技术选型与第一阶段架构方案

1. 执行摘要：决策一览

下表汇总本次技术选型的全部核心决策。加粗项为相对企划书的变更或增强，其余为调研确认沿用。

2. 调研背景与方法

企划书确定的技术路线为「数据采集 → 模型训练 → 封装交付」三阶段闭环：阶段一（2026.05–12）完成 5 类材料、300 组以上的物性-参数-效果映射数据；阶段二（2027）完成 GPR / XGBoost / 随机森林三模型对比与留一材料交叉验证，并扩展深度学习方法；阶段三（2028）完成 ONNX + FastAPI 推理服务封装与厂商试用。项目当前处于阶段一执行期（2026.09）。

企划书中已给出的技术方案属于初期调研，允许中途调整。为在正式开发前锁定第一批技术决策，本次围绕三个方向展开并行调研：

• 建模方法：小样本表格回归的模型基准、不确定性量化、跨材料泛化与多输出策略；
• 实验设计与主动学习：支持物理实验批次采集的框架现状与维护状态；
• 工程化部署：ONNX 导出可行性（特别是 GPR）、API 服务、数据管理与工程规范。

调研重点覆盖 2024–2026 年公开资料，结论以「确认沿用 / 修改 / 新增」三类标注，与企划书方案逐项对照。

3. 建模层选型

3.1 模型池：保留三基线，新增 TabPFN

企划书提出的 GPR（RBF 核 + WhiteKernel）、XGBoost、随机森林三种模型组合在 2026 年仍是小样本表格回归的合理基线。GPR 在小样本场景下可同时输出预测均值与方差，是置信区间需求下最直接的方案^[2]；XGBoost 与随机森林提供精度与稳健性参照，且随机森林可输出特征重要性，辅助验证物性特征筛选^[3]。

本次新增 TabPFN 作为第四候选。TabPFN 是在合成表格数据上预训练的 Transformer，无需调参即可在中小样本表格任务上取得强结果，且推理速度快；2025 年基准评测中表现突出^[1]。材料信息学方向的工作（如 ICL-FM 将 TabPFN 与材料嵌入结合）也验证了 in-context learning 方法在小样本材料属性预测中的潜力^[5]——这与本项目「留一材料」的跨材料泛化目标天然契合。TabPFN 仅作对比候选，不作为主线依赖（见第 9 节风险表）。

LightGBM 在小样本场景下相对不利，不纳入首轮对比^[3]；CatBoost 留作 2027 年数据量扩展后的备选。

3.2 不确定性量化：GPR 原生区间 + Conformal 统一包装

预测置信区间是本系统对外的核心承诺（企划书要求覆盖率 ≥ 90%）。决策采用双轨：

• 主线：GPR 后验分布直接输出均值 ± 95% 区间，无需额外校准；
• 统一层：对四种候选模型统一追加 Conformal Prediction（保形预测）包装（MAPIE 的 SplitConformalRegressor），使 GPR、XGBoost、RF、TabPFN 的区间输出在同一覆盖率标准下公平对比^[4]。

Conformal Prediction 在有限校准集下提供覆盖率保证，不依赖模型形式，是当前小样本回归不确定性量化的主流做法^[4]。NGBoost（参数化分布输出）作为备选记录，不纳入首轮实现。

3.3 多输出策略：独立建模

系统输出为三维连续值（功率百分比、走光速率、脉冲频率）。三者的物理相关性较弱（分别受能量耦合、扫描机械、脉冲时序主导），调研确认小样本表格场景下独立建模三个输出（MultiOutputRegressor）是最务实的选择^[6]；链式回归（RegressorChain）仅在输出强相关时有增益。企划书中 2027 年的多任务学习架构规划保留不变，作为数据量突破 500 组后的扩展方向。

3.4 跨材料泛化：特征工程优先

留一材料交叉验证（LOMO CV）是本项目区别于常规回归任务的核心评估协议。提升 LOMO 泛化的优先手段是特征工程：以物理意义明确的物性参数（反射率、吸收率、熔点/Tg、热导率、密度、粗糙度）构成统一特征空间，保证数值跨材料可比、量纲标准化一致。企划书提出的「大类独立训练 + 子类微调」分层策略保留为数据量不足时的备选方案；TabPFN 的 in-context 特性为跨材料泛化提供了额外一条低成路验证路径^[1]。

4. 实验设计与主动学习选型

4.1 框架现状与决策

本项目数据采集的特殊性在于：实验是串行批次的物理过程（一批做完再决定下一批），而非纯数字模拟，因此框架必须支持批量采集函数（batch acquisition）。调研对比如下：

决策：主动学习环节采用 Ax/BoTorch。其 GPR 内核与建模层主力模型同源，采集函数直接复用训练好的 GPR 不确定性；qNEI 等批量采集函数支持「一次推荐一批 10–20 组参数」的物理实验节奏^[9]。超参调优独立使用 Optuna（TPE），两者职责清晰互不干扰。材料实验领域的自主优化平台（如 NREL ALchemist^[10]）验证了此类工作流在实验科学中的可行性，可作为架构参考。

4.2 采集工作流：LHS 冷启动 → 主动学习

• 初始采样：使用 scipy.stats.qmc.LatinHypercube 生成每种材料 30–40 组初始参数组合（拉丁超立方保证低维空间覆盖均匀）；
• 主动学习循环：初始数据训练 GPR 后，Ax 以 qNEI 推荐下一批 10–20 组实验，模型不确定性高的参数区域优先被探索；
• 停止条件：留一材料验证误差收敛或单材料实验预算（80 组）耗尽。

该工作流将企划书「主动学习引导的高效实验采集」创新点落实为可执行方案，且与阶段二的建模管线共享同一套 GPR 基础设施，无额外维护成本。

5. 工程化栈选型

5.1 模型导出：ONNX 保留，GPR 列为受控风险

sklearn-onnx 官方支持 GaussianProcessRegressor 的导出^[12]，但官方示例明确要求使用 DoubleTensorType（float64）而非默认 float32，因为 GPR 的矩阵运算在 float32 下存在精度差异^[11]。XGBoost 与随机森林的 ONNX 导出成熟^[12]。决策：

• 沿用 ONNX + joblib 双格式交付方案；
• GPR 导出流程中强制插入精度对比环节（同一测试集上 sklearn 原生预测 vs ONNX Runtime 预测，误差超过阈值即回退 joblib + FastAPI 直载方案）；
• 该风险不阻塞第一阶段开发，2027 年模型定型时再验证。

5.2 API 服务与数据管理

FastAPI 方案确认可行：pydantic v2 承担请求/响应校验，模型在 lifespan 钩子中单次加载（避免每请求重复加载），CPU 推理走同步 endpoint 由 FastAPI 线程池处理，满足 ≤100ms 响应要求。数据管理沿用 SQLite + CSV：单文件零运维、5 人团队可直接共享，CSV 作为对外交付格式；DVC 与 MLflow 在当前数据规模（≤500 组）下属过度工程，明确不引入，数据版本追踪由 Git 提交记录承担。

5.3 设备采集与工程规范

串口通信采用 pyserial（活跃维护，支持 Python 3.10+^[13]），按 producer-consumer 模式组织：后台读线程持续读取设备状态，主逻辑通过队列消费^[14]。工程规范一次性定标准，避免后期重构：

• 包管理：uv（2025–2026 Python 社区主流，速度快、锁文件确定性）；
• 项目结构：src layout（src/lmpm/，包名取 laser-material-parameter-matching 缩写）；
• 配置：pydantic-settings（类型安全的环境变量与配置文件管理）；
• 测试与质量：pytest + ruff（lint 与格式化二合一）。

6. 系统架构设计

系统按「数据层 → 模型层 → 服务层」三层组织，工程底座贯穿全程。主动学习闭环是架构中的关键反馈路径：模型层的不确定性评估反向驱动数据层的下一批实验设计。图中实线为数据流，蓝色虚线为主动学习反馈。

flowchart TB
    IN1(["材料物性测量
光谱仪 · 粗糙度仪 · DSC"])
    IN2(["激光加工实验
HZZ-M300U · 355nm"])

    subgraph P1["阶段一 · 数据层（2026.05–12 · 本次搭建）"]
        direction LR
        D1["实验设计 DoE
LHS + Ax 主动学习"]
        D2["数据采集
pyserial + 显微镜"]
        D3["数据存储
SQLite + CSV"]
        D1 --> D2 --> D3
    end

    subgraph P2["阶段二 · 模型层（2027）"]
        direction LR
        M1["模型训练
GPR · XGB · RF · TabPFN"]
        M2["评估与 UQ
LOMO CV · Conformal"]
        M3["超参调优
Optuna TPE"]
        M1 --> M2
        M3 -.-> M1
    end

    subgraph P3["阶段三 · 服务层（2028）"]
        direction LR
        S1["推理引擎
ONNX + joblib"]
        S2["REST API
FastAPI · pydantic v2"]
        S3["容器交付
Docker"]
        S1 --> S2 --> S3
    end

    OUT(["激光设备控制软件 / 厂商数据产品"])

    IN1 --> P1
    IN2 --> P1
    D3 --> M1
    M2 --> S1
    S3 --> OUT
    M2 -. 主动学习反馈 .-> D1

    classDef neutral fill:#F5F8FC,stroke:#DCE3EC,color:#1B2430;
    classDef focus fill:#EAF2FC,stroke:#0969DA,color:#05468C,stroke-width:1.5px;
    classDef external fill:#FFFFFF,stroke:#66717F,color:#3D4756;
    class IN1,IN2,OUT external;
    class D1,D2,D3 focus;
    class M1,M2,M3,S1,S2,S3 neutral;
    style P1 stroke:#0969DA,stroke-width:2px,fill:#FFFFFF,color:#05468C;
    style P2 stroke:#DCE3EC,fill:#FFFFFF,color:#3D4756;
    style P3 stroke:#DCE3EC,fill:#FFFFFF,color:#3D4756;
    linkStyle 11 stroke:#0969DA,stroke-width:1.8px;
            

6.1 模块职责

7. 项目工程结构

第一阶段按以下骨架初始化仓库（阶段二、三的目录预留占位，随进度填充）：

lemdb/
├── pyproject.toml          # uv 管理：依赖声明、ruff/pytest 配置
├── README.md
├── .gitignore              # data/*.db 等产物不入库
├── src/lmpm/               # 主包：laser material parameter matching
│   ├── config.py           # pydantic-settings：路径、设备、参数范围
│   ├── domain/             # 领域数据模型（第一阶段核心）
│   │   ├── material.py     # MaterialProperty：反射率/吸收率/熔点/热导率/密度/粗糙度
│   │   ├── experiment.py   # ExperimentRecord / ProcessingParams / QualityMetrics
│   │   └── doe.py          # ParameterSpace / ExperimentDesign
│   ├── data/
│   │   ├── store.py        # SQLite 读写层
│   │   ├── io_csv.py       # CSV 导入导出（交付格式）
│   │   └── validate.py     # 入库前校验：范围/缺失/重复
│   ├── doe/
│   │   ├── initial.py      # LHS 初始采样（scipy QMC）
│   │   └── active.py       # Ax 主动学习批次推荐（阶段一末启用）
│   ├── device/
│   │   └── serial_recorder.py  # pyserial 采集（协议确认后开发）
│   ├── ml/                 # 阶段二：train / evaluate / uq
│   └── api/                # 阶段三：main.py（FastAPI）
├── scripts/
│   ├── init_db.py          # 初始化 SQLite 库表
│   ├── generate_doe.py     # 生成参数网格 CSV
│   └── record_experiment.py # 实验记录录入 CLI
├── tests/                  # pytest：domain 校验 / store 读写 / doe 生成
├── data/                   # SQLite 库文件与 CSV（gitignore）
└── docs/
    └── data_dictionary.md  # 数据字典：字段、单位、测量方法、溯源

7.1 依赖清单（按阶段引入）

分阶段引入依赖可保持前期环境轻量（阶段一无需安装 PyTorch 系的 Ax/BoTorch），也避免了当前 Windows/Linux 混合环境下的编译问题。

8. 第一阶段实施路线（8 周）

对齐企划书「2026.05–12 完成数据采集与首批 300 组数据」的目标，从当前时点起按 8 周里程碑推进：

9. 风险登记表