PDE Neural Operator Research Agent

端到端自主科研智能体系统，用于 1D Burgers 方程神经算子竞赛。

系统架构

本系统实现了一个四阶段科研闭环 Agent：

1. 文献解析与逻辑解构 (LiteraturePhase)

   • 自动阅读 Background.md、NEURAL_OPERATOR_PRINCIPLES.md
   • 使用 inspect_hdf5 分析数据结构
   • 使用 summarize_code 审查现有代码
   • 输出结构化文献综述

2. 瓶颈诊断与假设提出 (DiagnosisPhase)

   • 使用 analyze_log 分析训练动态
   • 识别长时稳定性、物理一致性、泛化能力等瓶颈
   • 提出可验证的优化假设
   • 输出诊断报告

3. 自主设计与代码演进 (DesignPhase)

   • 根据假设自动编写/修改 PyTorch 代码
   • 使用 validate_code 进行语法检查
   • 使用 quick_test_model 进行 smoke test
   • 维护代码版本历史

4. 实验验证与科学迭代 (ExperimentPhase)

   • 自动运行训练与推理
   • 计算分段预测得分（与评测完全一致）
   • LLM 分析实验结果并决策：CONTINUE / PIVOT / STOP
   • 完整记录实验轨迹

目录结构

.
├── agent/                      # Agent 核心系统
│   ├── __init__.py
│   ├── config.py               # 配置管理
│   ├── llm_client.py           # LLM API 客户端（带合规日志）
│   ├── tools.py                # 工具注册表（文件/命令/代码/分析）
│   ├── memory.py               # 科研记忆与状态持久化
│   ├── phases.py               # 四阶段科研闭环
│   ├── orchestrator.py         # 主编排器
│   └── main.py                 # CLI 入口
├── code-ref/                   # 基线模型代码参考
│   ├── model.py                # FNO + FiLM + 时序捆绑
│   ├── dataset.py              # HDF5 数据加载
│   ├── train.py                # 训练脚本
│   ├── infer.py                # 推理脚本（生成提交格式 HDF5）
│   └── utils.py                # 指标计算与辅助函数
├── task1/                      # Task 1 科研日志与报告
│   ├── task1_logs.log
│   ├── task1_literature_summary.md
│   ├── task1_diagnosis_report.md
│   ├── task1_design_notes.md
│   └── task1_experiment_*.md
├── task2/                      # Task 2 科研日志与报告
│   ├── task2_logs.log
│   ├── task2_literature_summary.md
│   ├── task2_diagnosis_report.md
│   ├── task2_design_notes.md
│   └── task2_experiment_*.md
├── run_agent.py                # Agent 启动脚本
├── config.yaml                 # 配置文件模板
├── requirements.txt            # Python 依赖
└── README.md                   # 本文件

快速开始

1. 安装依赖

pip install -r requirements.txt

2. 配置 LLM API

编辑 config.yaml，填写你的 API Key：

llm:
  api_key: "sk-your-api-key"
  base_url: "https://api.openai.com/v1"
  model: "gpt-4o"

或通过环境变量：

export OPENAI_API_KEY="sk-your-api-key"
export OPENAI_BASE_URL="https://api.openai.com/v1"
export LLM_MODEL="gpt-4o"

3. 运行 Agent

# Task 1: 固定物理环境
python run_agent.py --task task1

# Task 2: 多物理环境泛化
python run_agent.py --task task2

4. 手动测试基线（可选）

如果不想启动完整 Agent，可直接运行基线代码：

# Task 1 训练
python code-ref/train.py --task task1 --output_dir output/task1_baseline

# Task 1 推理
python code-ref/infer.py --task task1 --checkpoint output/task1_baseline/best_model.pt --output output/task1/task1_pred.hdf5

# Task 2 训练
python code-ref/train.py --task task2 --output_dir output/task2_baseline --epochs 80

# Task 2 推理
python code-ref/infer.py --task task2 --checkpoint output/task2_baseline/best_model.pt --output output/task2/task2_pred.hdf5

提交产物

Agent 运行结束后，会在 output/ 目录生成：

output/
├── submission.zip              # 最终提交包
├── submission.json             # 提交元数据
├── task1/                      # Task 1 产物
│   ├── task1_pred.hdf5         # Task 1 预测结果 (1000, 200, 256)
│   ├── task1_time.csv          # Task 1 耗时记录
│   └── task1_logs.log          # Task 1 Agent 科研日志（JSON Lines）
├── task2/                      # Task 2 产物
│   ├── task2_pred.hdf5         # Task 2 预测结果 (1000, 200, 256)
│   ├── task2_time.csv          # Task 2 耗时记录
│   └── task2_logs.log          # Task 2 Agent 科研日志（JSON Lines）
├── methodology.pdf             # Agent 方法总结
└── code/                       # 源代码目录
    ├── model.py
    ├── dataset.py
    ├── train.py
    ├── infer.py
    └── utils.py

日志格式合规性

task{N}/task{N}_logs.log 每一行均为合法 JSON，包含：

• timestamp: ISO 8601 格式，含时区
• elapsed_seconds: 本次 LLM 调用耗时
• response 或 tool_calls: 至少存在其一

核心设计亮点

1. 改进版 FNO 基线

• 时序捆绑 (Temporal Bundling): 一次前向传播预测全部 190 个未来步，避免自回归误差累积
• FiLM 条件化: Task 2 中将 nu 通过 Feature-wise Linear Modulation 注入网络特征
• nu 估计器: 测试时不提供 nu，模型自动从初始条件推断
• 物理残差框架: 预留 Burgers 方程残差计算接口，可一键启用物理信息训练

2. 评分对齐的指标计算

code/utils.py 中的 compute_segment_scores 完全按照评测规则实现：

• 第1段 (0-47步): 100 × exp(-20 × Rel-MSE)
• 第2段 (47-95步): 100 × exp(-10 × Rel-MSE)
• 第3段 (95-190步): max(Lorentzian, Frechet)

3. Agent 工具链

工具	用途
read_file / write_file	文件读写
run_shell	执行训练/推理命令
run_python	快速数值实验
validate_code	语法检查
quick_test_model	模型 smoke test
analyze_log	训练日志分析
inspect_hdf5	数据结构探查
summarize_code	代码审查

4. 记忆与迭代

• ResearchMemory 持久化研究状态到 JSON
• 自动追踪最优实验、记录假设与结论
• 支持从断点恢复（task1/research_memory_task1.json 或 task2/research_memory_task2.json）
• 早停与超时保护

扩展与定制

更换 LLM 提供商

config.yaml 支持任何 OpenAI 兼容 API：

llm:
  base_url: "https://api.deepseek.com/v1"
  model: "deepseek-chat"

调整模型架构

在 config.yaml 的 model 节修改：

model:
  modes: 24      # 傅里叶模式数
  width: 128     # 特征维度
  depth: 6       # FNO 层数

启用物理信息损失

model:
  use_physics_loss: true
  physics_weight: 0.5

注意事项

1. API Key 安全: config.yaml 中的 api_key 仅在本地使用，不会被提交
2. 时间限制: 单任务总时长不得超过 12 小时（Agent 默认限制 11.5 小时）
3. 推理时限: Task 1 和 Task 2 的推理时间均不得超过 2 分钟
4. 数据路径: 默认指向 ./data_and_sample_submission/train_val_test_init/，请确保数据已解压

参考文献

• Li et al. (2021) - Fourier Neural Operator for Parametric Partial Differential Equations
• Lu et al. (2021) - Learning Nonlinear Operators via DeepONet
• Wang et al. (2021) - Physics-informed DeepONets
• Takamoto et al. (2022) - PDEBench