Files
MeltMind/docs/claude/research-reorientation-2026-11-15.md
T

75 lines
8.6 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# 研究方式调整:四个问题的回答与分工(Claude 领队,2026-11-15)
依据标注:【实证】= 本项目已冻结的结果;【文献·已核】= 本项目以前实际读过原文;【文献·未核】= 只看到摘要、检索摘要或二手转述,数字尚未逐项核对;【推断】= 个人判断。本轮只做阅读和梳理,没有启动任何计算。
## ① Greif v5 是否是领域里最全面、最难的标杆?与工业现实差在哪里?
- 【文献·未核】公开、可下载、几何种类多样的三维注塑仿真数据非常少。
- Uglov 等 2021(arXiv 2107.14574)用的是汽车厂的 Moldflow 项目,受保密协议约束,数据不公开。
- Lee/Kim/Noh 的 GAT 工作只覆盖牙刷族:20 个几何,每个 100 组工艺;检索摘要显示 4 个牙刷几何、400 组未见工艺组合上填充时间 NRMSE 约 0.0125。
- TU Delft 2024 的 GNN 硕士论文、2025 年的 Moldex3D 树模型研究,也都没看到公开数据。
- 就目前检索到的范围,Greif v5(Zenodo 18598121,624 件 ABC 几何,Moldflow 3D)很可能是*几何多样性最大的公开三维注塑数据*。这是相对已检索范围而言,不是穷尽检索后的结论。
- 【实证 + 推断】但它*不是最难、也不最接近工业*:
- 只有一种材料、一种自动工艺,每件一个随机浇口;
- 没有流道/热流道,没有多浇口,没有工艺窗口变化;
- 我们只用了填充时间(数据里还有其他场,但工艺固定);
- ABC 几何是随机 CAD 模型,不是为注塑设计的零件(拔模、壁厚规则等未必满足);
- 标签是仿真,不是试模或短射的实测。
- 工业真正难的是:同一零件改浇口、改工艺或换材料后结果怎么变(干预泛化),以及熔接线、短射、保压/翘曲这类工程输出。Greif v5 测不到这些。
## ② 各相关任务的 SOTA 是什么?哪些数字能比?
- 这个领域没有公认的统一基准或排行榜(【推断】,基于上面的检索)。下面都只是*代表性方法*,不是在同一协议下比出来的 SOTA。
- 多样几何上的填充时间:Greif 等 2024(Composites Part A 185:108340;eikonal 方程 + 快速迭代法 + 空间矩特征 + GBRT/FNN)【文献·已核:方法】。数字(经 Grok 核对后更正):“前作填充模式平均误差小于 5%”并不是 Gre24 结果表里的数字,而是 Greif & Meyer 2026 年翘曲论文(DOI 10.1016/j.compositesa.2026.109653)里的一句回顾,没有给出度量定义。Gre24 原文自己报告的是:在 314 个测试几何中,有 300 个的填充时间 RRMSE 明显低于 0.1(629 个 v4 时期几何,5 次随机 314/315 划分;Grok 重开作者 PDF 核对)。度量定义、随机 314/315 划分、v4 数据版本都和我们不同,所以*不能与我们的 7.3% 直接比较*。
- 同一族几何下的工艺泛化:Lee/Kim/Noh 的 GAT。数字【文献·未核】为 NRMSE 0.0125,是另一种任务、另一种度量。
- 通用神经算子(Transolver、GINO、RIGNO 等):在通用 PDE 基准上很强,但*没有注塑填充上的公开同协议结果*(【推断】)。
- 我们的 R2-G24 是 Gre24 的*近似*:距离用四面体边 Dijkstra,不是 eikonal;没有空间矩;数据版本和划分都不同。它*不是复现,不能叫 SOTA*(【实证】,Grok 的审计)。
- 结论:现在能做的唯一诚实比较,是先忠实复现 Gre24。先在它自己的协议下对上原文数字,再搬到我们的分组协议。
## ③ 我们的几种想法从哪里来?哪些是自己的假设?
- 体积映射 / 朴素 V*_f:*概念*来自 Gre24 §3.3.1 的朴素模型 t*_fill = V*_f(Grok 在 1794734831 读原文时引用过)。我们的*计算方式*(四面体边 Dijkstra 加集总体积 CDF)是自己的近似,原文的逐字段对照仍缺,归入复现规格抽取。
- R2:Gre24 方法的近似版(见上)。
- O2 局部几何张量:来源是结构张量 / 局部框架思想,以及薄壁 Hele-Shaw 降维里"局部厚度方向"的物理直觉。*"局部方向读数能提高跨件泛化"是我们自己的假设*,已在 S1/S2/S3-A 被限制。
- O1 类型分区:来源是区域分解和局部算子(Huang 等的 SNI/NEST、RIGNO 的区域思想)。*"按几何类型组织能提高泛化"是我们自己的假设*,还没有检验。
- 流量竞争图先验:来源是控制体积 / 有限元的 Hele-Shaw 填充模拟(Hieber & Shen 1980 一脉,C-Mold/Moldflow 中面法)【文献·未核:本轮未重读】。我们的图上事件推进是*自己的简化实现*,没过可行性检查。
- 神经主干:Transolver(Wu 等 2024,ICML)。我们的训练配方(宽 128、42 轮、直接 t* 目标)是*自己定的*,没有和原作推荐配置核对。
## ④ AI 的优势用了什么、浪费了什么?接下来怎么改?
- 用到了:写代码、严格记账、预注册、逐条核对数字、守住证据。
- 浪费了:
- 大量轮次花在基础设施上(守护进程、恢复、竞态、预算门);
- 太早沿着我们自己的想法(O2、图求解器)迭代;
- 没有在一开始就大范围读文献,也没有先忠实复现最强的已有方法;
- 上限/可辨识性诊断做得太晚;
- 我个人几次把推断写成了结论。
- 改法:
1. *先读后做*:每个阶段开始前,先出一张文献地图,写明谁做过、用了什么数据和协议、报告了什么数字、有没有代码。
2. *先复现再创新*:任何新想法,都要和忠实复现的强基线在同一协议下比较。
3. *先做便宜的诊断*:oracle、上限、可辨识性分析放在任何训练之前。
4. *仪式和风险相称*:探索性分析用轻量流程;正式比较才用完整守护和托管。
5. 每条结论都标明是实证、文献还是推断。
## 分工(建议,待 TRON 汇总给 Yanqi)
- **A. 忠实复现 Gre24(主线)。**
- Grok 和 Claude:从原文逐项抽取复现规格,并核对有没有公开代码(包括 Greif & Meyer 2026 是否公开),得到一张差异表。
- MoldAstra:数学部分,包括 eikonal 的速度定义、四面体上的快速迭代法 FIM、空间矩的定义。
- MeltAstra:实现和执行,只用 CPU。
- 验收分两步:先在原文协议下(可行的话用随机划分、原文度量)对上原文数字,与原文的差异逐项解释,数据版本 v4 和 v5 的差别要单列;然后搬到我们 617 件的分组协议,与 R2-G24 在同一协议下对比。
- **B. 文献深读(并行,只读不算)。**
1. 注塑仿真史:Hele-Shaw 中面法 → 2.5D 双面法 → 全 3D;控制体积 / 有限元;前沿推进;V/P 切换与保压。主读 MoldAstra。
2. 注塑和制造领域的机器学习代理模型:Gre24、Greif & Meyer 2026、Lee 等、Uglov 2021、TU Delft GNN、商业 AI 求解器。主读 Grok,Claude 复核。
3. 几何与神经算子,以及它们的数据效率:Transolver、GINO、RIGNO、MeshGraphNets、几何感知算子。主读 Claude。
4. 数学:eikonal 与快速推进法、自由边界 Hele-Shaw、势流与图拉普拉斯、水平集。主读 MoldAstra。
- 每份交付:一页文献地图(方法、数据、协议、数字、代码,以及对我们的启发),所有数字都标明已核还是未核。
- **C. 暂停**:在 Greif v5 单工艺填充时间上,继续做局部特征增量和自研求解器。
## 本轮检索来源(只看了检索摘要,未逐篇细读)
- Uglov 等 2021:https://arxiv.org/abs/2107.14574
- Greif, Lechner, Meyer 2024(OPUS 全文):https://opus.bibliothek.uni-augsburg.de/opus4/frontdoor/index/index/docId/113920
- Greif & Meyer 2026 翘曲论文(OPUS 128422):https://opus.bibliothek.uni-augsburg.de/opus4/frontdoor/deliver/index/docId/128422/file/128422.pdf
- TU Delft GNN 代理模型:https://repository.tudelft.nl/record/uuid:991584aa-434e-4282-8f3c-211f9b2466eb
- Moldex3D + 树模型(E3S 2025):https://www.e3s-conferences.org/articles/e3sconf/pdf/2025/80/e3sconf_icegc2025_00072.pdf
- 铸造充型 FNO:https://cris.fau.de/publications/353231507
## 更正(2026-11-16)
上文以及 Grok 审计里说 R2-G24“只有 9 列、没有空间矩”,这是错的。MoldAstra 核对了冻结的 S2 代码(R2_COLUMNS、read_part 和实际拟合三处一致):HistGBRT 拿到的是 20 列,即 19 个与 Gre24 同名的几何量(含 6 个空间矩)加 t_set。R2-G24 与 Gre24 的差别在于距离构造(边上 Dijkstra 与 tetFIM)、训练测度(查询层级权重与全节点)、学习器(HistGBRT 与 XGBoost)以及是否把 t_set 作为输入。