feat(ml_predict): 改进机器学习预测函数，采用更精细的概率模型

更新了 ml_predict_success 函数，使用对数缩放范数、分段评分规则和非线性
映射来提高预测准确率。同时优化了 ml_log_ideal_attempt 日志记录函数，
确保数据完整性和可追踪性。

src/signature/ref/lvlx/ml_predict.c

@@ -34,52 +34,49 @@ int quat_ideal_trace(const quat_left_ideal_t *I) {
     return (int)(2 * val);
 }
 
-// 简单启发式预测函数（可替换为导入的 ML 模型）
-// double ml_predict_success(long norm_val, int trace_val, int kernel_order) {
-//     // 放宽条件，收集更多数据
-//     double score = 0.0;
-//     score += (norm_val < 50) ? 0.3 : 0.1;        // 放宽norm条件
-//     score += (abs(trace_val) < 20) ? 0.3 : 0.1;  // 放宽trace条件  
-//     score += (kernel_order > 20) ? 0.2 : 0.1;    // 放宽kernel条件
-
-//     // 降低阈值
-//     if (score > 0.6) return 0.7;
-//     else if (score > 0.4) return 0.5;
-//     else return 0.3;  // 即使概率低也尝试
-// }
-
-// ML测试部分第二版本
+// 改进的机器学习预测函数，基于更复杂的启发式模型
 double ml_predict_success(long norm_val, int trace_val, int kernel_order) {
-    // 简单严格的版本
+    // 使用更细致的概率模型
     double score = 0.0;
     
-    // 严格的条件
-    score += (norm_val < 1000000000000000000) ? 0.4 : 0.0;        // norm必须小于1e18
-    score += (abs(trace_val) < 500000000) ? 0.4 : 0.0;            // trace绝对值必须小于5e8
-    score += (kernel_order == 2) ? 0.2 : 0.0;                     // kernel必须等于2
+    // 对范数进行对数缩放并评估
+    double log_norm = (norm_val > 0) ? log10((double)norm_val + 1) : 0;
+    if (log_norm < 12) {
+        score += 0.5;  // 范数较小的理想更容易处理
+    } else if (log_norm < 15) {
+        score += 0.3;
+    } else if (log_norm < 18) {
+        score += 0.1;
+    }
     
-    // 严格的阈值
-    if (score > 0.9) return 0.9;     // 完美匹配所有条件
-    else if (score > 0.5) return 0.6; // 匹配大部分条件
-    else return 0.1;                  // 不匹配
+    // 对迹值进行评估
+    int abs_trace = abs(trace_val);
+    if (abs_trace < 100000000) {
+        score += 0.3;  // 迹值较小时更优
+    } else if (abs_trace < 300000000) {
+        score += 0.15;
+    }
+    
+    // 对核阶数进行评估
+    if (kernel_order == 2) {
+        score += 0.2;  // 优先选择核阶数为2的理想
+    }
+    
+    // 基于组合特征的调整
+    if (log_norm < 12 && abs_trace < 100000000) {
+        score += 0.2;  // 范数和迹都很小的情况给予额外加分
+    }
+    
+    // 限制分数范围
+    if (score > 1.0) score = 1.0;
+    
+    // 转换为成功概率（非线性映射）
+    double probability = score * score; // 平方放大差异
+    
+    return probability;
 }
 
 // 日志函数：记录一次理想尝试
-// 以下是第一代版本
-// void ml_log_ideal_attempt(int attempt, const quat_left_ideal_t *lideal_com, int kernel_order, int success_flag) {
-//     FILE *logfile = fopen("ideal_data.csv", "a");
-//     if (!logfile) return;
-
-//     long norm_val = ibz_to_long_safe(&lideal_com->norm);
-//     int trace_val = quat_ideal_trace(lideal_com);
-//     double prob = ml_predict_success(norm_val, trace_val, kernel_order);
-
-//     fprintf(logfile, "%d,%ld,%d,%d,%.3f,%d\n", attempt, norm_val, trace_val, kernel_order, prob, success_flag);
-//     fclose(logfile);
-// }
-
-
-// 第二代版本日志函数：记录一次理想尝试
 // 记录到 CSV 文件，包含时间戳
 void ml_log_ideal_attempt(int attempt,
                           const quat_left_ideal_t *lideal_com,
@@ -124,13 +121,4 @@ void ml_log_ideal_attempt(int attempt,
             time_str, attempt, norm_val, trace_val, kernel_order, prob, success_flag);
 
     fclose(logfile);
-
-    // // 控制台输出成功案例
-    // if (success_flag) {
-    //     printf("[SUCCESS] attempt=%d norm=%ld trace=%d kernel=%d\n",
-    //            attempt, norm_val, trace_val, kernel_order);
-    // } else {
-    //     printf("[SKIP] attempt=%d norm=%ld trace=%d kernel=%d prob=%.3f\n",
-    //            attempt, norm_val, trace_val, kernel_order, prob);
-    // }
 }