rdeboer1/rmfit-campaign

rmfit流程

rmfit（位于/groups/rdeboer1/user/rdeboer1/R-matrix/rmfit/，详见README）实现了评估员手动完成的步骤——抛光、翻转干涉符号、添加或移除能级、关闭可疑数据集——将这些步骤组织为可恢复的子流程，由一个脚本在单个集群节点上运行，新的会话可以从STATUS.md处继续执行。它不作为包安装：

export PYTHONPATH=/groups/rdeboer1/user/rdeboer1/R-matrix
python3 -m rmfit.cli <campaign_dir> <command> [options]

在针对新反应执行第一个命令之前，请从上到下阅读本文档；对于恢复活动而言，“读取状态”和“循环”部分已足够。方法优化记录在日志末尾。

1. 读取状态，绝不重新计算

一个活动目录包含了新会话所需的一切：

• STATUS.md —— 每个结构的最佳验证目标、最近的轮次和日志行。使用 status 重新生成；status --json 生成紧凑转储。
• readme —— 实验笔记本（rmfit 每轮追加一个段落；你自己添加的内容使用 log "..."）。归档惯例：在接触任何内容之前先阅读它。
• campaign.log —— 驱动程序打印的每一行；rmfit_sge.log / rmfit_*.log —— 集群作业日志。
• ledger.sqlite + candidates/*.npz —— 每个候选向量及其得分。当前最优解是得分经 verified（一个全新的单会话全模型评估）验证的最佳候选者。分片得分用于排序；已验证得分用于报告。
• campaign.json —— 基础模型、引擎标志、分片数量、边界策略、搜索配置。
• <reaction>.azr + .sav —— 当前最优解的GUI可审查导出。
• variants/ —— 分片文件、窗口模型、含/不含能级文件（可丢弃的）。

首先运行 qstat -u $USER：每个目录一次只运行一个活动命令（它们共享账本和 variants/）。登录节点用于 status、report、log、export 以及短时间测试（最多6个工作线程，最多30分钟）。其他所有操作都作为作业运行。

2. 启动一个新的反应活动

先决条件（在反应的拟合目录中执行这些操作，而不是在活动目录中）：

1. 一个可以在GUI中打开的 .azr 文件，包含 data/ 目录、一个 output/ 目录和一个 readme 文件。了解此反应使用的CLI模式标志（--use-brune、--ignore-externals、--no-long-wavelength等）：它们不在 .azr 文件中，因反应而异（参见 ~/R-matrix/CLAUDE.md），rmfit 需要它们作为 --flags JSON。
2. 在构建之上之前，重现上一次完成的拟合：通过名称加载其 param.sav 文件（pyazr），确认目标值与 chiSquared.out（chi2 + 正态罚项）匹配，然后将其烘焙到一个干净文件中（rmfit.engine.bake），并使用CLI在模式1下使用空白外部文件进行检查。永远不要相信一个“已验证”但使用 .sav 作为外部文件的烘焙结果（这会覆盖 <levels> 部分），也永远不要使用来自正在运行或已崩溃拟合的参数——只使用最后完成的拟合的参数。清除无效的能级行。
3. 将任何新的数据集合并到烘焙文件上（AzrModel.add_data_segment），限于能级方案覆盖的能量范围（set_segment_energy_range），归一化设置为自由，系统误差反映论文中的值。检查每个新文件：单个负值或尖峰截面可能主导目标值。
4. 将所有这些记录在反应目录的 readme 中。

首次拟合：在任何全局拟合之前构建初始参数（DeBoer, 2026-10-25 —— 后续重新评估）

临时性的。 这是DeBoer的一般性建议，在端到端尝试之前记录下来。一旦10B+α（第一个使用此方法的反应，10B+a/10-25-26_Rmatrix_Claude）有了真实的拟合结果，请在此记录有效和无效的部分，并相应地更改或放弃该流程。

DeBoer：“固定一个代表性数据集的归一化，但让其他数据集变化。这最初为截面提供了更固定的标度，但仍允许那些归一化不一致但形状一致的数据集不妨碍拟合。在我们的案例中，由于我们在每个道中都有数据，我建议我们首先固定自己的数据，让其他数据集变化。此外，我们应该确保允许每个粒子对的最低l道变化，为每个能级赋予一个小的非零值，即使文献没有给出该能级到该道的分支。我还建议从低能量开始，逐个对能级进行一些抛光，看看它如何匹配数据。然后回来尝试添加能级，在那些明显存在共振但能量和/或宽度与任何已知能级都不匹配的地方。在拥有合理好的初始参数之前，我不会尝试真正的拟合。”

作为流程：

1. 用一组代表性数据集固定标度。 固定其归一化为1（当我们的数据覆盖每个道时，使用我们自己的数据）；让其他每个数据集的归一化自由变化。那些形状一致但标度不同的数据集就不会阻碍拟合。
2. 为每个对的最低L道播种，针对每个能级。 赋予它一个小的非零振幅（0.01 γ_W，在引擎中设置；物理占位符非常小，参见2026-10-25的播种条目），即使文献没有列出到该道的分支。
3. 拟合范围内的每个道默认都包含在模型中。 每当拟合范围扩展（新的能量窗口，或达到更高能量的数据集）时，列出在范围顶部以下开放的每个分划（partition）：每个剩余核的每个激发态（ENSDF）和其他轻粒子分划（d, t, ³He, ...），阈值为 Ex = sepE + e2。在拟合之前为每个分划添加一个对，无需询问：每个能级上每个道自旋的最低允许L；在阈值处或低于阈值0.5 MeV内的能级和背景极点上按照第2条播种，其他地方为惰性（0，固定）。将新的出口添加到每个求和段（总截面、总(n,p)、(n,α), ...）。不要在阈值处截断数据窗口。截断是权宜之计：在readme中记录它以及迫使其截断的道，并将其列出供评估员审查。 （DeBoer 2026-10-30，11B+α HE扩展：ELBE ¹⁴N+n总截面曾在E_n 5.1 MeV处被截断，因为¹⁴N(n,n₄)没有对。这使得拟合的顶部1.2 MeV缺少其最强约束，即一个归一化固定的总截面。构建器示例：11B+a/10-27-26_HE_claude/model/add_pairs_he.py，7个对 n4 a3 d0 p1 n5 n6 p2。）
4. 从低能量向上，逐个能级进行。 一次抛光一个能级（其能量和宽度，加上自由归一化），针对周围的数据，查看它匹配得如何。
5. 然后添加能级，在那些明显存在共振且已知能级在能量和/或宽度上与之不匹配的地方。
6. 只有在此之后才进行真正的（全局）拟合：对结果执行 init 活动。

原因（10B+α 阶段1，2026-10-25）：从糟糕起点（χ²/N ≈ 200，2027-02-25的能级加上接近零的新道）开始的全局抛光，用缺失的强度换取了归一化。当所有归一化都自由时，在150次评估中几乎所有归一化都下降到0.38-0.68。限制在0.7-1.5时，八个归一化卡在边界上，拟合在χ²/N 12.7处停滞。当χ² ~ 10⁵时，百分之几的归一化先验几乎不增加代价（10B+a/10-25-26_rmfit_stage1，_stage1b）。

然后，在一个新的带日期的活动目录中（<reaction>/<M>-<D>-<YY>_rmfit_campaign/）：

mkdir <dir> && cp <base>.azr <dir>/ && cp -r data <dir>/data && mkdir <dir>/output
python3 -m rmfit.cli <dir> init --base <dir>/<base>.azr [--sav <base>.sav] --nshards 24 \
    --flags '{"use_long_wavelength": false, "ignore_externals": true, "use_brune": true}' \
    --policy '{"theta2_cap": 1.0, "bg_theta2_cap": 3.0, "bg_energy": <Ex above the data>, "e_window": 0.3, "norm_range": [0.2, 5.0]}' \
    --search '{"top_k": 6, "pairs_per_group": 4, "stage1_nfev": 30, "stage2_nfev": 60, "union_nfev": 100}'

--flags 直接传递给 pyazr.azure2()，因此参数化在其中选择："use_brune": true（Brune，归档默认值）、"use_park": true（Park：拟合向量保存观测到的约化宽度振幅，Gamma = 2 P gamma^2；参见AZURE2技能的“Park参数化”）、"use_brune": false（标准Lane-Thomas）。每个活动使用一种基组——账本的向量、.npz快照和.sav伴侣文件都基于此基组。

可选的 --objective JSON（campaign.json 中的 objective，deBoer等人2017年拟合部分）：{"dataset_weight": "reduced", "dataset_key": "file", "loss": "sivia"}。dataset_weight: reduced 是约化卡方方法（每个数据集的卡方除以其点数，再按N/K重新缩放，以使目标值保持卡方量级；罚项行不加权）——它阻止具有小误差的大数据集占主导地位；loss: sivia 用Sivia更宽的PDF替换卡方，-2 log[(1 - e^{-R^2/2})/R^2] - 2 log 2（小残差时 ~R^2/2，异常值时 ~2 log R^2：异常值被降权，如同其误差棒被膨胀一样）。Sivia损失应用于由每个数据集的参考chi2/N标准化后的残差（loss_scale: dataset，由 init 从普通基准线计算并存储在campaign.json中）：如果不这样做，对于chi2/N ~ 20-300的模型，每个点都位于对数尾部，数据相对于二次正态罚项损失约10倍的权重，拟合会发生漂移（13C+a，2026-09-08：普通卡方701k -> 1190k，一次抛光MANA即被放弃，归一化跳到标称值）。两种方法都“在统计上不正确，但在误差棒被低估时有用”。目标值是活动的一个属性：在不同目标值下验证的候选者不可比较，因此目标值的更改意味着一个新的活动目录（使用先前的导出作为种子）。无论目标值如何，REPORT.md 和 segment_scores 都保持每个数据集的普通卡方值。在 rmfit/tests/test_objective_13n.py 中验证。

init 验证基准线（一次全模型评估），注册结构，写入 STATUS.md 和作业脚本 run_crc_rmfit（24核 long 节点，邮件发送至 [email protected]，-m abe）。重新运行 init 会保留现有的配置，除非提供了新值。策略含义：theta2_cap 是物理能级的Wigner极限盒，bg_theta2_cap 用于背景极点（Ex >= bg_energy 的能级，其能量保持固定）——3.0是初始猜测，不是物理默认值：在信任它之前，请检查基准线的背景振幅已经位于何处（init 的帽子审计）；12C+alpha弹性散射可能需要大约100（参见2026-09-30的日志条目）；e_window 是每次抛光时一个能级的能量自由度（MeV）；norm_range 倍乘标称归一化。narrow_window（可选，例如 {"gamma_kev": 5, "factor": 3, "min_kev": 1}）使一个自由部分宽度之和小于 gamma_kev 的能级保持在当前能量 ±max(min_kev, factor·Γ) 的范围内，而不是 ±e_window，这样一次抛光就不能将一个窄能级带离其峰值（13C+a 9/2+ 在一次收紧边界抛光中漂移了180 keV）。分片数 = 核心数；分片是精确的（卡方对段是可加的），因此更多的分片只加快速度。

对新模型的成本检查（init 后的 campaign.log）：一次分片目标值计算应该在几秒内，雅可比矩阵在几十秒内。如果一个具有目标效应卷积的段占主导地位（正如Cierjacks在13C+a上的情况），rmfit自身会对其进行折叠（model.ConvSpec）；复合“求和”段允许作为卷积片。

2b. 规范、审计、决策（2026-11-07；R-matrix/rmfit/DESIGN.md 的阶段1）

在 init 之前，编写活动的规范（spec.json，模板 rmfit/templates/SPEC_TEMPLATE.json，模式定义在 rmfit/spec.py）：每个数据集及其角色（anchor = 归一化固定在标称值；free 带有 prior_sigma；excluded 带有原因；screen）、拟合窗口、冻结块、必须存在的对、边界/目标值/搜索、驱动程序可以自主执行的操作（pre_authorized：adopt_level true / false / 规则、flip_adopt、dataset_off_adopt，...）、停止规则以及常设决策（standing decisions）及其所有者和日期。然后：

python3 -m rmfit.audit <base>.azr --out AUDIT.md       # 预检，无引擎会话：零自由宽度，1 keV合并，
                                                       # 标称归一化 != 1，normError作为FRACTION，FLAG列作为
                                                       # 错误，微小误差，重复，尖峰，阈值，测试段上的 <targetInt>
                                                       # 传统.sav名称，输出路径，引擎引脚
python3 -m rmfit.cli <dir> init --base ... --spec spec.json   # flags/policy/search/objective/nshards 优先
                                                       # 来自规范，除非另外给出；与.azr的HIGH级分歧会拒绝init
python3 -m rmfit.cli <dir> spec check                   # 任何时候：SPEC_CHECK.md；规范渲染 -> SPEC.md；审计 -> AUDIT.md

HIGH级审计发现必须在基准线之前修复（或记录在规范的常设决策中作为已接受）。在活动期间，规范未回答的任何问题都转到 DECISIONS.md（rmfit decisions 列出，rmfit decide D-003 "adopt" --by DeBoer 回答）；一个能级添加，如果规范未预授权其 accept，则记录为 accept-pending，并加入一个排队的决策，并且不会被采纳（旧的自动采纳仅适用于没有规范的活动）。可复制使用的规范草稿：10B+a/11-6-26_s5_highE/spec_draft.json、13C+a/11-06-26_merged_regionD/spec_draft.json。

第3b节中的三项空闲时间审查是生成的，而不是手写的，自2026-11-07起：

python3 -m rmfit.cli <dir> audit --kind all            # audits/{input,data,literature}/PROMPT.md + 空 FINDINGS.md
# 将每个 PROMPT.md 交给后台子代理（Agent工具，更便宜的模型，最多三个同时运行）；它写入 FINDINGS.md
python3 -m rmfit.cli <dir> audit --findings            # 每个 FINDINGS.md 中未验证的（候选）行
python3 -m rmfit.cli <dir> audit --status data 1 confirmed --note "line 4007 check