778 lines
43 KiB
HTML
778 lines
43 KiB
HTML
<!-- Generated by Trae Work -->
|
||
<!DOCTYPE html>
|
||
<html lang="zh-CN">
|
||
<head>
|
||
<meta charset="UTF-8">
|
||
<meta name="viewport" content="width=device-width, initial-scale=1.0">
|
||
<title>技术选型与第一阶段架构方案 — 材料物性激光参数智能匹配系统</title>
|
||
|
||
<style>
|
||
:root {
|
||
/* Page / report tokens — Business Blue */
|
||
--page-bg: #FFFFFF;
|
||
--page-surface: #F5F8FC;
|
||
--page-surface-muted: #EDF2F9;
|
||
--page-text: #1B2430;
|
||
--page-text-secondary: #3D4756;
|
||
--page-text-muted: #66717F;
|
||
--page-text-disabled: #9AA3AF;
|
||
--page-border: #DCE3EC;
|
||
--page-brand: #0969DA;
|
||
--page-brand-hover: #0757B5;
|
||
--page-brand-active: #05468C;
|
||
--page-brand-soft: #EAF2FC;
|
||
--page-brand-soft-strong: #D6E6F8;
|
||
--page-brand-text: #05468C;
|
||
|
||
/* Backward-compatible report variables */
|
||
--bg: #FFFFFF;
|
||
--bg2: #F5F8FC;
|
||
--rule: #DCE3EC;
|
||
--ink: #1B2430;
|
||
--muted: #66717F;
|
||
--text-secondary: #3D4756;
|
||
--text-disabled: #9AA3AF;
|
||
--accent: #0969DA;
|
||
--accent-hover: #0757B5;
|
||
--accent-active: #05468C;
|
||
--accent-soft: #EAF2FC;
|
||
--accent2: #8250DF;
|
||
|
||
/* Chart / data tokens */
|
||
--chart-series-1: #0969DA;
|
||
--chart-series-2: #8250DF;
|
||
--chart-series-3: #06B6D4;
|
||
--chart-series-4: #BF3989;
|
||
--chart-other: #DCE3EC;
|
||
--chart-accent: #8250DF;
|
||
--chart-accent-2: #06B6D4;
|
||
--chart-positive: #52C41A;
|
||
--chart-warning: #FAAD14;
|
||
--chart-negative: #FF4D4F;
|
||
--chart-grid: rgba(27, 36, 48, 0.12);
|
||
--chart-axis: #66717F;
|
||
--chart-label: #66717F;
|
||
--chart-tooltip-bg: #FFFFFF;
|
||
|
||
/* Semantic compatibility tokens */
|
||
--success: #52C41A;
|
||
--info: #0969DA;
|
||
--reminder: #FF7A45;
|
||
--warning: #FAAD14;
|
||
--danger: #FF4D4F;
|
||
--positive: #52C41A;
|
||
--negative: #FF4D4F;
|
||
}
|
||
|
||
/* === Structural variables === */
|
||
:root {
|
||
--space-1: 4px;
|
||
--space-2: 8px;
|
||
--space-3: 12px;
|
||
--space-4: 16px;
|
||
--space-5: 24px;
|
||
--space-6: 32px;
|
||
--space-7: 48px;
|
||
--space-8: 64px;
|
||
--radius-sm: 4px;
|
||
--radius-md: 8px;
|
||
--radius-lg: 12px;
|
||
--radius-pill: 999px;
|
||
--font-sans: 'PingFang SC', 'Microsoft YaHei', 'Noto Sans CJK SC', system-ui, sans-serif;
|
||
--font-serif: Georgia, 'Times New Roman', serif;
|
||
--font-mono: 'SFMono-Regular', Consolas, 'JetBrains Mono', monospace;
|
||
--font-metric: var(--font-sans);
|
||
--max: 960px;
|
||
}
|
||
|
||
/* === Base styles === */
|
||
*, *::before, *::after { box-sizing: border-box; margin: 0; padding: 0; }
|
||
html { font-size: 16px; scroll-behavior: smooth; }
|
||
body {
|
||
font-family: var(--font-sans);
|
||
color: var(--ink);
|
||
background: var(--bg);
|
||
font-size: 14px;
|
||
line-height: 1.7;
|
||
padding: 2rem 0;
|
||
}
|
||
article.page { width: 100%; }
|
||
.page__content,
|
||
.report-intro__surface {
|
||
width: calc(100% - 2rem);
|
||
max-width: var(--max);
|
||
margin: 0 auto;
|
||
}
|
||
|
||
/* === Intro === */
|
||
.report-intro { margin-bottom: var(--space-7); }
|
||
.report-intro__surface {
|
||
position: relative;
|
||
isolation: isolate;
|
||
overflow: hidden;
|
||
color: var(--page-brand-text, var(--ink));
|
||
background: var(--page-brand-soft, var(--page-surface-muted, var(--bg2)));
|
||
border-radius: var(--radius-lg);
|
||
padding: var(--space-7);
|
||
}
|
||
.report-intro__content { position: relative; z-index: 1; max-width: 760px; }
|
||
.report-intro:not(.report-intro--integrated):not(.report-intro--stage):not(.report-intro--with-media):not(.report-intro--plain) .report-intro__surface::before,
|
||
.report-intro:not(.report-intro--integrated):not(.report-intro--stage):not(.report-intro--with-media):not(.report-intro--plain) .report-intro__surface::after {
|
||
content: "";
|
||
position: absolute;
|
||
z-index: 0;
|
||
pointer-events: none;
|
||
}
|
||
.report-intro:not(.report-intro--integrated):not(.report-intro--stage):not(.report-intro--with-media):not(.report-intro--plain) .report-intro__surface::before {
|
||
width: 180px; height: 180px; top: -72px; right: -48px;
|
||
border-radius: 50%;
|
||
background: var(--page-brand-soft-strong, var(--page-surface-muted, var(--bg2)));
|
||
opacity: 0.72;
|
||
}
|
||
.report-intro:not(.report-intro--integrated):not(.report-intro--stage):not(.report-intro--with-media):not(.report-intro--plain) .report-intro__surface::after {
|
||
width: 136px; height: 96px; right: 96px; bottom: -36px;
|
||
border-radius: var(--radius-lg);
|
||
background: var(--page-surface, var(--bg));
|
||
opacity: 0.58;
|
||
transform: rotate(-8deg);
|
||
}
|
||
.report-intro h1 { line-height: 1.25; overflow-wrap: anywhere; font-size: 28px; }
|
||
.report-intro__meta {
|
||
margin-top: var(--space-2);
|
||
font-size: 13px;
|
||
color: var(--page-text-muted);
|
||
}
|
||
.report-intro__summary {
|
||
max-width: 70ch;
|
||
margin-top: var(--space-3);
|
||
color: var(--page-text-secondary, var(--text-secondary, var(--muted)));
|
||
}
|
||
@media (max-width: 768px) {
|
||
body { padding: 1rem 0; }
|
||
.report-intro__surface { padding: var(--space-5); }
|
||
.report-intro h1 { font-size: 22px; }
|
||
}
|
||
@media print, (forced-colors: active) {
|
||
.report-intro__surface::before,
|
||
.report-intro__surface::after { display: none; }
|
||
}
|
||
|
||
/* === Sections & headings === */
|
||
main > section { margin-bottom: var(--space-7); }
|
||
h2 {
|
||
font-size: 21px;
|
||
line-height: 1.4;
|
||
margin-bottom: var(--space-4);
|
||
padding-bottom: var(--space-2);
|
||
border-bottom: 1px solid var(--rule);
|
||
}
|
||
h3 { font-size: 17px; line-height: 1.5; margin: var(--space-5) 0 var(--space-2); }
|
||
p { margin-bottom: var(--space-3); }
|
||
ul, ol { margin: 0 0 var(--space-3) 1.25em; }
|
||
li { margin-bottom: var(--space-1); }
|
||
strong { font-weight: 600; color: var(--ink); }
|
||
a { color: var(--accent); text-decoration: none; }
|
||
a:hover { color: var(--accent-hover); text-decoration: underline; }
|
||
sup a { font-size: 11px; }
|
||
.next-step { color: var(--accent); font-weight: 600; }
|
||
|
||
/* === Tables === */
|
||
.table-wrap { width: 100%; overflow-x: auto; }
|
||
table { width: 100%; border-collapse: collapse; table-layout: auto; margin-bottom: var(--space-4); }
|
||
caption {
|
||
caption-side: top; text-align: left;
|
||
font-size: 13px; color: var(--muted);
|
||
padding-bottom: var(--space-2); font-weight: 500;
|
||
}
|
||
th, td {
|
||
padding: var(--space-2) var(--space-3);
|
||
border-bottom: 1px solid var(--rule);
|
||
text-align: left;
|
||
vertical-align: top;
|
||
overflow-wrap: anywhere;
|
||
font-size: 13.5px;
|
||
}
|
||
thead th {
|
||
background: var(--page-surface);
|
||
font-weight: 600;
|
||
color: var(--text-secondary);
|
||
border-bottom: 2px solid var(--page-border);
|
||
}
|
||
th[scope="row"] { font-weight: 500; color: var(--text-secondary); }
|
||
|
||
/* === Tags === */
|
||
.tag {
|
||
display: inline-block;
|
||
font-size: 12px;
|
||
line-height: 1;
|
||
padding: 4px 10px;
|
||
border-radius: var(--radius-pill);
|
||
border: 1px solid var(--page-border);
|
||
background: var(--page-surface);
|
||
color: var(--text-secondary);
|
||
white-space: nowrap;
|
||
}
|
||
.tag--risk-high { border-color: var(--danger); color: var(--danger); }
|
||
.tag--risk-mid { border-color: var(--warning); color: var(--reminder); }
|
||
.tag--risk-low { border-color: var(--success); color: var(--positive); }
|
||
.tag--keep { border-color: var(--accent); color: var(--accent); }
|
||
|
||
/* === Callouts === */
|
||
.callout {
|
||
background: var(--page-surface);
|
||
border: 1px solid var(--page-border);
|
||
border-radius: var(--radius-md);
|
||
padding: var(--space-3) var(--space-4);
|
||
margin: var(--space-4) 0;
|
||
font-size: 13.5px;
|
||
}
|
||
.callout__label {
|
||
font-size: 12px;
|
||
font-weight: 600;
|
||
letter-spacing: 0.05em;
|
||
margin-bottom: var(--space-1);
|
||
color: var(--page-text-secondary);
|
||
}
|
||
.callout--risk .callout__label { color: var(--reminder); }
|
||
|
||
/* === Code / tree === */
|
||
pre.tree {
|
||
background: var(--page-surface);
|
||
border: 1px solid var(--page-border);
|
||
border-radius: var(--radius-md);
|
||
padding: var(--space-4);
|
||
overflow-x: auto;
|
||
font-family: var(--font-mono);
|
||
font-size: 13px;
|
||
line-height: 1.65;
|
||
margin-bottom: var(--space-4);
|
||
}
|
||
pre.tree .c { color: var(--muted); }
|
||
pre.tree .b { color: var(--page-brand); font-weight: 600; }
|
||
code.inline {
|
||
background: var(--page-surface-muted);
|
||
border-radius: var(--radius-sm);
|
||
padding: 1px 6px;
|
||
font-family: var(--font-mono);
|
||
font-size: 12.5px;
|
||
}
|
||
|
||
/* === Figure (diagram) === */
|
||
figure.diagram {
|
||
margin: var(--space-4) 0 var(--space-5);
|
||
border: 1px solid var(--page-border);
|
||
border-radius: var(--radius-lg);
|
||
padding: var(--space-4);
|
||
background: var(--bg);
|
||
}
|
||
figure.diagram .mermaid { display: flex; justify-content: center; }
|
||
figure.diagram figcaption {
|
||
text-align: center;
|
||
font-size: 13px;
|
||
color: var(--muted);
|
||
margin-top: var(--space-3);
|
||
}
|
||
|
||
/* === Footer sources === */
|
||
footer { border-top: 1px solid var(--rule); padding-top: var(--space-5); margin-top: var(--space-7); }
|
||
footer h2 { border-bottom: none; font-size: 17px; margin-bottom: var(--space-3); }
|
||
.sources ol { font-size: 13px; color: var(--text-secondary); margin-left: 1.25em; }
|
||
.sources li { margin-bottom: var(--space-2); overflow-wrap: anywhere; }
|
||
|
||
@media print {
|
||
body { padding: 0; }
|
||
.report-intro__surface { border: 1px solid var(--page-border); }
|
||
main > section { break-inside: auto; }
|
||
figure.diagram, table, .callout { break-inside: avoid; }
|
||
}
|
||
</style>
|
||
</head>
|
||
<body>
|
||
<article class="page">
|
||
<header class="report-intro">
|
||
<div class="report-intro__surface">
|
||
<div class="report-intro__content">
|
||
<h1>技术选型与第一阶段架构方案</h1>
|
||
<p class="report-intro__meta">基于材料物性参数的激光加工参数智能匹配系统 · SIT 创新训练项目 · 2026-09 · v1.0</p>
|
||
<p class="report-intro__summary">
|
||
经建模方法、实验设计、工程化部署三路并行调研验证：企划书的技术路线整体成立，无需推翻；本次共形成
|
||
<strong>9 项选型决策</strong>，其中新增 TabPFN 第四模型候选与 Conformal Prediction 统一不确定性层两项增强，
|
||
明确主动学习框架采用 Ax/BoTorch（避开已停止维护的方案），GPR 的 ONNX 导出列为受控风险项。
|
||
第一阶段（当前）搭建范围为<strong>数据层与工程底座</strong>，按 8 周里程碑推进。
|
||
</p>
|
||
</div>
|
||
</div>
|
||
</header>
|
||
<div class="page__content">
|
||
<main>
|
||
|
||
<section id="summary">
|
||
<h2>1. 执行摘要：决策一览</h2>
|
||
<p>下表汇总本次技术选型的全部核心决策。<span class="next-step">加粗项为相对企划书的变更或增强</span>，其余为调研确认沿用。</p>
|
||
<div class="table-wrap">
|
||
<table>
|
||
<caption>表 1 · 技术选型决策总表</caption>
|
||
<thead>
|
||
<tr>
|
||
<th scope="col" style="width:18%">决策项</th>
|
||
<th scope="col" style="width:44%">调研后决策</th>
|
||
<th scope="col" style="width:38%">关键理由</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<th scope="row">建模主力</th>
|
||
<td><span class="tag tag--keep">沿用</span> GPR + XGBoost + 随机森林三模型对比，GPR 为主推</td>
|
||
<td>小样本（300–500 组）下 GPR 天然输出均值与方差，不确定性估计最直接<sup><a href="#cite-2">[2]</a></sup></td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">新增候选</th>
|
||
<td><strong>增加 TabPFN 作为第四候选</strong></td>
|
||
<td>预训练表格 Transformer，免调参，2025 年小样本基准表现突出<sup><a href="#cite-1">[1]</a></sup><sup><a href="#cite-3">[3]</a></sup></td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">不确定性量化</th>
|
||
<td><strong>增加 Conformal Prediction 统一包装层</strong>（MAPIE 实现），与 GPR 原生区间并行输出</td>
|
||
<td>模型无关的覆盖保证，使四种模型置信区间可公平对比<sup><a href="#cite-4">[4]</a></sup></td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">多输出策略</th>
|
||
<td>MultiOutputRegressor 独立建模三个输出（功率/速率/频率）</td>
|
||
<td>三输出相关性弱，链式回归无益；多任务学习留待 2027 扩展<sup><a href="#cite-6">[6]</a></sup></td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">主动学习框架</th>
|
||
<td><strong>明确采用 Ax/BoTorch</strong>（qEI / qNEI 批量采集）；避开 scikit-optimize 与 modAL</td>
|
||
<td>Ax 活跃维护（2026.06 发布 1.3.0），原生批量采集匹配物理实验批次模式<sup><a href="#cite-7">[7]</a></sup>；skopt 已于 2024.02 归档<sup><a href="#cite-8">[8]</a></sup></td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">超参调优</th>
|
||
<td>Optuna（TPE 采样器）</td>
|
||
<td>成熟活跃，TPE 适合中小搜索空间；与 Ax 职责分离、不重复造轮子</td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">模型导出</th>
|
||
<td><span class="tag tag--keep">沿用</span> ONNX + joblib 双格式；<strong>GPR 导出后强制做 float64 精度对比</strong></td>
|
||
<td>sklearn-onnx 官方支持 GPR，但需 DoubleTensorType，存在精度差异风险<sup><a href="#cite-11">[11]</a></sup><sup><a href="#cite-12">[12]</a></sup></td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">数据管理</th>
|
||
<td><span class="tag tag--keep">沿用</span> SQLite + CSV；不引入 DVC / MLflow</td>
|
||
<td>500 组规模、5 人团队下为零运维方案；版本追踪交给 Git</td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">工程规范</th>
|
||
<td><strong>明确工程骨架标准</strong>：uv + src layout + pydantic-settings + pytest + ruff</td>
|
||
<td>2025–2026 Python 社区共识工具链，学生团队可长期维护</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
</div>
|
||
<div class="callout">
|
||
<p class="callout__label">下一步行动</p>
|
||
<p>确认本方案后，即可按第 7 节的工程结构初始化代码仓库，并启动第 8 节的 W1–W2 里程碑：工程骨架、数据模型（pydantic）、SQLite 库表三项先行。</p>
|
||
</div>
|
||
</section>
|
||
|
||
<section id="background">
|
||
<h2>2. 调研背景与方法</h2>
|
||
<p>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）。</p>
|
||
<p>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：</p>
|
||
<ul>
|
||
<li><strong>建模方法</strong>：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；</li>
|
||
<li><strong>实验设计与主动学习</strong>：支持物理实验批次采集的框架现状与维护状态；</li>
|
||
<li><strong>工程化部署</strong>：ONNX 导出可行性（特别是 GPR）、API 服务、数据管理与工程规范。</li>
|
||
</ul>
|
||
<p>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。</p>
|
||
</section>
|
||
|
||
<section id="modeling">
|
||
<h2>3. 建模层选型</h2>
|
||
|
||
<h3>3.1 模型池：保留三基线，新增 TabPFN</h3>
|
||
<p>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<sup><a href="#cite-2">[2]</a></sup>；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<sup><a href="#cite-3">[3]</a></sup>。</p>
|
||
<p><strong>本次新增 TabPFN 作为第四候选。</strong>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<sup><a href="#cite-1">[1]</a></sup>。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<sup><a href="#cite-5">[5]</a></sup>——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）。</p>
|
||
<p>LightGBM 在小样本场景下相对不利，不纳入首轮对比<sup><a href="#cite-3">[3]</a></sup>；CatBoost 留作 2027 年数据量扩展后的备选。</p>
|
||
|
||
<h3>3.2 不确定性量化：GPR 原生区间 + Conformal 统一包装</h3>
|
||
<p>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：</p>
|
||
<ul>
|
||
<li><strong>主线</strong>：GPR 后验分布直接输出均值 ± 95% 区间，无需额外校准；</li>
|
||
<li><strong>统一层</strong>：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<sup><a href="#cite-4">[4]</a></sup>。</li>
|
||
</ul>
|
||
<p>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<sup><a href="#cite-4">[4]</a></sup>。NGBoost（参数化分布输出）作为备选记录，不纳入首轮实现。</p>
|
||
|
||
<h3>3.3 多输出策略：独立建模</h3>
|
||
<p>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<strong>独立建模三个输出（MultiOutputRegressor）是最务实的选择</strong><sup><a href="#cite-6">[6]</a></sup>；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。</p>
|
||
|
||
<h3>3.4 跨材料泛化：特征工程优先</h3>
|
||
<p>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<strong>特征工程</strong>：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<sup><a href="#cite-1">[1]</a></sup>。</p>
|
||
</section>
|
||
|
||
<section id="active-learning">
|
||
<h2>4. 实验设计与主动学习选型</h2>
|
||
|
||
<h3>4.1 框架现状与决策</h3>
|
||
<p>本项目数据采集的特殊性在于：实验是<strong>串行批次</strong>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：</p>
|
||
<div class="table-wrap">
|
||
<table>
|
||
<caption>表 2 · 主动学习 / 贝叶斯优化框架对比</caption>
|
||
<thead>
|
||
<tr>
|
||
<th scope="col">框架</th>
|
||
<th scope="col">维护状态</th>
|
||
<th scope="col">批量采集</th>
|
||
<th scope="col">结论</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<th scope="row">Ax / BoTorch</th>
|
||
<td>活跃（Ax 1.3.0，2026.06<sup><a href="#cite-7">[7]</a></sup>）</td>
|
||
<td>原生 qEI / qNEI / qEHVI<sup><a href="#cite-9">[9]</a></sup></td>
|
||
<td><span class="tag tag--keep">主选</span></td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">Optuna</th>
|
||
<td>活跃</td>
|
||
<td>较弱</td>
|
||
<td><span class="tag">超参调优专用</span></td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">scikit-optimize</th>
|
||
<td>2024.02 已归档<sup><a href="#cite-8">[8]</a></sup></td>
|
||
<td>—</td>
|
||
<td><span class="tag tag--risk-high">避开</span></td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">modAL</th>
|
||
<td>基本停滞</td>
|
||
<td>有限</td>
|
||
<td><span class="tag tag--risk-high">避开</span></td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">scikit-activeml</th>
|
||
<td>活跃（1.0.0，2025.12）</td>
|
||
<td>有限</td>
|
||
<td><span class="tag">备选</span></td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">Dragonfly / SMAC3</th>
|
||
<td>维护中</td>
|
||
<td>支持并行 / 弱</td>
|
||
<td><span class="tag">不采用</span></td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
</div>
|
||
<p>决策：主动学习环节采用 <strong>Ax/BoTorch</strong>。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<sup><a href="#cite-9">[9]</a></sup>。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<sup><a href="#cite-10">[10]</a></sup>）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。</p>
|
||
|
||
<h3>4.2 采集工作流：LHS 冷启动 → 主动学习</h3>
|
||
<ul>
|
||
<li><strong>初始采样</strong>：使用 <code class="inline">scipy.stats.qmc.LatinHypercube</code> 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）；</li>
|
||
<li><strong>主动学习循环</strong>：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；</li>
|
||
<li><strong>停止条件</strong>：留一材料验证误差收敛或单材料实验预算（80 组）耗尽。</li>
|
||
</ul>
|
||
<p>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。</p>
|
||
</section>
|
||
|
||
<section id="engineering">
|
||
<h2>5. 工程化栈选型</h2>
|
||
|
||
<h3>5.1 模型导出：ONNX 保留，GPR 列为受控风险</h3>
|
||
<p>sklearn-onnx 官方支持 GaussianProcessRegressor 的导出<sup><a href="#cite-12">[12]</a></sup>，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<sup><a href="#cite-11">[11]</a></sup>。XGBoost 与随机森林的 ONNX 导出成熟<sup><a href="#cite-12">[12]</a></sup>。决策：</p>
|
||
<ul>
|
||
<li>沿用 ONNX + joblib 双格式交付方案；</li>
|
||
<li><strong>GPR 导出流程中强制插入精度对比环节</strong>（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）；</li>
|
||
<li>该风险不阻塞第一阶段开发，2027 年模型定型时再验证。</li>
|
||
</ul>
|
||
|
||
<h3>5.2 API 服务与数据管理</h3>
|
||
<p>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。</p>
|
||
|
||
<h3>5.3 设备采集与工程规范</h3>
|
||
<p>串口通信采用 pyserial（活跃维护，支持 Python 3.10+<sup><a href="#cite-13">[13]</a></sup>），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<sup><a href="#cite-14">[14]</a></sup>。工程规范一次性定标准，避免后期重构：</p>
|
||
<ul>
|
||
<li><strong>包管理</strong>：uv（2025–2026 Python 社区主流，速度快、锁文件确定性）；</li>
|
||
<li><strong>项目结构</strong>：src layout（<code class="inline">src/lmpm/</code>，包名取 laser-material-parameter-matching 缩写）；</li>
|
||
<li><strong>配置</strong>：pydantic-settings（类型安全的环境变量与配置文件管理）；</li>
|
||
<li><strong>测试与质量</strong>：pytest + ruff（lint 与格式化二合一）。</li>
|
||
</ul>
|
||
</section>
|
||
|
||
<section id="architecture">
|
||
<h2>6. 系统架构设计</h2>
|
||
<p>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。</p>
|
||
|
||
<figure class="diagram">
|
||
<pre class="mermaid">
|
||
flowchart TB
|
||
IN1(["材料物性测量<br/>光谱仪 · 粗糙度仪 · DSC"])
|
||
IN2(["激光加工实验<br/>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<br/>LHS + Ax 主动学习"]
|
||
D2["数据采集<br/>pyserial + 显微镜"]
|
||
D3["数据存储<br/>SQLite + CSV"]
|
||
D1 --> D2 --> D3
|
||
end
|
||
|
||
subgraph P2["阶段二 · 模型层（2027）"]
|
||
direction LR
|
||
M1["模型训练<br/>GPR · XGB · RF · TabPFN"]
|
||
M2["评估与 UQ<br/>LOMO CV · Conformal"]
|
||
M3["超参调优<br/>Optuna TPE"]
|
||
M1 --> M2
|
||
M3 -.-> M1
|
||
end
|
||
|
||
subgraph P3["阶段三 · 服务层（2028）"]
|
||
direction LR
|
||
S1["推理引擎<br/>ONNX + joblib"]
|
||
S2["REST API<br/>FastAPI · pydantic v2"]
|
||
S3["容器交付<br/>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;
|
||
</pre>
|
||
<figcaption>图 1 · 系统三阶段技术架构（虚线为主动学习反馈闭环；阶段一为当前搭建范围）</figcaption>
|
||
</figure>
|
||
|
||
<h3>6.1 模块职责</h3>
|
||
<div class="table-wrap">
|
||
<table>
|
||
<caption>表 3 · 核心模块职责划分</caption>
|
||
<thead>
|
||
<tr>
|
||
<th scope="col" style="width:22%">模块</th>
|
||
<th scope="col" style="width:20%">所属阶段</th>
|
||
<th scope="col">职责</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr><th scope="row">domain（领域模型）</th><td>阶段一</td><td>pydantic 定义材料物性、实验记录、加工参数、质量评分四类实体，全链路类型校验</td></tr>
|
||
<tr><th scope="row">doe（实验设计）</th><td>阶段一</td><td>LHS 初始采样、参数空间定义、主动学习批次推荐（对接 Ax）</td></tr>
|
||
<tr><th scope="row">data（数据存取）</th><td>阶段一</td><td>SQLite 读写、CSV 导入导出、数据校验与清洗</td></tr>
|
||
<tr><th scope="row">device（设备采集）</th><td>阶段一</td><td>pyserial 串口状态读取、实验参数自动同步记录</td></tr>
|
||
<tr><th scope="row">ml（模型管线）</th><td>阶段二</td><td>四模型训练、LOMO 交叉验证、Conformal 包装、超参调优</td></tr>
|
||
<tr><th scope="row">api（推理服务）</th><td>阶段三</td><td>FastAPI REST 接口、ONNX Runtime 推理、置信区间输出</td></tr>
|
||
</tbody>
|
||
</table>
|
||
</div>
|
||
</section>
|
||
|
||
<section id="structure">
|
||
<h2>7. 项目工程结构</h2>
|
||
<p>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）：</p>
|
||
<pre class="tree">lemdb/
|
||
├── pyproject.toml <span class="c"># uv 管理：依赖声明、ruff/pytest 配置</span>
|
||
├── README.md
|
||
├── .gitignore <span class="c"># data/*.db 等产物不入库</span>
|
||
├── src/lmpm/ <span class="b"># 主包：laser material parameter matching</span>
|
||
│ ├── config.py <span class="c"># pydantic-settings：路径、设备、参数范围</span>
|
||
│ ├── domain/ <span class="b"># 领域数据模型（第一阶段核心）</span>
|
||
│ │ ├── material.py <span class="c"># MaterialProperty：反射率/吸收率/熔点/热导率/密度/粗糙度</span>
|
||
│ │ ├── experiment.py <span class="c"># ExperimentRecord / ProcessingParams / QualityMetrics</span>
|
||
│ │ └── doe.py <span class="c"># ParameterSpace / ExperimentDesign</span>
|
||
│ ├── data/
|
||
│ │ ├── store.py <span class="c"># SQLite 读写层</span>
|
||
│ │ ├── io_csv.py <span class="c"># CSV 导入导出（交付格式）</span>
|
||
│ │ └── validate.py <span class="c"># 入库前校验：范围/缺失/重复</span>
|
||
│ ├── doe/
|
||
│ │ ├── initial.py <span class="c"># LHS 初始采样（scipy QMC）</span>
|
||
│ │ └── active.py <span class="c"># Ax 主动学习批次推荐（阶段一末启用）</span>
|
||
│ ├── device/
|
||
│ │ └── serial_recorder.py <span class="c"># pyserial 采集（协议确认后开发）</span>
|
||
│ ├── ml/ <span class="b"># 阶段二：train / evaluate / uq</span>
|
||
│ └── api/ <span class="b"># 阶段三：main.py（FastAPI）</span>
|
||
├── scripts/
|
||
│ ├── init_db.py <span class="c"># 初始化 SQLite 库表</span>
|
||
│ ├── generate_doe.py <span class="c"># 生成参数网格 CSV</span>
|
||
│ └── record_experiment.py <span class="c"># 实验记录录入 CLI</span>
|
||
├── tests/ <span class="c"># pytest：domain 校验 / store 读写 / doe 生成</span>
|
||
├── data/ <span class="c"># SQLite 库文件与 CSV（gitignore）</span>
|
||
└── docs/
|
||
└── data_dictionary.md <span class="c"># 数据字典：字段、单位、测量方法、溯源</span></pre>
|
||
|
||
<h3>7.1 依赖清单（按阶段引入）</h3>
|
||
<div class="table-wrap">
|
||
<table>
|
||
<caption>表 4 · Python 依赖引入计划</caption>
|
||
<thead>
|
||
<tr>
|
||
<th scope="col" style="width:18%">阶段</th>
|
||
<th scope="col" style="width:52%">依赖</th>
|
||
<th scope="col">用途</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<th scope="row">阶段一</th>
|
||
<td><code class="inline">pydantic pydantic-settings pyserial scipy pandas typer</code></td>
|
||
<td>数据模型 / 配置 / 串口 / LHS 采样 / 数据处理 / CLI</td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">阶段二</th>
|
||
<td><code class="inline">scikit-learn xgboost tabpfn optuna ax-platform botorch mapie</code></td>
|
||
<td>四模型训练 / 调优 / 主动学习 / Conformal 区间</td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">阶段三</th>
|
||
<td><code class="inline">fastapi uvicorn skl2onnx onnxruntime</code></td>
|
||
<td>REST 服务 / 模型导出与推理</td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">全程</th>
|
||
<td><code class="inline">pytest ruff</code></td>
|
||
<td>测试 / 代码质量</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
</div>
|
||
<p>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。</p>
|
||
</section>
|
||
|
||
<section id="roadmap">
|
||
<h2>8. 第一阶段实施路线（8 周）</h2>
|
||
<p>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：</p>
|
||
<div class="table-wrap">
|
||
<table>
|
||
<caption>表 5 · 第一阶段 8 周里程碑</caption>
|
||
<thead>
|
||
<tr>
|
||
<th scope="col" style="width:14%">周次</th>
|
||
<th scope="col" style="width:46%">交付物</th>
|
||
<th scope="col">验收标准</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr><th scope="row">W1–W2</th><td>工程骨架 + 领域模型 + SQLite 库表</td><td><code class="inline">uv sync</code> 可装、pytest 全绿、库表可建可写</td></tr>
|
||
<tr><th scope="row">W3</th><td>DoE 生成器（LHS 初始采样）</td><td>生成亚克力 40 组参数网格 CSV，范围符合设备量程</td></tr>
|
||
<tr><th scope="row">W4–W5</th><td>实验记录工作流（CLI 录入 + 串口采集）</td><td>单条实验记录全字段校验入库，重复/越界被拦截</td></tr>
|
||
<tr><th scope="row">W6</th><td>首批数据：亚克力 + 椴木 ≥120 组，数据字典 v1</td><td>完整率 100%，EDA 快照可复现</td></tr>
|
||
<tr><th scope="row">W7</th><td>基线模型试跑（GPR / XGBoost）</td><td>LOMO 交叉验证管线跑通（不考核精度）</td></tr>
|
||
<tr><th scope="row">W8</th><td>主动学习接口预留 + 中期检查文档</td><td>Ax 环境可运行 qNEI 批量推荐 demo</td></tr>
|
||
</tbody>
|
||
</table>
|
||
</div>
|
||
<div class="callout callout--risk">
|
||
<p class="callout__label">进度风险提示</p>
|
||
<p>串口自动采集依赖厂商提供 HZZ-M300U 的通信协议文档；若 W4 前未取得，立即切换为「CLI 手工录入」模式兜底，不影响 W6 数据目标。企划书中 2026.06 完成串口开发的计划以此风险开关为条件。</p>
|
||
</div>
|
||
</section>
|
||
|
||
<section id="risks">
|
||
<h2>9. 风险登记表</h2>
|
||
<div class="table-wrap">
|
||
<table>
|
||
<caption>表 6 · 技术风险与缓解措施</caption>
|
||
<thead>
|
||
<tr>
|
||
<th scope="col" style="width:26%">风险</th>
|
||
<th scope="col" style="width:10%">等级</th>
|
||
<th scope="col" style="width:28%">影响</th>
|
||
<th scope="col">缓解措施</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<th scope="row">GPR 的 ONNX 导出精度差异</th>
|
||
<td><span class="tag tag--risk-mid">中</span></td>
|
||
<td>线上推理结果偏离训练基线</td>
|
||
<td>导出后强制 float64 对比验证；备选 joblib + FastAPI 直载<sup><a href="#cite-11">[11]</a></sup></td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">HZZ-M300U 串口协议未知</th>
|
||
<td><span class="tag tag--risk-mid">中</span></td>
|
||
<td>自动采集延期，拖累数据目标</td>
|
||
<td>W1 起向厂商索取协议；CLI 手工录入兜底</td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">小样本 LOMO 精度不达标</th>
|
||
<td><span class="tag tag--risk-mid">中</span></td>
|
||
<td>新材料推荐误差超 8% 目标</td>
|
||
<td>特征工程优先；大类分层训练备选；主动学习提高单数据信息量</td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">TabPFN 适用边界</th>
|
||
<td><span class="tag tag--risk-low">低</span></td>
|
||
<td>第四候选失效</td>
|
||
<td>仅作对比不依赖；主线仍是 GPR / XGBoost</td>
|
||
</tr>
|
||
<tr>
|
||
<th scope="row">5 人团队协作冲突</th>
|
||
<td><span class="tag tag--risk-low">低</span></td>
|
||
<td>代码互踩、数据覆盖</td>
|
||
<td>Git 分支规范 + ruff 统一格式 + SQLite 单写入口（store.py）</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
</div>
|
||
</section>
|
||
|
||
</main>
|
||
<footer>
|
||
<div class="sources">
|
||
<h2>参考资料</h2>
|
||
<ol>
|
||
<li id="cite-1">TabPFN v2 小样本表格基准评测（arXiv, 2025）<a href="https://arxiv.org/html/2505.11325v2" target="_blank" rel="noopener">https://arxiv.org/html/2505.11325v2</a></li>
|
||
<li id="cite-2">Gaussian Processes for Small-Sample Regression with Uncertainty（BestHub）<a href="https://www.besthub.dev/articles/why-gaussian-processes-beat-neural-networks-for-small-sample-regression-with-uncertainty-601d1e4dcfe8" target="_blank" rel="noopener">https://www.besthub.dev/articles/why-gaussian-processes-beat-neural-networks-for-small-sample-regression-with-uncertainty-601d1e4dcfe8</a></li>
|
||
<li id="cite-3">表格数据机器学习模型基准综述（arXiv, 2024）<a href="https://arxiv.org/pdf/2408.14817" target="_blank" rel="noopener">https://arxiv.org/pdf/2408.14817</a></li>
|
||
<li id="cite-4">Conformal Prediction 与 MAPIE 不确定性量化实践（Python Data Bench）<a href="https://pythondatabench.com/article/conformal-prediction-python-mapie-uncertainty" target="_blank" rel="noopener">https://pythondatabench.com/article/conformal-prediction-python-mapie-uncertainty</a></li>
|
||
<li id="cite-5">ICL-FM：材料属性预测的 in-context 学习框架（arXiv, 2026）<a href="https://arxiv.org/html/2601.00133v1" target="_blank" rel="noopener">https://arxiv.org/html/2601.00133v1</a></li>
|
||
<li id="cite-6">scikit-learn 多输出回归实现（MultiOutputRegressor / RegressorChain）<a href="https://github.com/scikit-learn/scikit-learn/blob/main/sklearn/multioutput.py" target="_blank" rel="noopener">https://github.com/scikit-learn/scikit-learn/blob/main/sklearn/multioutput.py</a></li>
|
||
<li id="cite-7">Ax Platform 更新日志（Meta, 2026.06 发布 1.3.0）<a href="https://github.com/facebook/Ax/blob/main/CHANGELOG.md" target="_blank" rel="noopener">https://github.com/facebook/Ax/blob/main/CHANGELOG.md</a></li>
|
||
<li id="cite-8">scikit-optimize 归档状态记录（2024.02 起停止维护）<a href="https://github.com/freqtrade/freqtrade/issues/10929" target="_blank" rel="noopener">https://github.com/freqtrade/freqtrade/issues/10929</a></li>
|
||
<li id="cite-9">Deep GP 与批量采集函数在实验优化中的应用（arXiv, 2025）<a href="https://arxiv.org/html/2509.14408" target="_blank" rel="noopener">https://arxiv.org/html/2509.14408</a></li>
|
||
<li id="cite-10">NREL ALchemist：材料/化学实验主动学习平台<a href="https://github.com/NREL/ALchemist" target="_blank" rel="noopener">https://github.com/NREL/ALchemist</a></li>
|
||
<li id="cite-11">sklearn-onnx 官方 GPR 导出示例（DoubleTensorType 精度说明）<a href="https://onnx.ai/sklearn-onnx/auto_examples/plot_gpr.html" target="_blank" rel="noopener">https://onnx.ai/sklearn-onnx/auto_examples/plot_gpr.html</a></li>
|
||
<li id="cite-12">sklearn-onnx 支持的模型列表（含 GPR / XGBoost / LightGBM）<a href="https://onnx.ai/sklearn-onnx/supported.html" target="_blank" rel="noopener">https://onnx.ai/sklearn-onnx/supported.html</a></li>
|
||
<li id="cite-13">pyserial 仓库（活跃维护，Python 3.10+）<a href="https://github.com/pyserial/pyserial" target="_blank" rel="noopener">https://github.com/pyserial/pyserial</a></li>
|
||
<li id="cite-14">pyserial 官方文档：线程化读取模式<a href="https://www.pyserial.org/docs/performance/threading" target="_blank" rel="noopener">https://www.pyserial.org/docs/performance/threading</a></li>
|
||
</ol>
|
||
</div>
|
||
</footer>
|
||
</div>
|
||
</article>
|
||
|
||
<script src="./_shared/js/mermaid.min.js"></script>
|
||
<script>
|
||
mermaid.initialize({
|
||
startOnLoad: true,
|
||
theme: 'base',
|
||
themeVariables: {
|
||
primaryColor: '#F5F8FC',
|
||
primaryBorderColor: '#DCE3EC',
|
||
primaryTextColor: '#1B2430',
|
||
lineColor: '#66717F',
|
||
fontSize: '14px',
|
||
fontFamily: '"PingFang SC", "Microsoft YaHei", "Noto Sans CJK SC", sans-serif',
|
||
clusterBkg: '#FFFFFF',
|
||
clusterBorder: '#DCE3EC'
|
||
},
|
||
flowchart: { htmlLabels: true, curve: 'basis' }
|
||
});
|
||
</script>
|
||
</body>
|
||
</html>
|