# PROVENANCE SNAPSHOT: local paths anonymized; not a portable execution entry.
"""Format already-computed results; no new scientific fitting or simulation."""
from pathlib import Path
import json, hashlib
HERE=Path(__file__).resolve().parent
OUT=Path(r'LOCAL_PATH_001/20261029_readout_prospective_rank_control_v1')
def load(p):return json.loads(p.read_text(encoding='utf-8'))
def sha(p):
    with p.open('rb') as f:return hashlib.file_digest(f,'sha256').hexdigest()
r=load(OUT/'result.json');pr=load(HERE/'execution_protocol.json');rp=load(OUT/'independent_replay.json')
a=r['aggregates'];m=r['reader_metrics'];p=r['primary'];s=r['sensitivity'];seeds=pr['model_seeds']
lines=['# 前瞻720点与共同输出空间对照结果','',
'2026-10-29：本报告记录已完成的前瞻场验证。E3保持solver-corrected primary not confirmed。','',
'## 结论及实质增益','',
f"在冻结三个现有神经编码器及全部读出后才生成的720个同分布新初态上，PRED二次读出将平均逐初态relative L2从 **{a['UNRESTRICTED__PRED_AFFINE']['relative_L2']['mean']:.6f}** 降到 **{a['UNRESTRICTED__PRED_QUADRATIC']['relative_L2']['mean']:.6f}**，下降 **{100*p['relative_mean_reduction']:.2f}%**。唯一预先指定主比较的平均损失差（仿射−二次）为 **{p['mean_baseline_minus_candidate']:.9f}**，10,000次配对初态bootstrap近似95%区间为 **[{p['approximate95_percentile_interval'][0]:.9f}, {p['approximate95_percentile_interval'][1]:.9f}]**，下端大于0，按封存判据得到统计支持。三个seed的均值方向均为改善。",
'',
f"把所有读出限制在同一个由旧训练未来确定的四维POD输出空间，PRED仿射为{a['POD4__PRED_AFFINE']['relative_L2']['mean']:.6f}，二次为{a['POD4__PRED_QUADRATIC']['relative_L2']['mean']:.6f}，改善 **{100*r['comparisons']['POD4__PRED_affine_minus_quadratic']['relative_mean_reduction']:.2f}%**。该组所有9条读出的系数映射数值秩均为4。改善可以在同一个四维输出空间内保留，因而无需提高这项输出空间上限才能出现。它仍不能分解全部历史误差来源，也没有使读出参数数目、函数类、物理先验或计算预算相等。该组只作预定次要诊断，没有另做确认性显著性检验。",
'',
'这补强两处真实缺口：旧外部缓存曾被查看，本轮新未来在方法封存后生成；原二次读出还扩大输出空间，本轮另以共同四维输出空间检验同一改善。研究新增的是受控证据，不是新的自编码架构或普适表示定理。','',
'## 全场主指标','',
'PRED行先分别计算三个seed在每个初态的损失，再平均损失；没有先平均预测场。物理与全场线性各只有一份读出。','',
'| 输出限制 | PRED仿射（三seed损失平均） | PRED二次（三seed损失平均） | 物理仿射6列 | 物理二次27列 | 全当前场仿射128列 |',
'|---|---:|---:|---:|---:|---:|']
for g in ['UNRESTRICTED','POD4','POD14']:
    vals=[a[g+'__PRED_AFFINE']['relative_L2']['mean'],a[g+'__PRED_QUADRATIC']['relative_L2']['mean']]
    vals += [m[g+'__'+k]['relative_L2']['mean'] for k in ['PHYSICAL_AFFINE_6','PHYSICAL_QUADRATIC_27','FULL_CURRENT_AFFINE_128']]
    lines.append('| '+g+' | '+' | '.join(f'{x:.6f}' for x in vals)+' |')
lines+=['',
f"未限输出空间主比较：720个初态中，二次改善{p['candidate_better']}个，变差{p['candidate_worse']}个，无平局。共同POD4组改善{r['comparisons']['POD4__PRED_affine_minus_quadratic']['candidate_better']}个，变差{r['comparisons']['POD4__PRED_affine_minus_quadratic']['candidate_worse']}个。未限输出空间中，物理二次相对PRED二次的平均误差还低{100*r['comparisons']['UNRESTRICTED__PRED_quadratic_minus_physical_quadratic']['relative_mean_reduction']:.2f}%，逐初态453个更好、267个更差；这只是预定描述性结果，不是另一个已确认主检验。",
'','| 神经模型seed | 未限输出：仿射 | 未限输出：二次 | 仿射−二次 | POD4：仿射−二次 |','|---|---:|---:|---:|---:|']
for seed,v in r['seed_results'].items():
    u=v['UNRESTRICTED'];lines.append(f"| {seed} | {u['affine']:.9f} | {u['quadratic']:.9f} | {u['difference']:.9f} | {v['POD4']['difference']:.9f} |")
lines+=['','## 物理分量与误差分布','',
'| 未限输出读出 | 临界幅度R² | 均匀分量联合R² | 平均绝对L2 | relative L2中位数 | relative L2的25%–75%分位 |','|---|---:|---:|---:|---:|---:|']
for label,key in [('PRED仿射','PRED_AFFINE'),('PRED二次','PRED_QUADRATIC'),('物理二次','PHYSICAL_QUADRATIC_27')]:
    if key.startswith('PRED'):
        z=a['UNRESTRICTED__'+key];c=z['critical_R2_mean_across_seed_models'];u=z['uniform_R2_mean_across_seed_models']
    else:z=m['UNRESTRICTED__'+key];c=z['critical_R2'];u=z['uniform_R2']
    q=z['relative_L2'];lines.append(f"| {label} | {c:.9f} | {u:.9f} | {z['absolute_L2']['mean']:.9f} | {q['median']:.9f} | {q['q25']:.9f}–{q['q75']:.9f} |")
lines+=['',
'物理二次仍在全场和均匀分量上更好，PRED二次的临界幅度R²更高。这支持分量定位的原研究方向；不能把某个分量R²的排序当作整个未来场准确性排序。全部27份读出的四个平方误差分量、六个双倍交叉项、90%分位数与极值均完整保存于result.json。分解对应平均平方相对误差，不能拿来逐百分比归因主指标平均relative L2。','',
'## 血缘、封存和唯一主检验','',
f"- 新执行协议封存于{pr['frozen_at']}。方法选择封存于{rp['chronology']['selection_sealed.json']}，新初态在{rp['chronology']['generation_before_futures.json']}记录，全部未来在{rp['chronology']['generation_complete.json']}完成。严格先选择和封存，再生成初态/未来，最后统一评价。",
'- 原数据1800初态，原1080/360/360划分不变。旧测试未来与潜码不参加本轮拟合或参数选择。训练目标POD仅一次SVD，r=4/14嵌套，最大绝对载荷取正以固定符号。',
'- 90个新配置全部留存，只按原360验证初态的完整未来场relative L2选18份；不罚截距，正则网格0、1e-6、1e-4、1e-2、1，精确并列取更大正则。旧9份读出原字节保留。',
f"- 新初态seed={pr['data_seed']}；720初态两两无重复，且与原1800及历史fresh360输入逐行Float32字节无重叠。不是从旧池筛选新样本，不重拟合现有编码器。",
'- 物理模型、初态分布、正性收缩、64节点、τ=10、dt=0.0025全沿用已核修正版源；保留Float64端点，主指标按原Float32 deviation future再转Float64，范数分母加1e-10。',
'- 独立统计单位是初态，三seed在状态内平均损失。唯一主比较为未限输出PRED仿射−二次；bootstrap seed=202610290802，10,000次重采样，线性分位插值，近似95%percentile区间；没有p值或精确覆盖保证。所有次要比较不另作确认性推断。',
'- CPU前向与历史保存潜码最大绝对差2.384185791015625e-6，小于封存1e-4容差，六项train/val检查均通过；并非逐bit一致。这项浮点路径差异已保留。','',
'## 输出秩、参数及POD投影参照','',
'数值秩取系数映射奇异值大于最大奇异值的1e-10；这是给定列标准化下的数值诊断，阈值与全部奇异值保留。共同POD4的9条映射均为秩4。POD14下，三个神经仿射映射仍为4，三个神经二次映射分别为13/13/14；物理仿射6、物理二次14、全场仿射14。不能把r=14写成所有映射实际秩相等。','',
'神经4个基础坐标展开为14列，物理6坐标展开为27列；截距另计。POD4下每seed仿射20系数、二次60系数，物理二次112系数；共同输出基另有128×4载荷且所有方法共用。POD14下分别70、210、392系数，共同128×14载荷。编码器成本、已知物理方向、独立坐标数和多项式函数类并未匹配。','',
f"POD4真值投影参照平均relative L2={a['POD4__projection_reference']['relative_L2']['mean']:.9f}；POD14为{a['POD14__projection_reference']['relative_L2']['mean']:.9g}。该参照直接使用未来真值，仅报告输出空间截断误差，不是可实施预测器。POD14几乎保留数值未来全场，故其结果接近未限制组并不构成另一独立重复。",'',
'## 步长检查及独立重放','',
f"固定首36初态的dt/2端点相对变化均值{s['fixed_first36_endpoint_relative_change']['mean']:.9g}，最大{s['fixed_first36_endpoint_relative_change']['max']:.9g}；对应主差值由{s['mean_primary_delta_dt_36']:.9f}变为{s['mean_primary_delta_halfstep36']:.9f}，方向不变。720点以Float64 deviation代替主Float32目标的均值差改变量为{s['float32_target_primary_change']:.9g}。此检查不是整个720的确定性误差界，也不是连续PDE或真实ODE区间认证。",
'',
f"独立重放没有拟合、神经前向或积分；另以DCT-I提取物理幅度、原尺度系数重建预测、math.fsum计算逐点范数、计数向量重放同seed bootstrap。27预测最大差{rp['max_prediction_abs_difference']:.9g}，逐点损失最大差{rp['max_per_state_loss_difference']:.9g}，bootstrap均值最大差{rp['max_bootstrap_difference']:.9g}。90配置的验证损失、18项选择、训练POD特征方程、嵌套基与数据无重叠全部核对通过。原冻结源文件39项全部未变。","",
'## 本轮运行资源','',
'| 计算阶段 | 实测秒数 | 峰值工作集MiB |','|---|---:|---:|']
for stage in ['fit','generate','evaluate','replay']:
    rr=load(OUT/f'{stage}_receipt.json');lines.append(f"| {stage} | {rr['seconds']:.3f} | {rr['memory']['peak_working_set_bytes']/2**20:.2f} |")
lines+=['',
'每阶段900秒、峰值1GiB、E盘新产物合计100MB硬上限均满足，CPU亲和性一核、BLAS一线程。以上为本机数值阶段实测，不包括程序编写、阅读和报告时间，也不作为算法速度对比。归档另计实际体积并保留回执。','',
'## 本实验支持范围与外推限制','',
'本实验支持：对三份冻结四维编码器，先封存读出与评价规则、再生成的720个同分布新初态支持二次读出降低平均全场误差；这一改善在共同四维未来输出空间下仍保留。',
'',
'本实验不支持以下推论：首次发现预测压缩原理、神经编码已经丢失/保留某一精确数量的信息、全部历史增益由某一机制因果解释、等预算优于所有基线、训练seed总体定理、未知初态分布或其他系统普适、连续PDE或真ODE严格证明。E3和分子原未确认检验不因本轮表示结果改变。',
'',
'本记录说明保存计算与算术重放的覆盖范围。','',
'## 文件','',
f'- D盘代码、封存协议、小摘要和本报告：`{HERE}`',
f'- E盘全量输入/端点、90配置、18新选择、27预测及逐点损失、bootstrap与重放：`{OUT}`',
'- 本匿名副本随审稿附件提供，当前成员以archive_manifest.json核验。','']
text='\n'.join(lines)
(HERE/'实验结果报告.md').write_text(text,encoding='utf-8')
(OUT/'实验结果报告.md').write_text(text,encoding='utf-8')
protected=pr['protected_sha256'];changes=[p for p,h in protected.items() if not Path(p).is_file() or sha(Path(p))!=h]
assert not changes
receipt={'status':'PASS','protected_files_checked':len(protected),'changed':changes,'E3':pr['E3'],'main_manuscript_unchanged':True,'no_publication_or_submission':True}
(HERE/'source_change_report.json').write_text(json.dumps(receipt,ensure_ascii=False,indent=2)+'\n',encoding='utf-8')
(OUT/'source_change_report.json').write_text(json.dumps(receipt,ensure_ascii=False,indent=2)+'\n',encoding='utf-8')
print(json.dumps({'report':str(HERE/'实验结果报告.md'),'source_changes':changes},ensure_ascii=False))
