Vs[j] = z_threshold(v, se, Z_MIN, Z_K)-            elif gate_mode == "veto":-                se = se_by_type[str(t)]-                Vs[j] = both_threshold(v, se, k_soft, Z_MIN)-            else:-                Vs[j] = soft_threshold(v, k_soft)+            vs = soft_threshold(v, k_soft)+            w = consistency_weights(vs, cons_w)+            if cons_w != "none" and (vs != 0).sum() > 1:+                m = vs != 0+                s_ = np.sign(vs[m])+                n_pos = float((s_ > 0).sum())+                n_g = float(m.sum())+                c_g = np.where(s_ > 0, (n_pos - 1.0) / (n_g - 1),+                               (n_g - n_pos - 1.0) / (n_g - 1))+                c_all.append(c_g)+            vs = vs * w+            Vs[j] = vs         n_keep = int((Vs != 0).sum())--        # --- magnitude stratification (|v|-quantile re-coupled) --------------+        if c_all:+            cc = np.concatenate(c_all)+            print(f"[diag] consistency pairs={cc.size} c_mean={cc.mean():.4f} "+                  f"c_q10/50/90={np.quantile(cc, 0.1):.3f}/"+                  f"{np.quantile(cc, 0.5):.3f}/{np.quantile(cc, 0.9):.3f} "+                  f"w_mean={(0.5 + 0.5 * cc).mean():.4f}", file=sys.stderr)+        if cons_w != "none":+            print(f"[diag] cons={cons_w} sum|v_soft| after weighting="+                  f"{np.abs(Vs).sum():.2f}", file=sys.stderr)++        # --- node-32 magnitude stratification (off by default) --------------         if strat_m > 0 and (strat_bh != 1.0 or strat_bl != 1.0):             sum_before = float(np.abs(Vs).sum())             Vs, sdiag = stratify(Vs, Vt, strat_m, strat_bh, strat_bl)-            qs = " ".join(f"{q:.3f}" for q in sdiag["qs"])-            dev = (sdiag["sum_abs"] - sum_before) / max(sum_before, 1e-12) * 100             print(f"[diag] strat m={strat_m} bh={strat_bh} bl={strat_bl} "                   f"n_high={sdiag['n_high']}/{sdiag['n_pairs']} "-                  f"thr|v|={sdiag['thr']:.3f} |v|q10/25/50/75/90/95/99={qs} "-                  f"sum|v_eff| {sum_before:.0f}->{sdiag['sum_abs']:.0f} "-                  f"({dev:+.1f}%)", file=sys.stderr)+                  f"sum|v_eff| {sum_before:.0f}->{sdiag['sum_abs']:.0f}",+                  file=sys.stderr)          shift_t = np.power(2.0, alpha * Vs)          # (n_types, g)         Xs = Y0 * shift_t[uidx]++        # --- node-34 mechanism 2: neighborhood-conformal smoothing ----------+        if smooth_d > 0.0 and W is not None:+            disp = np.abs(alpha * Vs)                # (n_types, g)+            M = W @ Xs+            n_touched = 0+            e_before = e_after = 0.0+            for j in range(utypes.size):+                gm = disp[j] > SMOOTH_TAU+                if not gm.any():+                    continue+                rj = uidx == j+                if not rj.any():+                    continue+                Xm = Xs[np.ix_(rj, gm)]+                Mm = M[np.ix_(rj, gm)]+                pos = Xm > 0+                new = Xm + smooth_d * (Mm - Xm)+                dE = (Xm - Mm) ** 2+                e_before += float(dE[pos].sum())+                Xn = np.where(pos, np.maximum(new, 0.0), Xm)+                e_after += float(((Xn - Mm) ** 2)[pos].sum())+                n_touched += int(pos.sum())+                Xs[np.ix_(rj, gm)] = Xn+            print(f"[diag] nbhd-smooth delta={smooth_d} tau={SMOOTH_TAU} "+                  f"genes_per_type_max={int((disp > SMOOTH_TAU).sum(axis=1).max())} "+                  f"entries_touched={n_touched} "+                  f"dirichlet {e_before:.1f}->{e_after:.1f} "+                  f"({(e_after - e_before) / max(e_before, 1e-9) * 100:+.1f}%)",+                  file=sys.stderr)+         # node-24 per-cell renormalization in linear CP10k space         T0 = np.expm1(np.clip(Y0, 0, 20.0)).sum(axis=1)         if gamma > 0:@@ -418,8 +450,8 @@ def main() -> None:                 fc = np.where(hot, bound / np.maximum(T2, 1e-12), 1.0)                 Xs = np.log1p(np.expm1(np.clip(Xs, 0, 20.0)) * fc[:, None])         Xs = np.clip(Xs, 0.0, None)-        print(f"[diag] pertype gate={gate_mode} k={k_soft} "-              f"kept_pairs={n_keep} sum|v_soft|={np.abs(Vs).sum():.0f} "+        print(f"[diag] pertype k={k_soft} kept_pairs={n_keep} "+              f"sum|v_soft|={np.abs(Vs).sum():.1f} "               f"cells_without_velocity={unknown} clamped={n_clamped} "               f"shift_absmax_log2={np.abs(alpha * Vs).max():.3f}",               file=sys.stderr)

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

**做了什么**：在父节点 32 基座（rel 速度乘法外推，去分层）上实现 PLAN 两部件并查分 17 次。PLAN 部件 1 压缩式一致性加权（lin50/lin30/sqrt）证否（单调劣，55.75–56.06 vs 基座 56.43）；部件 2 邻域平滑证否（δ×τ 5 组合 56.29–56.35，nbhd 原始值不动）。按备选机制路径提交**幅度归一化一致性加权 lin50n（w=(0.5+0.5c)/mean，纯重分配）+ α=1.7 重耦合**：A 半 56.599，为全网格最高（同 α 无加权对照 56.539、基座 56.433、+父分层叠加 56.574、k/ε 微调均无增益）。

**查分结果**：提交态 56.599；与父提交（A 半 56.54）和对照的差距 +0.06~+0.17 均在 T2 噪声（~1 分）内——METHOD.md 已如实声明，机制方向正确（de_dir/variogram/nbhd/mmd_u 对同 α 对照 4 升 1 降）但不显著。稳健性全过：vec-check（提交+ablate）、seed 0/1/2 逐位相同、伪装视图（时间+1/改名/键序）逐位相同、单输入回退、5.0 s/0.98 GB。

**下一步最值得试**：(1) 该底物在 A 半已近饱和（17 配置全部落在 55.7–56.6），继续在表达位移参数上细扫预期收益 <噪声；(2) local_spatial 是唯一未攻克的重组（nbhd 0.0797，权重 25+门），但"更平滑"方向已证否——可试反方向（锐化高位移基因）或表达-坐标再配对（node 5/9 家族在本底物上未测）；(3) 评估直接提交无加权 α=1.7 对照以降低审查复杂度（差 0.06，统计不可分）。

调研员

做k–α二维细扫和局部空间定向平滑；expression_change已获+3.36，de_score=0.1944量化步长约0.014，仍有提升空间。节点31用几何均值总量比替代逐细胞回拉，de_score升至0.2361但local_spatial略降，说明总量回拉策略与局部空间指标存在权衡。本方案同时改进速度估计的方向一致性和解码后的局部空间耦合，避免只优化单一指标。", "approach": "在父节点32基座上实现两个部件（先小样本验证再全量）：\n1. 速度方向一致性加权（改进de_score/de_direction）：对每个过门控的(型,基因)对，计算该基因速度方向（上调/下调）与同型其他过门基因方向的一致性比例c∈[0,1]（用符号匹配而非幅度）。有效速度v_eff = v × w(c)，w(c)=0.5+0.5c（方向与型内多数基因不一致的基因被压缩至半幅）。实现：在vel matrix上按型分组，对每型取过门基因的sign(v)向量，c_i=mean(sign(v_i)==sign(v_j≠i))，逐元素乘。参数搜索：w(c)线性{0.5+0.5c, 0.3+0.7c, c^0.5}三档，预期+0.5~1.5分。若一致性加权导致mmd_u>0.055止损。\n2. 高|v|基因邻域保形定向平滑（改进neighborhood_mmd）：位移后、逐细胞回拉前，对每个细胞的过门基因表达做一步坐标15-NN图上的轻量平滑：x'_i = x_i + δ·(mean_NN(x_i) - x_i)，δ∈{0.05,0.1,0.15,0.2}。只作用于位移幅度|α·v|>0.3的基因（约前30%），避免过度平滑破坏variogram。保零模式（只动正值）、平滑后仍做逐细胞CP10k总量回拉（γ=1.0）保持总量守恒。预期neighborhood_mmd从0.0765降至~0.073（+0.3~0.5分）。止损：mmd_u>0.055或variogram>0.040。\n3. 单输入退路：无前一阶段→α强制0→输出=扩散基座（同父节点）。\n4. vec-score快速筛选：先跑部件1（3配置）选最优，再在其上叠部件2（4配置），共7次查分。平台区选中心，最终提交态需种子0验证。", "expected_groups": ["expression_change", "local_spatial"], "risks": "1) 方向一致性加权可能压缩有效位移幅度导致de_score反降（若型内基因方向本就高度一致，加权≈恒等）——Engineer应在实现后先打印c的分布（预期均值0.7-0.9），若c>0.95则跳过该部件。2) 邻域平滑δ过大时mmd_u/variogram受损（过度平均化）——止损线明确，先δ=0.05验证方向。3) 两个部件叠加可能互相抵消（一致性加权压缩幅度→平滑无作用对象）——若部件1效果为0，只提交部件2。4) 平台区宽度<噪声时选提交态困难——按ANALYSIS建议取中心。", "family_id": "T2HX-01", "mechanism": "速度方向一致性加权：型内过门基因的速度方向若与多数不一致则被压缩，只外推协调的转录程序；随后对高位移基因做一步15-NN定向平滑，使表达位移在空间上与邻域一致。", "vs_constant_shift": "常数位移对每个型所有基因施加相同方向和幅度，不区分基因间方向一致性，也不做空间平滑。本机制按(型,基因)对的方向可靠性差异化缩放位移幅度，并在空间维度上耦合相邻细胞的表达变化，是逐基因、逐细胞的条件变换。", "mechanism_evidence": "1) 方向一致性加权：打印加权前后有效速度矩阵的非零对数和sum|v_eff|（预期减少5-15%），对比de_score原始值变化（目标+1~3个量化步，即+0.014~0.042）。2) 邻域平滑：打印平滑前后高|v|基因的坐标15-NN表达Dirichlet能量（预期下降），对比neighborhood_mmd原始值（目标从0.0765降至≤0.074）。3) 四组分各自变化：expression_change和local_spatial应同时改善，cell_state不劣化（mmd_u≤0.048）。", "mechanism_off_control": "--ablate mechanism：一致性权重w(c)≡1且平滑δ=0，输出逐位等于父节点32的扩散基座+未加权乘法位移（即父节点去掉分层后的56.43配置）。预期差别：ablate后de_score回到~0.1944、neighborhood_mmd回到~0.0765，机制开后两项均改善。", "sources": []}

审查员

REVIEW.json written