# SirenFNO Table 2 / Darcy 32×32 复现结果 正式训练已完成 **500 epoch**,batch size 32,训练 1000 个、测试 200 个样本。 加载 `weight/best_model.pth` 后,原尺度逐样本相对 L2 算术均值为 **0.0452446841**。 对比论文 Table 2 的 **0.0351**:有符号差距 **+0.0101446841**,绝对差距 **0.0101446841**,相对差距 **+28.902%**。 ## 指标与权重 - 主指标:对每个样本计算 `||prediction-y||_2 / ||y||_2`,对 200 个样本取算术均值;由保存的原尺度 float32 场使用 float64 重新计算。 - 论文式 (15) 字面上的平方相对 L2 均值:**0.0025980480**。它与主指标不是同一统计量。 - 最优权重选择:每个 epoch 后在完整训练集上以 eval 模式计算原尺度平方相对 L2,取最小者;选中 **epoch 500**。 - 测试集每轮用于监测,**不用于选权重、调参或早停**;无独立验证集。论文没有说明权重选择规则,本规则属于显式工程假设。 - 末轮 epoch 500 的原尺度测试相对 L2:**0.0452446839**;末轮权重保存在 `weight/last_model.pth`。 - checkpoint SHA256:`ceb2392d5ba68e386f08e0f117ea1705df1f3a0185d3cef0971f07951113ce1e`。 - 实际本轮训练墙钟时间:1321.41 秒;参数量:304801。 ## 对齐情况与限制 1. 本次是非分解完整 SirenFNO,四层 32 通道,式 (14) 的增强残差结构,全部 32×17 个独立 rFFT 频点生成稠密 32×32 复系数;没有任何频率截断。rFFT 半谱是实数输入的厄米冗余压缩,不是高频截断。 2. 论文 §5.2 的 AdamW、lr=1e-3、weight decay=1e-4、CosineAnnealingLR(T_max=500)、500 epoch、batch=32 均执行。无提前停止、无降采样、无额外训练数据。预先冒烟训练的模型已丢弃,正式训练从 seed 42 重新初始化。 3. 论文式 (7) 明确写 sin,本次使用纯 sin 及可学习偏置;官方仓库使用交错 sin/cos 且无偏置,本次没有用该冲突实现覆盖论文。 4. 论文 §5.2 指定 lifting/projection 隐藏宽度 64,本次使用 3→64→32 和 32→64→1。仓库使用单层 3→32 lifting 和 32→128→1 projection;因此本次参数量不要求等于 Table 3 的约 308.9k。 5. 论文式 (15) 在 PDF 上是范数平方之比,但文字称相对 L2、仓库 LpLoss 使用未平方比值。本次训练在原尺度使用平方比值以遵循字面公式,报告同时给出用户指定的未平方指标。**无法断言 Table 2 的 0.0351 究竟对应公式还是仓库口径,因此数值差距只是指定口径下的直接比较,不代表已精确匹配作者训练实现。** 6. 论文未给出的 RFF 特征数 16、sigma=512、SIREN 隐藏宽度 32/一层、omega 初值、midpoint 频率索引、残差 MLP 扩张 4、坐标拼接、无 padding、seed 42、无 shuffle,以及训练集压力 channel-wise 标准化,来自官方仓库只读参考。输入渗透率保持原值;压力标准化统计量仅来自 1000 个训练样本,模型输出先反归一化再计算训练 loss 和评测指标。 7. 运行设备为 **BW**,PyTorch **2.4.1**,HIP **6.1.25065**;论文设备是 RTX 5090。后端和随机数流不同,只有一次固定 seed 运行,没有多种子统计。 8. 物理单位及精确边界网格元数据未在 pt 字段中提供,不虚构单位;可视化坐标采用官方输入网格 [0,1] 的约定,不宣称额外 PDE 残差或守恒量验证。 ## 证据与文件 - `results/data_manifest.json`:原始 shape/dtype、选样索引、字段语义与数据 SHA256。 - `results/training_history.csv`:500 轮实际记录,含 train/test 两种误差及学习率。 - `results/per_sample_metrics.csv`:200 个测试样本原尺度误差。 - `results/predictions.pt`:原尺度输入、真值、预测、样本索引。 - `results/darcy_fields.png`、`darcy_fields.pdf`:固定第 0 个、误差中位样本、最差样本,真值与预测使用同一色标。 - `results/training_curves.png`、`error_distribution.png`:训练曲线及误差分布。 - `results/smoke/checks.json`:六项计算节点冒烟检查。 - `reproduction_spec.md`:完整来源、缺口与冲突决策;`logs/`:Slurm 实时 print 日志。 论文:[IJCAI PDF](https://ijcai.org/proceedings/2026/0535.pdf)。补充细节:[官方仓库只读参考](https://github.com/pengqingshi/SirenFNO)。未下载、克隆或复制官方仓库代码,所有实现均独立编写;未提交 Git、未上传平台。 ## 恢复执行与补充核验 - 恢复时确认已有实现、配置和规格,但没有 checkpoint、训练记录或活跃作业;本次复用旧代码执行首次正式训练,没有重启已有训练。 - 实际优化器对每个参数完成 **16000 次更新**(500×32 个 batch,末 batch 为8个样本),调度器完成500步、最终lr=0;见 `budget_verification.json`。 - 独立 NumPy float64 公式从保存的预测/真值重算,均值与报告相差约2.1e-17,并逐行核对200个样本CSV;见 `independent_metric_verification.json`。 - 六项冒烟、正式训练、权重重载推理、可视化作业分别为1100629、1100639、1100802、1100831,均以0退出;节点与起止时间见 `execution_provenance.json`。 - **归一化补充限制**:论文未规定归一化细节。保存的官方只读参考记录显示,仓库训练在标准化目标上计算损失、评测时反归一化;本实现依据论文公式,在训练和评测前均反归一化到原始文件尺度计算损失。该差异已在 `reproduction_spec.md` 第7节记录,可能影响与Table2的数值对齐。原始文件未提供物理单位,本报告的“原尺度”指提供的pt文件中y的数值尺度。 - 目视检查了场图及训练曲线;所有模型、配置、业务脚本与正式运行前的SHA256快照一致。