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

8.6 KiB
Raw Blame History

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)

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。