MZM MoE PINN（PyTorch）

本仓库已从原先的 MLP 基线迁移为 Mixture-of-Experts + Physics-Informed Neural Network 训练流程，目标是尽量对齐 MZM_MoE_PINN_Model.ipynb 的训练行为，同时保留仓库化的命令行入口、结果目录和复现产物。

当前训练管线

• 输入：8 个器件/偏置参数
• 输出：BW_3dB、IL、V_pi
• 模型：MoE，包含多个专家网络与一个 gating 网络
• 数据清洗：保留 V_pi < 500
• 数据划分：train_test_split(test_size=0.1, random_state=123)
• 标准化：
  • X 使用一个 StandardScaler
  • Y 的三个目标分别使用独立的 StandardScaler
• 损失：
  • 数据项：标准化空间 MSE
  • 物理项：dBW/dL <= 0、dIL/dL >= 0、d(V_pi*L)/dL ~= 0、d2BW/dL2 平滑项
• 优化器：AdamW(lr=1e-3, weight_decay=0.05, betas=(0.9, 0.999))
• 训练方式：固定 100 epoch，无早停；每轮计算全量 train/test MSE

默认物理约束权重来自 best_hyperparams.json：

{
  "lambda_bw_mon": 0.0,
  "lambda_IL_mon": 0.3,
  "lambda_vpiL": 0.005,
  "lambda_smooth": 0.1
}

数据格式

数据文件为 11 列逗号分隔浮点数，列含义如下：

顺序	列名	作为
1	PN_offset	输入
2	Bias_V	输入
3	Core_width	输入
4	P+_width	输入
5	N+_width	输入
6	P_width	输入
7	N_width	输入
8	Phase_length	输入
9	BW_3dB	输出
10	IL	输出
11	V_pi	输出

支持两种文本格式：

a,b,c,...,k
[a, b, c, ..., k]

安装

cd /path/to/photonAI
python -m venv .venv
source .venv/bin/activate
pip install -U pip
pip install -r requirements.txt

训练

python -m src.main train --config configs/default.yaml

训练完成后会在 results/run_时间戳/ 下生成：

• config_snapshot.yaml
• data_report.md
• data_stats.csv
• cleaning_meta.json
• split_indices.json
• x_scaler.pkl
• y_scalers.pkl
• train_log.csv
• checkpoints/best.pt
• checkpoints/last.pt
• metrics.csv
• summary.json
• summary.md
• test_predictions.csv
• figures/*.png

说明：

• train_log.csv 记录每轮的全量 train_loss / test_loss
• summary.* 与 metrics.csv 中的 loss 为标准化空间 MSE
• 物理空间指标仍输出 MAE / RMSE / R²

评估

按训练时保存的切分索引与 scaler 重算 train/test 指标：

python -m src.main eval --config configs/default.yaml --run-dir results/run_YYYYMMDD_HHMMSS

推理

输入文件需包含 8 个输入列（csv 带表头，或 8 列 txt）：

python -m src.main infer --config configs/default.yaml --input path/to/inputs.csv --output path/to/preds.csv

输出列为原始 8 个输入 + pred_BW_3dB、pred_IL、pred_V_pi。

默认配置

configs/default.yaml 目前对应 notebook 风格的默认 MoE PINN 参数：

• data.test_size: 0.1
• data.random_state: 123
• data.filter_v_pi_max: 500.0
• model.hidden_dims: [64, 128, 64]
• model.n_experts: 60
• model.gating_hidden: 8
• model.dropout_rate: 0.0
• model.use_bn: true
• optimizer.lr: 0.001
• optimizer.weight_decay: 0.05
• training.batch_size: 128
• training.epochs: 100
• physics.* 默认由 best_hyperparams.json 提供，再由 YAML 显式值覆盖

测试

PYTHONPATH=. PYTEST_DISABLE_PLUGIN_AUTOLOAD=1 pytest -q tests/test_smoke.py

说明

• 现在的主流程优先保证与 notebook 的 数据切分、标准化、模型结构、物理损失和训练循环 一致。
• 为了适配仓库化使用，仍保留了 train / eval / infer CLI 与 run_* 结果目录结构。
• 旧的 MLP baseline 文档与配置已不再是当前默认路径。 ├── scripts │ ├── train.sh │ ├── eval.sh │ └── infer.sh ├── src │ ├── init.py │ ├── config.py │ ├── utils.py │ ├── data.py │ ├── preprocess.py │ ├── model.py │ ├── losses.py │ ├── metrics.py │ ├── trainer.py │ ├── evaluate.py │ ├── infer.py │ ├── plots.py │ └── main.py └── tests └── test_smoke.py

## 后续可扩展方向

- **Physics-informed loss**：在标准化空间外叠加与器件物理相关的软约束。
- **PINN / 解析近似混合**：将部分输出与简化解析模型对齐。
- **结构搜索**：在 `hidden_dims`、残差块、Bayesian 优化超参等方向扩展。
- **不确定度**：深度集成、MC Dropout、浅层高斯过程等。

## 许可证与引用

若用于论文，请在方法部分说明数据处理、划分方式与随机种子；并引用本仓库或内部项目号（自行补充）。