RCS 学习型代理模型与散射中心引导实验总结报告
1. 实验目的
本阶段实验的目标是评估学习型代理模型能否在 HFSS/PTD 合成物理结构数据上学习“散射原子参数到角域 RCS 曲线”的正向映射，并进一步判断散射中心引导是否已经具备改进后续 RCS 模拟流程的价值。这里的“改进”不直接等同于最终 UAV RCS 闭环结果变好，而是先看代理模型是否能够替代部分低价值 HFSS 试算，用于候选结构筛选和搜索加速。
该实验仍属于 L1 正向代理阶段。当前模型输入为物理可实现的散射原子组合，输出为 HFSS/PTD 仿真得到的角域 RCS 曲线。最终是否改善 UAV RCS 模拟，还需要在代理模型给出候选结构后重新进入 HFSS/PTD 闭环验证。
2. 数据集与样本构成
当前可训练数据集包含 1600 条成功样本，数据文件位于：
outputs/learning_inverse_design/hfss_l1_batch_0100RCS 响应矩阵规模为 1600 x 121，角域范围为 [-120, 120] deg，角度步长为 2 deg。每个样本由 3-7 个物理散射原子组成，原子类型包括 plate、dihedral、trihedral、wedge、cylinder 和 plane_cylinder。
采样过程已经加入两类与目标主峰相关的先验角色：main_peak 原子围绕 -90/0/90 deg 主峰区域生成，asc_guided 原子围绕已提取散射中心附近扰动生成。这样处理以后，散射中心不再只是拟合后的解释变量，而是进入了样本生成分布和模型输入编码。
3. 模型设置
当前表现最好的模型是逐原子 Atom Transformer。每个样本最多包含 7 个原子，每个原子编码为 14 维 token，包含形状 one-hot、角色 one-hot、俯仰角、中心方位角、sin(center)、cos(center) 和散射系数对数。模型采用 mean pooling 的 Transformer Encoder，参数为 d_model=96、nhead=4、layers=3、dropout=0.08，输出整条 121 点 RCS 曲线。
与之对照的普通 MLP 使用的是压缩后的 34 维结构统计特征。这个对照可以反映一个关键问题：多原子散射结构不适合过早压缩成全局统计量，逐原子 token 能保留原子的形状、方位、角色和强度组合关系。
4. 当前结果
在 1067/533 的训练/测试划分下，Atom Transformer 的测试 MAE 为 5.990 dB，RMSE 为 8.071 dB，最大绝对误差为 55.975 dB。均值曲线基线的 MAE 为 11.863 dB，RMSE 为 15.097 dB；普通结构统计特征 MLP 的 MAE 为 10.967 dB，RMSE 为 14.139 dB。
同口径比较下，Atom Transformer 已经明显优于均值曲线、普通 MLP 和树模型。1600 样本阶段，RandomForest 的 MAE 约为 8.677 dB，ExtraTrees 的 MAE 约为 8.768 dB，而 Atom Transformer 降至 5.990 dB。与 RandomForest 相比，误差降低约 2.687 dB；与 ExtraTrees 相比，误差降低约 2.778 dB。
分区结果显示，三主峰窗口 MAE 为 6.808 dB，背景区 MAE 为 5.818 dB。这说明模型已经能够学习散射原子组合与角域响应之间的主要对应关系，但主峰附近仍比背景区更难预测。峰区误差较高也说明后续不能只优化全局 MAE，应把主峰保持作为单独目标。
5. 散射中心引导的当前作用
散射中心引导目前主要体现在两个层面。第一，在数据生成层面，asc_guided 原子围绕已提取散射中心方向采样，使训练数据覆盖目标主峰附近更有意义的结构区域。第二，在模型输入层面，原子的 role 字段被编码进 token，网络能够区分随机补充原子、主峰增强原子和 ASC 引导原子。
从现有结果看，这种设计已经使正向代理从“只能略好于均值曲线”推进到“可以稳定优于树模型”的阶段。随着样本数从 300、500、800、1200 增加到 1600，逐原子 Transformer 的优势逐步显现，说明结构表达和数据规模共同起作用。
不过，现阶段还不能把全部提升归因于散射中心引导。当前提升同时包含三个因素：样本量增加、逐原子 token 表达、Transformer 架构。若要得到严格结论，需要设计消融实验，在固定训练集规模和固定测试集条件下比较 with_asc、no_asc 和 remove_role_token 三种设置。
6. 对 RCS 模拟流程的意义
当前结果表明，代理模型已经具备用于候选结构筛选的价值。它可以作为 HFSS/PTD 之前的快速正向评估器，先过滤掉大量明显不匹配的散射原子组合，再把少量候选结构送回 HFSS/PTD 做闭环验证。这样可以减少盲目试算，把计算资源集中到更可能匹配目标 RCS 的结构区域。
但当前还不能写成“最终 UAV RCS 模拟已经改善”。更准确的表述是：基于散射中心引导和逐原子 Transformer 的正向代理模型，已经显著提高了对 HFSS/PTD 合成物理结构 RCS 曲线的预测能力，并具备进入候选搜索与闭环验证阶段的条件。
7. 主要问题
当前模型仍有几个限制。第一，峰值窗口 MAE 仍为 6.808 dB，高于背景区误差，说明主峰位置、峰宽和峰高还没有被充分约束。第二，模型一次性输出整条 RCS 曲线，没有显式建模某个原子的 center_deg 对某一输出角度 phi 的影响。第三，现有评价使用随机训练/测试划分，不同样本规模阶段的测试集并不完全一致，严格学习曲线还需要固定独立测试集。第四，原始 index.csv 中存在历史 resume 后残留的 planned/ok 混杂记录，训练实际使用的是 assembled 后的 1600 条成功样本，后续报告应以 successful_samples.csv 和 responses_db.npy 为准。
8. 下一步建议
下一步不宜只继续扩大样本数，更应改进模型结构和验证口径。模型方面，建议实现角域条件解码器：
atom tokens + query phi -> RCS(phi)该结构让网络在预测每个角度时显式看到 phi - center_deg 的相对角度关系，更符合散射方向图的物理形式。损失函数方面，应加入主峰窗口加权、峰位误差、局部极值误差和背景区约束，避免模型用平滑曲线换取较低全局 MAE。
数据方面，建议建立固定独立测试集，并用主动学习选择当前模型误差最大的样本区域补跑 HFSS/PTD。散射中心引导方面，应补做消融实验，量化 ASC 引导采样和 role token 各自的贡献。
闭环方面，下一阶段应让代理模型提出 top-k 候选 atoms.csv，再调用 HFSS/PTD 重新仿真，并与现有物理基线 6.300 dB 和 7.256 dB 在同一角域、同一指标口径下比较。只有候选结构在 HFSS/PTD 复核中超过这些基线，才能写成最终 RCS 模拟改善。
9. 图表索引
10. 结论
本阶段实验已经验证，基于散射中心引导采样和逐原子 token 表达的 Atom Transformer，可以在 HFSS/PTD 合成物理结构数据上有效学习正向 RCS 响应。1600 样本阶段的测试 MAE 为 5.990 dB，相对均值曲线基线 11.863 dB 有明显改善，也优于普通结构特征 MLP 和树模型。
当前结果的价值在于建立了一个可用于候选筛选的快速代理模型，而不是直接给出最终 UAV RCS 改善结论。后续工作应围绕固定测试集、ASC 消融、角域条件解码器和 HFSS/PTD 闭环验证展开。只有闭环验证超过现有物理基线后，才能将结论从“代理模型预测能力改善”推进到“最终 RCS 模拟效果改善”。