@nahisaho/satori 0.1.0

package/src/.github/skills/scientific-process-optimization/SKILL.md

@@ -0,0 +1,215 @@
+---
+name: scientific-process-optimization
+description: |
+  応答曲面法（ML-RSM）とパレート多目的最適化のスキル。プロセスパラメータの最適条件探索、
+  コンターマップ、プロセスウィンドウ可視化を行う際に使用。
+  Scientific Skills Exp-12, 13 で確立したパターン。
+---
+
+# Scientific Process Optimization (RSM & Pareto)
+
+機械学習ベースの応答曲面法（ML-Response Surface Methodology）と
+多目的パレート最適化を用いて、プロセスパラメータの最適条件を探索するスキル。
+半導体プロセス（エッチング、成膜）や材料合成の最適化に適用。
+
+## When to Use
+
+- プロセスパラメータの最適条件を探索したいとき
+- 2 変数の応答曲面（コンターマップ）を可視化したいとき
+- 複数の目的関数間のトレードオフを分析したいとき
+- パレート最適解（非劣解集合）を求めたいとき
+
+## Quick Start
+
+## 標準パイプライン
+
+### 1. ML ベース応答曲面（コンターマップ）
+
+```python
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn.ensemble import GradientBoostingRegressor
+
+def response_surface_2d(model, X_train, feature_names,
+                        var1_name, var2_name, target_name,
+                        fixed_values=None, resolution=50, figsize=(8, 7)):
+    """
+    学習済みモデルを用いて 2 変数の応答曲面を描画する。
+    他の変数は中央値（または fixed_values で指定）に固定。
+    """
+    var1_idx = list(feature_names).index(var1_name)
+    var2_idx = list(feature_names).index(var2_name)
+
+    # 固定値：中央値をデフォルトに
+    if fixed_values is None:
+        fixed_values = np.median(X_train, axis=0)
+    else:
+        fixed_values = np.array(fixed_values)
+
+    # メッシュグリッド定義
+    v1_range = np.linspace(X_train[:, var1_idx].min(),
+                           X_train[:, var1_idx].max(), resolution)
+    v2_range = np.linspace(X_train[:, var2_idx].min(),
+                           X_train[:, var2_idx].max(), resolution)
+    V1, V2 = np.meshgrid(v1_range, v2_range)
+
+    # 予測用入力を構築
+    X_grid = np.tile(fixed_values, (resolution * resolution, 1))
+    X_grid[:, var1_idx] = V1.ravel()
+    X_grid[:, var2_idx] = V2.ravel()
+
+    Z = model.predict(X_grid).reshape(V1.shape)
+
+    # 描画
+    fig, ax = plt.subplots(figsize=figsize)
+    cf = ax.contourf(V1, V2, Z, levels=20, cmap="viridis")
+    cs = ax.contour(V1, V2, Z, levels=10, colors="white", linewidths=0.5, alpha=0.5)
+    ax.clabel(cs, inline=True, fontsize=8, fmt="%.1f")
+    plt.colorbar(cf, ax=ax, label=target_name)
+    ax.set_xlabel(var1_name)
+    ax.set_ylabel(var2_name)
+    ax.set_title(f"Response Surface: {target_name}", fontweight="bold")
+    plt.tight_layout()
+    plt.savefig(f"figures/response_surface_{var1_name}_{var2_name}.png",
+                dpi=300, bbox_inches="tight")
+    plt.close()
+    return V1, V2, Z
+```
+
+### 2. プロセスウィンドウ可視化
+
+```python
+def process_window(models, X_train, feature_names,
+                   var1_name, var2_name, targets_specs,
+                   resolution=50, figsize=(8, 7)):
+    """
+    複数ターゲットの許容範囲を満たすプロセスウィンドウを可視化する。
+    targets_specs: [(model, target_name, min_val, max_val), ...]
+    """
+    var1_idx = list(feature_names).index(var1_name)
+    var2_idx = list(feature_names).index(var2_name)
+    fixed = np.median(X_train, axis=0)
+
+    v1_range = np.linspace(X_train[:, var1_idx].min(),
+                           X_train[:, var1_idx].max(), resolution)
+    v2_range = np.linspace(X_train[:, var2_idx].min(),
+                           X_train[:, var2_idx].max(), resolution)
+    V1, V2 = np.meshgrid(v1_range, v2_range)
+
+    X_grid = np.tile(fixed, (resolution * resolution, 1))
+    X_grid[:, var1_idx] = V1.ravel()
+    X_grid[:, var2_idx] = V2.ravel()
+
+    feasible = np.ones(resolution * resolution, dtype=bool)
+    for model, tname, tmin, tmax in targets_specs:
+        pred = model.predict(X_grid)
+        feasible &= (pred >= tmin) & (pred <= tmax)
+
+    feasible_map = feasible.reshape(V1.shape).astype(float)
+
+    fig, ax = plt.subplots(figsize=figsize)
+    ax.contourf(V1, V2, feasible_map, levels=[0.5, 1.5],
+                colors=["#90EE90"], alpha=0.5)
+    ax.contour(V1, V2, feasible_map, levels=[0.5], colors=["green"], linewidths=2)
+    ax.set_xlabel(var1_name)
+    ax.set_ylabel(var2_name)
+    ax.set_title("Process Window (Feasible Region)", fontweight="bold")
+    plt.tight_layout()
+    plt.savefig("figures/process_window.png", dpi=300, bbox_inches="tight")
+    plt.close()
+```
+
+### 3. パレート多目的最適化
+
+```python
+def pareto_optimization(df, obj1_col, obj2_col, obj1_minimize=True,
+                        obj2_minimize=True, figsize=(8, 7)):
+    """
+    2 目的のパレートフロントを抽出して可視化する。
+    """
+    points = df[[obj1_col, obj2_col]].values.copy()
+
+    # 最小化形式に統一
+    if not obj1_minimize:
+        points[:, 0] = -points[:, 0]
+    if not obj2_minimize:
+        points[:, 1] = -points[:, 1]
+
+    # パレート非劣解の抽出
+    is_pareto = np.ones(len(points), dtype=bool)
+    for i in range(len(points)):
+        if is_pareto[i]:
+            is_pareto[i] = True
+            for j in range(len(points)):
+                if i != j and is_pareto[j]:
+                    if np.all(points[j] <= points[i]) and np.any(points[j] < points[i]):
+                        is_pareto[i] = False
+                        break
+
+    pareto_df = df[is_pareto].copy()
+    pareto_df = pareto_df.sort_values(obj1_col)
+    pareto_df.to_csv("results/pareto_optimal.csv", index=False)
+
+    # 描画
+    fig, ax = plt.subplots(figsize=figsize)
+    ax.scatter(df[obj1_col], df[obj2_col], alpha=0.3, s=20,
+              color="gray", label="All solutions")
+    ax.scatter(pareto_df[obj1_col], pareto_df[obj2_col],
+              color="red", s=80, zorder=5, edgecolors="black",
+              linewidth=1, label=f"Pareto front (n={len(pareto_df)})")
+    ax.plot(pareto_df[obj1_col], pareto_df[obj2_col],
+           "r--", linewidth=1.5, alpha=0.7)
+
+    ax.set_xlabel(obj1_col)
+    ax.set_ylabel(obj2_col)
+    ax.set_title("Pareto Front", fontweight="bold")
+    ax.legend()
+    plt.tight_layout()
+    plt.savefig("figures/pareto_front.png", dpi=300, bbox_inches="tight")
+    plt.close()
+
+    return pareto_df
+```
+
+### 4. グリッドサーチによる最適条件探索
+
+```python
+def grid_search_optimum(model, feature_names, bounds,
+                        target_name, maximize=True, n_points=10000):
+    """
+    ランダムグリッドサーチで最適条件を探索する。
+    bounds: {feature_name: (min, max)} の辞書
+    """
+    rng = np.random.default_rng(42)
+    X_search = np.column_stack([
+        rng.uniform(bounds[f][0], bounds[f][1], n_points)
+        if f in bounds
+        else np.full(n_points, bounds.get(f, (0, 0))[0])
+        for f in feature_names
+    ])
+
+    predictions = model.predict(X_search)
+    best_idx = np.argmax(predictions) if maximize else np.argmin(predictions)
+
+    optimal_conditions = {f: X_search[best_idx, i]
+                         for i, f in enumerate(feature_names)}
+    optimal_conditions[f"predicted_{target_name}"] = predictions[best_idx]
+
+    return optimal_conditions
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/pareto_optimal.csv` | CSV |
+| `figures/response_surface_*.png` | PNG |
+| `figures/process_window.png` | PNG |
+| `figures/pareto_front.png` | PNG |
+
+#### 参照実験
+
+- **Exp-12**: エッチング速度 vs 選択比のパレート最適化、ML-RSM
+- **Exp-13**: TCO 膜の粗さ vs 透過率パレート最適化、成膜条件 RSM

package/src/.github/skills/scientific-publication-figures/SKILL.md

@@ -0,0 +1,208 @@
+---
+name: scientific-publication-figures
+description: |
+  論文品質（Nature/Science/Cell レベル）の科学図表を作成するスキル。matplotlib rcParams 設定、
+  DPI 300、spines 制御、カラーパレット選択、マルチパネル構成を行う際に使用。
+  Scientific Skills Exp-10 で確立し、Exp-11〜13 で継承したパターン。
+---
+
+# Scientific Publication-Quality Figure Generation
+
+Nature/Science/Cell 掲載レベルの科学図表を matplotlib/seaborn で作成するスキル。
+Exp-10 で確立した 15 種の図表テンプレートと、全実験に共通するスタイル設定を提供する。
+
+## When to Use
+
+- 論文投稿用の高品質図表を作成するとき
+- 複数パネルの composite figure を構成するとき
+- DPI 300 以上、適切なフォントサイズ・カラーパレットが必要なとき
+- 図表がジャーナルのスタイルガイドに準拠する必要があるとき
+
+## Quick Start
+
+## グローバルスタイル設定
+
+以下の設定をスクリプトの冒頭で必ず適用する。
+
+```python
+import matplotlib.pyplot as plt
+import matplotlib as mpl
+
+def setup_publication_style():
+    """Nature/Science 品質の matplotlib rcParams を設定する。"""
+    plt.rcParams.update({
+        # フォント
+        "font.family": "sans-serif",
+        "font.sans-serif": ["Arial", "Helvetica", "DejaVu Sans"],
+        "font.size": 10,
+        "axes.titlesize": 12,
+        "axes.labelsize": 11,
+        "xtick.labelsize": 9,
+        "ytick.labelsize": 9,
+        "legend.fontsize": 9,
+
+        # 線・マーカー
+        "axes.linewidth": 1.2,
+        "lines.linewidth": 1.5,
+        "lines.markersize": 6,
+
+        # スパイン
+        "axes.spines.top": False,
+        "axes.spines.right": False,
+
+        # グリッド
+        "axes.grid": False,
+
+        # 保存設定
+        "savefig.dpi": 300,
+        "savefig.bbox": "tight",
+        "savefig.transparent": False,
+
+        # Figure 背景
+        "figure.facecolor": "white",
+        "axes.facecolor": "white",
+    })
+```
+
+## カラーパレット
+
+```python
+# Nature-inspired パレット（Exp-10）
+NATURE_PALETTE = [
+    "#E64B35",  # 赤
+    "#4DBBD5",  # 水色
+    "#00A087",  # 緑
+    "#3C5488",  # 紺
+    "#F39B7F",  # サーモン
+    "#8491B4",  # グレー青
+    "#91D1C2",  # ミント
+    "#DC9C6D",  # オレンジ
+]
+
+# 材料・群カテゴリ用
+MATERIAL_PALETTE = {
+    "Set2": "seaborn Set2（最大 8 色、差別化しやすい）",
+    "tab10": "matplotlib tab10（最大 10 色）",
+    "Paired": "seaborn Paired（最大 12 色、対比較向き）",
+}
+
+# 連続値用
+CONTINUOUS_CMAPS = {
+    "viridis": "知覚均一（デフォルト推奨）",
+    "RdBu_r": "相関ヒートマップ（中心=0）",
+    "YlOrRd": "単方向の強度（密度、温度）",
+    "coolwarm": "二方向（応力の引張 vs 圧縮）",
+}
+```
+
+## 共通保存関数
+
+```python
+def save_fig(fig, filename, dpi=300, formats=("png",)):
+    """図を指定された形式で保存する。"""
+    for fmt in formats:
+        filepath = f"figures/{filename}.{fmt}"
+        fig.savefig(filepath, dpi=dpi, bbox_inches="tight",
+                    facecolor="white", edgecolor="none")
+    plt.close(fig)
+```
+
+## 主要図表テンプレート
+
+### 1. Violin + Strip Plot（有意差付き）
+
+```python
+import seaborn as sns
+from scipy import stats
+
+def plot_violin_with_significance(df, x, y, pairs=None, figsize=(10, 6)):
+    fig, ax = plt.subplots(figsize=figsize)
+    sns.violinplot(data=df, x=x, y=y, palette=NATURE_PALETTE,
+                   inner=None, alpha=0.3, ax=ax)
+    sns.stripplot(data=df, x=x, y=y, palette=NATURE_PALETTE,
+                  size=3, alpha=0.5, ax=ax)
+
+    # 有意差ブラケット（pairs 指定時）
+    if pairs:
+        y_max = df[y].max()
+        for i, (g1, g2) in enumerate(pairs):
+            d1 = df[df[x] == g1][y]
+            d2 = df[df[x] == g2][y]
+            stat, pval = stats.mannwhitneyu(d1, d2)
+            stars = "***" if pval < 0.001 else "**" if pval < 0.01 else "*" if pval < 0.05 else "ns"
+            h = y_max * (1.05 + i * 0.08)
+            # ブラケット描画は adjustText か手動 annotate
+            ax.text((list(df[x].unique()).index(g1) +
+                    list(df[x].unique()).index(g2)) / 2,
+                   h, stars, ha="center", fontsize=12, fontweight="bold")
+    save_fig(fig, f"violin_{y}")
+```
+
+### 2. Forest Plot（メタ分析風）
+
+```python
+def plot_forest(effects, ci_lower, ci_upper, labels, figsize=(10, 8)):
+    fig, ax = plt.subplots(figsize=figsize)
+    y_pos = range(len(labels))
+    ax.errorbar(effects, y_pos, xerr=[np.array(effects) - np.array(ci_lower),
+                np.array(ci_upper) - np.array(effects)],
+                fmt="D", color=NATURE_PALETTE[0], markersize=8,
+                capsize=4, linewidth=2)
+    ax.axvline(0, color="gray", linestyle="--", linewidth=1)
+    ax.set_yticks(y_pos)
+    ax.set_yticklabels(labels)
+    ax.set_xlabel("Effect Size")
+    ax.set_title("Forest Plot", fontweight="bold")
+    save_fig(fig, "forest_plot")
+```
+
+### 3. マルチパネル Composite Figure
+
+```python
+import matplotlib.gridspec as gridspec
+
+def create_composite_figure(plot_functions, layout=(2, 3),
+                            figsize=(18, 12), panel_labels=True):
+    """
+    複数の描画関数を composite figure にまとめる。
+    plot_functions: [(func, kwargs), ...] のリスト
+    """
+    fig = plt.figure(figsize=figsize)
+    gs = gridspec.GridSpec(*layout, figure=fig, hspace=0.35, wspace=0.3)
+
+    for i, (func, kwargs) in enumerate(plot_functions):
+        row, col = divmod(i, layout[1])
+        ax = fig.add_subplot(gs[row, col])
+        func(ax=ax, **kwargs)
+
+        if panel_labels:
+            ax.text(-0.1, 1.1, chr(65 + i),  # A, B, C, ...
+                   transform=ax.transAxes, fontsize=16,
+                   fontweight="bold", va="top")
+
+    save_fig(fig, "composite_figure")
+```
+
+## 図のサイズガイドライン
+
+| 用途 | サイズ (inches) | 備考 |
+|---|---|---|
+| 1 カラム | (3.5, 3.0) | Nature 1 カラム幅 ≈ 89 mm |
+| 1.5 カラム | (5.5, 4.0) | 中間サイズ |
+| 2 カラム | (7.0, 5.0) | Nature 2 カラム幅 ≈ 183 mm |
+| フルページ | (7.0, 9.0) | A4 の余白を除いた高さ |
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `figures/*.png` | PNG (300 DPI) |
+| `figures/*.svg` | SVG（ベクター、投稿用） |
+| `figures/*.pdf` | PDF（ベクター、LaTeX 用） |
+
+#### 参照実験
+
+- **Exp-10**: 15 種の図表テンプレートの完全セット
+- **Exp-11〜13**: rcParams 設定とカラーパレットの継承