run-snsc-pipeline

name	run-snsc-pipeline
description	运行 SNSC 验证管线 — 聚合入口; 集群 CPU 版 snsc-v20260726 与 GPU 版 docker-vYYYYMMDD 各有独立完整技能

run-snsc-pipeline — SNSC 验证管线（聚合入口）

运行整合版 disconnected 胶子 PDF 验证管线，使用真实 L24x72 系综格点数据。

核心算法：质子 2pt 蒸馏 + OPE 非定域胶子算符 + huangcl 比率分析。

版本选择

管线	类型	技能	说明
snsc-v20260726	集群 CPU (NumPy)	snsc-v20260726	剥离 AI 阶段，Slurm 提交，OPE 从预计算 donghx 目录加载
snsc-v20260725	历史	snsc-v20260725	最早版本，无源码（仅历史运行输出）
docker-v20260805	★当前 GPU	docker-v20260805	全量蒸馏工具包（自包含 lib/ + 10 组态 + OPE + code_1.py 统计 + LaTeX 报告）
docker-v20260804	GPU	docker-v20260804	完整蒸馏工具包（顶点 + 多强子 Wick + 统计）
docker-v20260803	GPU	docker-v20260803	集中 config.py + sush lib/ + LaTeX 报告
docker-v20260802	GPU 经典	docker-v20260802	donghx 正确 OPE + complex128
docker-v20260731	GPU 历史	docker-v20260731	首个双精度
docker-v20260726	GPU/CPU 历史	docker-v20260726	CPU 基线（本 skill 旧文主推）

每个版本的详细命令、固定配置、数据路径见对应的 docker-vYYYYMMDD / snsc-vYYYYMMDD 技能文件（在 /root/lattice-pdf/agent/.claude/skills/）。

快速使用

# 集群 CPU 版
cd /root/lattice-pdf/agent/snsc-v20260726
python run_pipeline.py          # 直接运行
sbatch sbatch.sh                # Slurm 提交
bash download_data.sh --yes     # 从 SNSC 集群下载数据

# 当前 GPU 版（本地）
cd /root/lattice-pdf/agent/docker-v20260804
python check_env.py
python run_pipeline.py --conf-id 6250 --skip-4pt

管线步骤（各版本通用）

0 环境检查 → 1 质子 2pt 蒸馏 (VVV + Wick + 宇称投影) → 2 OPE 算符（GPU 从头计算 或 加载 donghx 预计算）
→ 3 huangcl 比率分析 (R(z) = C3_disc/C2, Jackknife) → 4 Markdown 报告

数据路径

• GPU 版（标准路径）：eigenvectors /public/group/lqcd/eigensystem/...，perambulators /public/group/lqcd/perambulators/.../light/，gauge /public/group/lqcd/configurations/CLOVER/...，OPE 从头计算。
• snsc 版：OPE 从 donghx 预计算目录 /public/group/lqcd/donghx/Ope_Gluon/.../L24x72/zdir/ 加载。
• 早期 docker-v20260726/27/28：sunpeng/ 旧路径，共享 cfg_48000.eigenvector.npy。

依赖

• Python 3.8+、numpy/scipy/matplotlib、opt_einsum（可选）、h5py（可选）
• ../../snsc/main.py 的 plaquette_clover 函数（OPE 计算用）
• 数据经 SSH rsync 从 SNSC 集群同步（见各版本 download_data.sh）

关键设计决策（历史回顾）

1. OPE 从头计算 vs 预计算：docker 版本从 gauge config 出发完整计算 OPE；snsc 版本加载 donghx 预计算目录。
2. 不调用 LQCD_Master/lamet-agent：直接运行物理计算，不做 AI agent 编排（这是与 ../snsc/ 的区别）。
3. 所有中间变量保存：VVV 块、F_{μν}、Wick 收缩、Wilson 线等存为 .npy/.npz/.json，支持增量重跑与调试。