Топ скоростей снова обновляется: рекорд скорости острова тоже пишется в базу

Регрессия выборочной записи (7732577): полная строка писалась только при
улучшении КПД лучшего генома острова, а рекордсмены СКОРОСТИ — почти
всегда прожорливые геномы с низким КПД (57.8 м/с при 0.5%), которые
КПД-рекорд не улучшают. Топ «по скорости» на дашборде застыл на сутки,
хотя эволюция продолжала находить всё более быстрые конфигурации
(пользователь поймал: «даже случайно никто не стал быстрее лететь»).
Теперь на каждом острове отслеживаются ДВА записываемых рекорда — КПД и
скорость; это по-прежнему максимум пара строк на остров за поколение.

PLAN.md

@@ -52,10 +52,10 @@ L(x, I)-модель с coenergy-выводом силы — в разделе "
   - [ ] **Не сделано**: отдельный "дешёвый квазистатический предфильтр" перед полным ODE не реализован (кроме уже встроенной в `sim/stage.py` дешёвой проверки порога индукционного датчика). Если миллионы прогонов на сервере окажутся слишком медленными, это первое место для ускорения.
 - [x] **Этап 7 — Отчётность**: `report/plots.py` (ток/поле/скорость по ступеням), `summary.py` (честная сводка + раздел "ограничения модели"), `bom.py` (спецификация деталей с ценами), `animate.py` (GIF: снаряд летит по трубе, катушки светятся пропорционально току — по запросу пользователя), `cli.py` (`gausse sweep/evolve/simulate/report`, все 4 команды реально вызывают соответствующие модули, не заглушки). Проверено сквозным прогоном через `docker compose run`: sweep → report с анимацией на реальной базе компонентов, лучший найденный результат — КПД 32.8% за 982₽ (не выдумано, из реального SQLite).
 - [x] **Этап 8 — Сквозная проверка**: реальный прогон через `docker compose run` — sweep на 5000 конфигураций (16 воркеров, ~59с, 30.5% реализуемо), затем `evolve` (15 поколений x 40 особей = 600 оценок, ~18с) поверх той же базы, затем `report --top 3 --animate`.
-  - **Найден и исправлен реальный баг именно на этом этапе**: КПД лучшего генома после `evolve` показал 387% — оказалось, `efficiency` считался как `exit_kinetic_energy / energy_in`, а `exit_kinetic_energy` включает фиксированный "бесплатный" толчок `initial_v_mps`, не учтённый в `energy_in`. Для лёгкого снаряда этот толчок доминировал и КПД пробивал 100%. Исправлено на `kinetic_energy_delta / energy_in` (энергия, реально добавленная катушками) — эта величина математически не может превысить 1 (следует из поэтапного энергобаланса). После исправления лучший честный результат: **1 ступень, КПД 80.97%, скорость 26.4 м/с, снаряд Ст3 ⌀4мм x 30мм, стоимость 1029₽** (провод cu-petv2-1.0mm, конденсатор 22мкФ/400В, ключ IRG4PC50F, оптический датчик).
+  - **Найден и исправлен реальный баг именно на этом этапе**: КПД лучшего генома после `evolve` показал 387% — оказалось, `efficiency` считался как `exit_kinetic_energy / energy_in`, а `exit_kinetic_energy` включает фиксированный "бесплатный" толчок `initial_v_mps`, не учтённый в `energy_in`. Для лёгкого снаряда этот толчок доминировал и КПД пробивал 100%. Исправлено на `kinetic_energy_delta / energy_in` (энергия, реально добавленная катушками) — эта величина математически не может превысить 1 (следует из поэтапного энергобаланса). После исправления лучший результат на тот момент: **1 ступень, КПД 80.97%, скорость 26.4 м/с, снаряд Ст3 ⌀4мм x 30мм, стоимость 1029₽** (провод cu-petv2-1.0mm, конденсатор 22мкФ/400В, ключ IRG4PC50F, оптический датчик). *(Историческая запись: это физика v1 БЕЗ потерь в железе, скина и трения — после их добавления такие КПД невозможны, см. «хронологию честности» ниже.)*
   - **Честное сравнение датчиков** (запрос из первого обсуждения плана) — на 5000 прогонах: индукционный датчик (`inductive-pickup-lm393`) дал **0.2% реализуемых** конфигураций (6 из 2965, где он стоял хотя бы на одной ступени), тогда как оптический (TCST2103) и Холла (A3144E) — **~45-47%** реализуемых каждый. Это количественно подтверждает опасение, высказанное в самом начале обсуждения плана: индукционная катушка-датчик ненадёжна именно потому, что требует скорости выше её порога (здесь — фиксированный старт 3 м/с как раз ниже порога срабатывания реального компонента), тогда как оптика/Холл не зависят от скорости.
   - Итог: сквозная цепочка (реальные компоненты → физика → поиск → SQLite → отчёт с графиками/BOM/анимацией) работает и произвела не выдуманный, а посчитанный и перепроверенный результат.
-- [x] **Обогащённая БД + лог процесса + веб-морда** (по запросу пользователя при деплое): каждая запись `runs.decoded_summary_json` теперь содержит расстояния между катушками (`inter_stage_gaps_m`), абсолютные позиции катушек вдоль трубы, все номиналы деталей, геометрию намотки, вычисленную физику (индуктивность/сопротивление/пиковый ток/поле) и результат каждой ступени (вход/выход скорость, тайминги датчика, энергобаланс) — см. `optim/objective.py::build_detail`. Ход эксперимента пишется в `<db>.log` (`optim/progress_log.py`): прогресс, доля реализуемых, скорость, ETA, отметки нового лучшего КПД. Веб-дашборд `gausse serve` (`src/gausse/web/`, только stdlib `http.server`, self-contained HTML) — счётчики, гистограмма КПД, топ конфигураций с drill-down, причины отказа, хвост лога, автообновление 3с. В `docker-compose.yml` сервис `web` на порту 8000. 77 тестов, проверено в Docker.
+- [x] **Обогащённая БД + лог процесса + веб-морда** (по запросу пользователя при деплое): каждая запись `runs.decoded_summary_json` теперь содержит расстояния между катушками (`inter_stage_gaps_m`), абсолютные позиции катушек вдоль трубы, все номиналы деталей, геометрию намотки, вычисленную физику (индуктивность/сопротивление/пиковый ток/поле) и результат каждой ступени (вход/выход скорость, тайминги датчика, энергобаланс) — см. `optim/objective.py::build_detail`. *(УСТАРЕЛО с 2026-07-11, коммит 5c11999: полный build_detail больше НЕ хранится на каждый прогон — база раздувалась до 70ГБ; в decoded_summary_json теперь дешёвая сводка decoded_summary(), а полная детализация пересимулируется на лету из genome_json при просмотре прогона — web/rebuild.py + web/stats.run_detail.)* Ход эксперимента пишется в `<db>.log` (`optim/progress_log.py`): прогресс, доля реализуемых, скорость, ETA, отметки нового лучшего КПД. Веб-дашборд `gausse serve` (`src/gausse/web/`, только stdlib `http.server`, self-contained HTML) — счётчики, гистограмма КПД, топ конфигураций с drill-down, причины отказа, хвост лога, автообновление 3с. В `docker-compose.yml` сервис `web` на порту 8000. 77 тестов, проверено в Docker.
 
 ## Батареи конденсаторов + графики в веб-морде (по запросу пользователя)
 
@@ -63,16 +63,132 @@ L(x, I)-модель с coenergy-выводом силы — в разделе "
 - **Уже было (тоже запрашивалось)**: разная толщина провода на разных катушках (`wire_idx` на ступень) и длина провода (`winding_geometry.total_wire_length_m` → сопротивление/цена/БД).
 - **Графики в дашборде**: клик по прогону → графики скорость/поле/ток строятся на лету (`web/render.py`, `/api/run/<id>/plot/<kind>.png`) + GIF пролёта по кнопке (`/api/run/<id>/anim.gif`). Рендер matplotlib сериализован локом (Agg не потокобезопасен). 86 тестов.
 
-## Развёртывание на сервере (Proxmox 192.168.20.254 / VM 106 "test-math" = 192.168.20.45)
+## Развёртывание на сервере (Proxmox 192.168.20.254 / VM 106 "test-math" = **192.168.20.47**)
 
-**СТАТУС: развёрнуто и работает на CPU.** VM 106: RAM 2→6ГБ, Docker+git, клон с gitea, образ собран, 86 тестов проходят в контейнере на сервере. Веб-морда живёт на **http://192.168.20.45:8000** (сервис `web`, restart unless-stopped), sweep пишет в `~/gausse/results/gausse.sqlite3` (+ лог `.log`). Дашборд доступен снаружи (Proxmox firewall порт 8000 не блокирует). Обновление кода: на VM `cd ~/gausse && git pull && docker compose build && docker compose up -d web`.
+**СТАТУС: развёрнуто, работает АВТОНОМНО (CPU-эволюция под systemd), GPU проброшен и рабочий.**
 
-Обнаружено при осмотре: GTX 1070 (`10de:1b81`+аудио `10de:10f0`) стоит в Proxmox-хосте, **уже привязана к vfio-pci**, blacklist'ы nouveau/nvidia прописаны, IOMMU включён (`intel_iommu=on`), карта одна в IOMMU-группе 1. То есть хост заранее подготовлен под проброс — можно пробросить в VM **без перезагрузки хоста** (не заденет другие VM: nextcloud/minecraft/web-player). Целевая VM 106 = 5 ядер, 2ГБ RAM (мало для CUDA+Docker, поднять). GPU ей ещё не назначен.
+- VM 106: Ubuntu 24.04, 5 ядер, 12ГБ RAM. После перевода на q35 (нужен для
+  PCIe-проброса) интерфейс переименовался и IP сменился **.45 → .47**
+  (netplan починен привязкой по MAC).
+- [x] Пуш на gitea (`gitea.jze9.ru/jze9/gausse.git`) — рабочий процесс: пуш с
+  локальной машины → `git pull` на VM.
+- [x] GPU: `qm set 106 --machine q35 --hostpci0 0000:01:00,pcie=1`; в VM
+  драйвер NVIDIA 580 + CUDA, `cupy-cuda12x[ctk]` в `~/gausse/.venv`.
+  `nvidia-smi` видит GTX 1070 без Code 43.
+- [x] Веб-морда: **http://192.168.20.47:8000** (Docker-сервис `web`).
+- [x] **Автономная эволюция — systemd-сервис `gausse-evolve`** (пользователь
+  явно потребовал: «алгоритм должен считать сам, годами, без тебя»):
+  `/etc/systemd/system/gausse-evolve.service` крутит `evolve_forever.sh` —
+  вечный цикл `run_evolution(80 поколений × 300 особей, polish=True)` с новым
+  случайным семенем на каждом заходе (свежая популяция = «революция» против
+  застревания в локальном оптимуме). `Restart=always` + `enabled` → переживает
+  и падение процесса, и перезагрузку VM. Всё пишет в одну базу
+  `~/gausse/results/gausse.sqlite3`; «запланировано N» на дашборде — план
+  ТЕКУЩЕГО цикла, сам поиск бесконечен. Управление: `sudo systemctl
+  status|stop|restart gausse-evolve`, лог `journalctl -u gausse-evolve`.
+- Обновление кода на VM: `cd ~/gausse && git pull && docker compose build web
+  && docker compose up -d web && sudo systemctl restart gausse-evolve`.
 
-- [ ] Пуш на gitea (`gitea.jze9.ru/jze9/gausse.git`) или rsync прямо в VM.
-- [ ] `hostpci0: 0000:01:00,pcie=1` в конфиг VM 106, поднять RAM, перезагрузить VM 106.
-- [ ] В VM: NVIDIA-драйвер + CUDA + Docker + nvidia-container-toolkit.
-- [ ] Развернуть проект, запустить sweep (пока CPU!), поднять `gausse serve` (порт 8000).
-- [ ] Дать доступ: веб-морда http://192.168.20.45:8000, SQLite `results/gausse.sqlite3`, лог `results/gausse.sqlite3.log`.
+- [x] **Этап 9 — GPU-ускорение массового sweep — СДЕЛАН**:
+  `gpu/batch_integrator.py` — батч-RK4 фиксированного шага [Q,I,x,v] на N
+  конфигураций одним тензором (numpy/cupy через `xp`), та же физика, что
+  CPU-путь (общий `sim/stage.build_stage_physics` — один источник истины).
+  Весь RK4-шаг слит в ОДНО `cupy.fuse`-ядро → **GTX 1070: 740 конф/с vs 193
+  на numpy = 3.8x** (наивный порт был 1.3x — упирался в запуск ядер);
+  SYNC_EVERY=256 убирает device→host синхронизацию на каждом шаге.
+  `gpu/batch_sweep.py` — МНОГОСТУПЕНЧАТЫЙ sweep раунд-за-раундом (подлёт
+  аналитически, состояние снаряда переносится между раундами), CLI
+  `gausse sweep --gpu`. Требование честности выполнено: GPU сверен с
+  CPU-эталоном — расхождение exit_v **0.084%** (tests/test_batch_sweep.py,
+  test_batch_integrator.py). Стиффные конфиги, переполняющие фикс-шаг,
+  честно бракуются (blew_up), а не записываются мусором.
+  - [x] cut-логика дослита: весь шаг = 2 fused-ядра (одно не влезает в лимит
+    параметров CUDA 4096Б). Оценка 1000 геномов: 98.5с → 6.6с (15x), ~150
+    геномов/с на 1070, сверка с numpy-эталоном 0.001%.
+  - [x] GPU-батч в эволюции: `run_evolution(use_gpu=True)` оценивает всё
+    поколение одним батчем (`evaluate_genomes_gpu`), та же формула фитнеса;
+    полировка (Nelder-Mead) остаётся точной на CPU. Сервис `gausse-evolve`
+    переведён на venv+GPU: 120 поколений × 1000 особей, ~115/с стабильно.
 
-- [ ] **Этап 9 — GPU-ускорение массового sweep (сервер с GTX 1070)**: после того как CPU/`scipy.solve_ivp`-модель провалидирована тестами (Этап 2-4) — батч-версия интегратора с ФИКСИРОВАННЫМ шагом (RK4/полу-неявная схема), считающая сразу N траекторий параллельно как один тензор (`cupy`, если доступна CUDA, иначе векторизованный `numpy`/`numba`), для прогона по-настоящему миллионов конфигураций на сервере. Важно: сначала корректность на CPU, потом скорость на GPU — численные результаты GPU-пути должны сверяться с CPU-эталоном на контрольной выборке, чтобы ускорение не подменило точность честными числами "для галочки".
+## Физика: найденные завышения КПД и их исправления (хронология честности)
+
+Пользователь ловил нереальные цифры; каждое исправление РОНЯЛО КПД к
+реальности. Версия модели пишется в каждую запись БД (`model_version`),
+прогоны разных версий не смешиваются.
+
+1. **Поле 13 Тл** → насыщение железа через единое потокосцепление
+   λ(x,I)=L_air·I+L_iron·overlap(x)·g(I), g=I_sat·tanh(I/I_sat); сила и ЭДС
+   из одного λ (coenergy) → энергия сохраняется, поле упирается в B_sat.
+2. **Ток сверх рейтинга ключа** → жёсткая отбраковка по импульсному пределу.
+3. **КПД 83.9%: не было потерь в железе** → вихревые токи: снаряд =
+   короткозамкнутый виток, отражённое R_eddy=(ωM)²/R_e × overlap(x)
+   (physics/losses.py). Лучший упал 83.9% → ~47%, медиана ~0%.
+4. **Три горба тока за выстрел** (физически невозможно — конденсатор не
+   перезарядить за мкс) → одиночный импульс: обрыв на первом нуле тока ИЛИ
+   первом локальном минимуме; остаточная энергия катушки → freewheel-диод,
+   считается точно через magnetic_energy (с насыщением). Энергобаланс сошёлся.
+5. **gausse-physics-v2 (2026-07-08)**: скин-эффект + эффект близости обмотки
+   (метод Доуэлла на ω=1/√(LC), `physics/ac_resistance.py`) — для толстого
+   провода во многих слоях R_AC в разы выше DC; **трение о трубку**
+   (0.35·m·g) и **сопротивление воздуха** (½ρ·Cd·A·v²) во всей динамике
+   (разряд, подлёт с событием «снаряд остановлен трением», GPU-ядро,
+   аналитический межступенчатый пролёт — точная квадратура); паспортные
+   импульсные токи ключей из даташитов (`pulse_current_a`: ITSM/IDM/ICM)
+   вместо generic-множителей + починен вводивший в заблуждение флаг
+   (`switch_current_over_continuous_rating` — норма для импульса,
+   `switch_current_over_pulse_limit` — брак). КПД ступени теперь может быть
+   слегка отрицательным (трение съело больше слабой катушки) — это честно.
+   Для сравнения на одной и той же эволюции: v1 давал «38%» там, где v2 даёт
+   ~8% — столько стоили неучтённые скин и трение.
+6. **gausse-physics-v3**: эволюция нашла «КПД 82%» → вскрытие генома: тонкий
+   снаряд (⌀4мм) в толстой катушке (⌀29мм) — модель умножала ВСЮ L на
+   (μ_eff−1), как будто железо заполняет всё сечение. Фикс: коэффициент
+   заполнения A_снаряда/A_катушки (iron_fill_factor). Плюс лечение зависаний
+   решателя: tanh-сглаживание сухого трения (разрывный sign(v) дробил шаг
+   бесконечно), событие тока удержания ключа (передемпфированный хвост),
+   полная формула отражения вихрей (ωM)²R₂/(R₂²+(ωL₂)²), гард вырожденных
+   катушек (L/R<100нс). Бенч: 200 геномов 608с → 22с.
+7. **gausse-physics-v4**: эволюция нашла «30%» через МЕДЛЕННУЮ катушку
+   (600+ витков, ~1мс, 36А — там слабы и Доуэлл, и вихревые, и трение).
+   Неучтённая физика: за импульс поле проникает в сталь на глубину скин-слоя
+   (~доли мм) — внутренность снаряда не намагничивается. Фикс:
+   iron_penetration_fraction = 1−(1−δ/a)² множит fill factor. После v4
+   лучший КПД эволюции — единицы процентов, что соответствует реальным
+   reluctance-пушкам. Урок зафиксирован: подозрительно красивый КПД =
+   вскрывать лучший геном и искать обойдённый канал потерь.
+
+## Требования пользователя, закрытые после Этапа 8
+
+- **Снаряд до 200 г** (⌀ до 28мм, длина до 150мм, длина зажата по плотности).
+- **Труба — часть поиска**: геном несёт внутренний диаметр (бор) + толщину
+  стенки; внешний диаметр трубы = внутренний диаметр катушки (влияет на
+  поле); снаряд обязан влезать в бор с зазором.
+- **До 10 ступеней**; у каждой катушки СВОЙ датчик на своём расстоянии
+  (sensor_to_coil_distance_m на ступень; datчик не может попасть в предыдущую
+  катушку — repair()).
+- **Ссылки на магазины** (`url`) у каждого компонента: в JSON-базе, BOM
+  («Купить») и в детализации прогона.
+- **Максимально детальная запись** (`build_detail`): труба
+  внутр/стенка/внеш, масса снаряда в граммах и влезает-ли-в-бор,
+  внутр/внеш диаметры катушки, состав банки конденсаторов, DC/AC
+  сопротивление обмотки, все позиции датчиков и катушек вдоль трубы,
+  энергобаланс каждой ступени. *(С 2026-07-11 НЕ хранится в БД построчно,
+  а строится на лету из genome_json при просмотре прогона/отчёте —
+  хранение полной детализации на 12.9М строк раздуло базу до 70ГБ.)*
+- **Анимация переделана** (была «время вырезается, результата не видно»):
+  кадры на равномерной сетке ФИЗИЧЕСКОГО времени (а не по индексам массива,
+  из-за чего плотные точки разряда съедали все кадры и подлёт выпадал),
+  множитель замедления в кадре; в кадре сам результат эксперимента — шапка
+  (выход м/с, КПД, ступени, энергия, масса), панель тока каждой катушки во
+  времени, панель скорости снаряда, бегущий курсор, датчики на трубе.
+
+## Ограничения модели / следующие шаги по реализму (если потребуются)
+
+- Поршневой эффект воздуха в трубе (учтено только лобовое сопротивление).
+- Диффузия поля в снаряде (наш r_eddy — сосредоточенная оценка 1-го порядка).
+- Спектр импульса для Доуэлла (взята одна характерная частота).
+- Нагрев провода за импульс/серию; коэффициент трения не измерен (0.35).
+- Гистерезис посчитан (losses.hysteresis_energy_j) и СОЗНАТЕЛЬНО не в
+  динамике: <0.1% энергии выстрела — включение изображало бы ложную точность.
+- Индуктивность — Уилер+размагничивание, не МКЭ/FEA.
+- Осторожно: не тюнить модель под «желаемую» цифру КПД — только физика.

README.md

@@ -1,21 +1,61 @@
 # gausse
 
 Симулятор и оптимизатор многоступенчатого электромагнитного ускорителя
-(coilgun) на реальных, доступных в рознице компонентах.
+(coilgun / пушка Гаусса) на реальных, доступных в рознице компонентах
+(ChipDip, procontact74.ru, cable.ru — у каждой детали в базе ссылка на
+магазин).
 
-Полный план и чек-лист этапов — в [PLAN.md](PLAN.md).
+Главный принцип — **честность**: все прогоны (включая нереализуемые, с
+причиной отказа) пишутся в SQLite; физическая модель не приукрашивается ради
+красивых цифр, а каждое известное упрощение задокументировано. История
+проекта — это в том числе история найденных и исправленных завышений КПД
+(80%+ → реалистичные единицы процентов), см. [PLAN.md](PLAN.md).
 
-## Установка (Docker — основной способ)
+## Что умеет
+
+- **Физика** (`src/gausse/physics/`): RLC-разряд конденсаторной банки через
+  катушку с ферромагнитным снарядом; насыщение железа через единое
+  потокосцепление λ(x,I) (энергия сохраняется); вихревые потери в снаряде;
+  коэффициент заполнения (тонкий снаряд не усиливает весь поток) и
+  диффузия поля (за импульс намагничивается только скин-кольцо);
+  скин-эффект + эффект близости обмотки (метод Доуэлла); трение о трубку и
+  сопротивление воздуха; одиночный импульс (тиристор не перезапускается);
+  паспортные импульсные токи ключей (ITSM/IDM/ICM из даташитов).
+- **Ступени** (`src/gausse/sim/`): у каждой катушки свой датчик
+  (оптика/Холл/индукционный) на своём расстоянии; подлёт → триггер →
+  задержки датчика и ключа → разряд → энергобаланс; цепочка до 10 ступеней.
+- **Поиск** (`src/gausse/optim/`): геном переменной длины (число ступеней
+  эволюционирует), Monte-Carlo sweep и (μ+λ)-эволюция с Nelder-Mead
+  полировкой; всё в одну SQLite-базу (WAL, писатель поверх очереди).
+- **GPU** (`src/gausse/gpu/`): батч-интегратор RK4 (numpy/cupy), весь шаг
+  слит в одно cupy.fuse-ядро — на GTX 1070 ~3.8x к CPU; многоступенчатый
+  GPU-sweep раунд-за-раундом И GPU-эволюция (use_gpu=True: всё поколение —
+  один батч, ~150 геномов/с на 1070); сверено с CPU-эталоном (<0.1%).
+- **Отчёты** (`src/gausse/report/`, `src/gausse/web/`): веб-дашборд с
+  drill-down до каждой детали и энергобаланса ступени, графики ток/поле/
+  скорость, GIF-анимация выстрела (равномерное физическое время, результат
+  эксперимента в кадре), BOM с ценами и ссылками «купить».
+
+## Запуск (Docker — основной способ)
 
 ```bash
 docker compose build
-docker compose run --rm --entrypoint pytest gausse -q   # тесты
-docker compose run --rm gausse sweep --n 1000            # CLI (после реализации Этапа 6)
+docker compose run --rm --entrypoint pytest gausse -q      # тесты
+docker compose up -d web                                    # дашборд :8000
+docker compose run --rm gausse sweep --n 100000 --db /app/results/gausse.sqlite3
+docker compose run --rm gausse evolve --generations 80 --population 300 \
+  --db /app/results/gausse.sqlite3
+docker compose run --rm gausse report --top 3 --animate --db /app/results/gausse.sqlite3
 ```
 
-Результаты (SQLite, отчёты) должны сохраняться в `./results`, примонтированный
-в контейнер как `/app/results` (см. `docker-compose.yml`), чтобы переживать
-пересборку образа.
+GPU-режим (нужны NVIDIA-драйвер и `pip install cupy-cuda12x[ctk]`, вне Docker):
+
+```bash
+gausse sweep --gpu --n 1000000 --db results/gausse.sqlite3
+```
+
+Результаты (SQLite + лог хода эксперимента `<db>.log`) живут в `./results`,
+примонтированном в контейнер, и переживают пересборку образа.
 
 ## Установка без Docker (локальная разработка)
 
@@ -25,3 +65,25 @@ source .venv/bin/activate
 pip install -e ".[dev]"
 pytest
 ```
+
+## Автономная работа на сервере
+
+Эволюция оформлена как systemd-сервис `gausse-evolve` (вечный цикл: 120
+поколений × 1000 особей на GPU, по окончании — новый цикл со свежей
+случайной популяцией; `Restart=always`, автозапуск при загрузке). Дашборд — Docker-
+сервис `web` на :8000, читает ту же базу. Счётчик «запланировано» на
+дашборде — план **текущего цикла**, а не всего поиска: поиск бесконечен.
+
+## Ограничения модели (честно)
+
+- Индуктивность — инженерная модель (Уилер + размагничивание сфероида +
+  tanh-перекрытие), не МКЭ; точная картина поля требует FEA.
+- Вихревые потери снаряда — сосредоточенный виток; диффузия поля в снаряд —
+  одночастотная оценка скин-кольца, а не решение уравнения диффузии.
+- Доуэлл берёт одну характерную частоту ω=1/√(LC), без спектра импульса.
+- Воздух — лобовое сопротивление; поршневой эффект столба воздуха в трубе
+  не учтён. Трение — константа 0.35 (сталь-пластик), не измерено.
+- Гистерезис снаряда посчитан и сознательно не включён в динамику (<0.1%).
+- Нагрев провода за импульс и от серии выстрелов не моделируется.
+
+Версия физики пишется в каждую запись (`model_version`, сейчас `gausse-physics-v4`) — прогоны разных моделей не смешиваются.

deploy/README.md

@@ -0,0 +1,13 @@
+# Развёртывание на сервере (VM 106, 192.168.20.47)
+
+Автономная работа — три systemd-сервиса (все enabled, переживают ребут):
+
+| Сервис | Что делает |
+|---|---|
+| `gausse-evolve` | вечный цикл эволюции на GPU (`evolve_forever.sh`), `Restart=always`, `TimeoutStopSec=180` (дать дописать очередь в базу при остановке) |
+| `gausse-gpustat` | пишет `results/gpustat.json` каждые 5с — карточка GPU на дашборде |
+| Docker `web` | дашборд :8000 (наружу: https://gausse.jze9.ru через nginx LXC 102 + certbot) |
+
+Обновление кода: `git pull && pip install -e . (в .venv) && docker compose build web && docker compose up -d web && sudo systemctl restart gausse-evolve`.
+Остановка сервиса безопасна: главный процесс по SIGTERM дописывает всю очередь
+оценённых прогонов в базу перед выходом («сохраняем всё»).

deploy/evolve_forever.sh

@@ -0,0 +1,37 @@
+#!/bin/bash
+# Вечная эволюция на GPU: бесконечный конвейер циклов. Каждый цикл — свежая
+# случайная популяция («революция» против застревания в локальном оптимуме),
+# всё пишется в одну базу, дашборд показывает лучший за всё время.
+# Развёртывание: см. deploy/README.md; systemd-юнит: gausse-evolve.service.
+cd /home/user/gausse
+source .venv/bin/activate
+LOG=results/gausse.sqlite3.log
+cycle=1
+while true; do
+  best=$(python3 - <<'PY'
+import sqlite3
+try:
+    c = sqlite3.connect("results/gausse.sqlite3")
+    # НЕ max(): он сканирует всю базу (гигабайты); частичный индекс отдаёт мгновенно
+    row = c.execute("select efficiency from runs indexed by idx_runs_feas_eff "
+                    "where feasible=1 order by efficiency desc limit 1").fetchone()
+    print(f"{row[0]*100:.2f}%" if row and row[0] is not None else "пока нет")
+except Exception:
+    print("пока нет")
+PY
+)
+  echo "$(date -Is) ═════ ЦИКЛ #$cycle стартует (конвейер бесконечный; лучший КПД за всё время: $best) ═════" >> "$LOG"
+  # выборка 10000 на поколение (8 островов x 1250) — по просьбе пользователя:
+  # меньше популяция + больше поколений за цикл = быстрее углубляется.
+  # Рядовые оценки в базу не пишутся (только счётчики) — писатель больше
+  # не душит конвейер, GPU занят почти всё время цикла.
+  python3 -c "from pathlib import Path
+from gausse.optim.evolutionary import run_evolution
+try:
+    run_evolution(Path('results/gausse.sqlite3'), n_generations=120, population_size=1250, seed=None, polish=True, use_gpu=True, islands=8)
+except KeyboardInterrupt:
+    pass  # штатная остановка сервиса: база уже дописана в finally"
+  echo "$(date -Is) ═════ ЦИКЛ #$cycle завершён — это НЕ остановка: через 3с стартует цикл #$((cycle+1)) со свежей случайной популяцией ═════" >> "$LOG"
+  cycle=$((cycle+1))
+  sleep 3
+done

deploy/gausse-evolve.service

@@ -0,0 +1,15 @@
+[Unit]
+Description=gausse continuous evolution (autonomous, runs for years)
+After=network-online.target docker.service
+
+[Service]
+Type=simple
+User=user
+WorkingDirectory=/home/user/gausse
+ExecStart=/bin/bash /home/user/gausse/evolve_forever.sh
+Restart=always
+RestartSec=15
+TimeoutStopSec=180
+
+[Install]
+WantedBy=multi-user.target

deploy/gausse-gpustat.service

@@ -0,0 +1,13 @@
+[Unit]
+Description=gausse GPU stat writer for dashboard
+After=gausse-evolve.service
+
+[Service]
+Type=simple
+User=user
+ExecStart=/bin/bash /home/user/gausse/gpustat_loop.sh
+Restart=always
+RestartSec=10
+
+[Install]
+WantedBy=multi-user.target

deploy/gpustat_loop.sh

@@ -0,0 +1,13 @@
+#!/bin/bash
+# Пишет загрузку GPU в results/gpustat.json для веб-морды (раз в 5с)
+cd /home/user/gausse
+while true; do
+  line=$(nvidia-smi --query-gpu=utilization.gpu,memory.used,memory.total,power.draw,temperature.gpu --format=csv,noheader,nounits 2>/dev/null)
+  if [ -n "$line" ]; then
+    IFS=", " read -r util mem memtot pw temp <<< "$line"
+    printf '{"ts": %s, "util_pct": %s, "mem_used_mib": %s, "mem_total_mib": %s, "power_w": %s, "temp_c": %s}\n' \
+      "$(date +%s)" "$util" "$mem" "$memtot" "$pw" "$temp" > results/gpustat.json.tmp
+    mv results/gpustat.json.tmp results/gpustat.json
+  fi
+  sleep 5
+done

src/gausse/components/data/switches.json

@@ -8,8 +8,9 @@
     "on_voltage_drop_v": 1.5,
     "turn_on_time_ns": 10000.0,
     "price": 140.0,
-    "source": "REAL: КУ202Н, chipdip.ru (https://www.chipdip.ru/product/ku202n) 140₽ / procontact74.ru (https://procontact74.ru/44-tiristory/ku202n-tiristor-10a-400v-44011/) 189₽; Von=1.5В с даташита; время включения ОЦЕНКА ~10мкс (типично для тиристора этого класса, точное значение в листинге не приведено)",
-    "url": "https://www.chipdip.ru/product/ku202n"
+    "source": "REAL: КУ202Н, chipdip.ru (https://www.chipdip.ru/product/ku202n) 140₽ / procontact74.ru (https://procontact74.ru/44-tiristory/ku202n-tiristor-10a-400v-44011/) 189₽; Von=1.5В с даташита; время включения ОЦЕНКА ~10мкс (типично для тиристора этого класса, точное значение в листинге не приведено); ITSM=100А (ударный неповторяющийся, 10мс) по справочнику КУ202Н",
+    "url": "https://www.chipdip.ru/product/ku202n",
+    "pulse_current_a": 100.0
   },
   {
     "part_number": "BT151-650R",
@@ -20,8 +21,9 @@
     "on_voltage_drop_v": 1.7,
     "turn_on_time_ns": 1500.0,
     "price": 190.0,
-    "source": "REAL: chipdip.ru (https://www.chipdip.ru/product/bt151-650r), ~180-200₽ (BT151-600R вариант подтверждён на 180₽); Von и время включения ОЦЕНКА (типично для тиристора этого класса, не указаны продавцом)",
-    "url": "https://www.chipdip.ru/product/bt151-650r"
+    "source": "REAL: chipdip.ru (https://www.chipdip.ru/product/bt151-650r), ~180-200₽ (BT151-600R вариант подтверждён на 180₽); Von и время включения ОЦЕНКА (типично для тиристора этого класса, не указаны продавцом); ITSM=100А (даташит NXP, полусинус 10мс)",
+    "url": "https://www.chipdip.ru/product/bt151-650r",
+    "pulse_current_a": 100.0
   },
   {
     "part_number": "IRFP254PBF",
@@ -32,8 +34,9 @@
     "on_voltage_drop_v": null,
     "turn_on_time_ns": 30.0,
     "price": 39.9,
-    "source": "REAL: procontact74.ru (https://procontact74.ru/01-elektronnyie-komponentyi-/43-tranzistory/polevyie--mosfet-/58406-tranzistorirfp254pbfmosfetnch250v23ato247acoriginalbydemontajnogi10mm/); ВНИМАНИЕ: демонтированная (Б/У) деталь, не новая партия; время включения ОЦЕНКА ~30нс (типично для этого класса MOSFET)",
-    "url": "https://procontact74.ru/01-elektronnyie-komponentyi-/43-tranzistory/polevyie--mosfet-/58406-tranzistorirfp254pbfmosfetnch250v23ato247acoriginalbydemontajnogi10mm/"
+    "source": "REAL: procontact74.ru (https://procontact74.ru/01-elektronnyie-komponentyi-/43-tranzistory/polevyie--mosfet-/58406-tranzistorirfp254pbfmosfetnch250v23ato247acoriginalbydemontajnogi10mm/); ВНИМАНИЕ: демонтированная (Б/У) деталь, не новая партия; время включения ОЦЕНКА ~30нс (типично для этого класса MOSFET); IDM=92А (импульсный ток стока, даташит)",
+    "url": "https://procontact74.ru/01-elektronnyie-komponentyi-/43-tranzistory/polevyie--mosfet-/58406-tranzistorirfp254pbfmosfetnch250v23ato247acoriginalbydemontajnogi10mm/",
+    "pulse_current_a": 92.0
   },
   {
     "part_number": "IRFP250PBF",
@@ -44,8 +47,9 @@
     "on_voltage_drop_v": null,
     "turn_on_time_ns": 35.0,
     "price": 320.0,
-    "source": "REAL: chipdip.ru (https://www.chipdip.ru/product/irfp250), новая деталь, 320₽ (276₽ от 15шт, 245₽ от 150шт); Rds(on)=0.085Ом при 18А/10В с даташита; время включения ОЦЕНКА",
-    "url": "https://www.chipdip.ru/product/irfp250"
+    "source": "REAL: chipdip.ru (https://www.chipdip.ru/product/irfp250), новая деталь, 320₽ (276₽ от 15шт, 245₽ от 150шт); Rds(on)=0.085Ом при 18А/10В с даташита; время включения ОЦЕНКА; IDM=120А (импульсный ток стока, даташит)",
+    "url": "https://www.chipdip.ru/product/irfp250",
+    "pulse_current_a": 120.0
   },
   {
     "part_number": "IRFP4468PBF",
@@ -56,8 +60,9 @@
     "on_voltage_drop_v": null,
     "turn_on_time_ns": 40.0,
     "price": 610.0,
-    "source": "REAL: chipdip.ru (https://www.chipdip.ru/product/irfp4468pbf), 610₽ (534₽ от 15шт); паспортный максимум 290А при 25°C, взято консервативное практическое значение 180А; Rds(on)=0.0026Ом при 180А/10В с даташита; время включения ОЦЕНКА",
-    "url": "https://www.chipdip.ru/product/irfp4468pbf"
+    "source": "REAL: chipdip.ru (https://www.chipdip.ru/product/irfp4468pbf), 610₽ (534₽ от 15шт); паспортный максимум 290А при 25°C, взято консервативное практическое значение 180А; Rds(on)=0.0026Ом при 180А/10В с даташита; время включения ОЦЕНКА; IDM=1080А (импульсный ток стока, даташит)",
+    "url": "https://www.chipdip.ru/product/irfp4468pbf",
+    "pulse_current_a": 1080.0
   },
   {
     "part_number": "IRG4PC50F",
@@ -68,7 +73,8 @@
     "on_voltage_drop_v": 1.8,
     "turn_on_time_ns": 300.0,
     "price": 504.0,
-    "source": "REAL: chipdip.ru (https://www.chipdip.ru/product/irg4pc50f-8048990896), ~504₽; Vce(sat) и время включения ОЦЕНКА (типично для этого семейства IGBT, не подтверждено со страницы товара)",
-    "url": "https://www.chipdip.ru/product/irg4pc50f-8048990896"
+    "source": "REAL: chipdip.ru (https://www.chipdip.ru/product/irg4pc50f-8048990896), ~504₽; Vce(sat) и время включения ОЦЕНКА (типично для этого семейства IGBT, не подтверждено со страницы товара); ICM=280А (импульсный ток коллектора, даташит)",
+    "url": "https://www.chipdip.ru/product/irg4pc50f-8048990896",
+    "pulse_current_a": 280.0
   }
 ]

src/gausse/components/schema.py

@@ -83,6 +83,9 @@ class SwitchSpec:
     price: float
     source: str
     url: str | None = None
+    # паспортный импульсный ток из даташита (ITSM тиристора / IDM MOSFET /
+    # ICM IGBT). Если None — применяется типовой множитель SWITCH_SURGE_FACTOR.
+    pulse_current_a: float | None = None
 
 
 @dataclass(frozen=True)

src/gausse/gpu/batch_integrator.py

@@ -35,6 +35,8 @@ class BatchDischargeParams:
     smoothing_width_m: "any"
     i_sat_a: "any"  # ток насыщения; NO_SATURATION_I_SAT где железа нет
     r_eddy_coeff_ohm: "any"  # вихревое сопротивление снаряда (× overlap)
+    retard_const_n: "any"  # сухое трение о трубку (Н, против движения)
+    drag_coeff_n: "any"  # аэродинамика: сила = drag_coeff·v² (против движения)
 
 
 def params_from_models(xp, models, circuit_params) -> BatchDischargeParams:
@@ -62,6 +64,8 @@ def params_from_models(xp, models, circuit_params) -> BatchDischargeParams:
         smoothing_width_m=col([m.smoothing_width_m for m in models]),
         i_sat_a=col(i_sat),
         r_eddy_coeff_ohm=col([getattr(c, "r_eddy_coeff_ohm", 0.0) for c in circuit_params]),
+        retard_const_n=col([getattr(c, "retard_const_n", 0.0) for c in circuit_params]),
+        drag_coeff_n=col([getattr(c, "drag_coeff_n_per_mps2", 0.0) for c in circuit_params]),
     )
 
 
@@ -104,11 +108,156 @@ def _derivatives(xp, q, i, x, v, p: BatchDischargeParams):
     v_c = q / p.capacitance_f
     d_q = -i
     d_i = (v_c - i * r_eff - dlambda_dx * v) / dlambda_di
-    d_v = force / p.mass_kg
+    # трение + воздух; tanh-сглаживание у v=0 — как в physics/circuit.py
+    retard = xp.tanh(v / 0.01) * (p.retard_const_n + p.drag_coeff_n * v * v)
+    d_v = (force - retard) / p.mass_kg
     d_x = v
     return d_q, d_i, d_x, d_v
 
 
+_FUSED_STEP_CACHE = {}
+
+
+def _get_fused_step(cp):
+    """Собирает (и кэширует) cupy.fuse-ядро полного RK4-шага разряда.
+
+    Весь шаг (4 вычисления производных + сборка + overlap) сливается в ОДНО
+    GPU-ядро вместо ~60 мелких — убирает накладные на запуск ядер, из-за
+    которых наивный порт был лишь ~1.3x к CPU.
+    """
+    if "step" in _FUSED_STEP_CACHE:
+        return _FUSED_STEP_CACHE["step"]
+    LN2 = 0.6931471805599453
+
+    def _ovl(x, hs, w):
+        s1 = 0.5 * (1.0 + cp.tanh((x + hs) / w * 0.5))
+        s2 = 0.5 * (1.0 + cp.tanh((hs - x) / w * 0.5))
+        return s1 * s2, (s1 * s2 / w) * (s2 - s1)
+
+    def _der(q, i, x, v, hs, w, isat, lair, liron, C, rt, red, fc, dc, m):
+        ov, dov = _ovl(x, hs, w)
+        z = i / isat
+        tz = cp.tanh(z)
+        g = isat * tz
+        gp = 1.0 - tz * tz
+        az = cp.abs(z)
+        G = isat * isat * (az + cp.log1p(cp.exp(-2.0 * az)) - LN2)
+        dl_di = lair + liron * ov * gp
+        reff = rt + red * ov
+        dq = -i
+        di = (q / C - i * reff - liron * dov * g * v) / dl_di
+        dv = (liron * dov * G - cp.tanh(v * 100.0) * (fc + dc * v * v)) / m
+        return dq, di, v, dv
+
+    @cp.fuse()
+    def step(q, i, x, v, dt, hs, w, isat, lair, liron, C, rt, red, fc, dc, m):
+        a = _der(q, i, x, v, hs, w, isat, lair, liron, C, rt, red, fc, dc, m)
+        b = _der(q + dt * 0.5 * a[0], i + dt * 0.5 * a[1], x + dt * 0.5 * a[2], v + dt * 0.5 * a[3], hs, w, isat, lair, liron, C, rt, red, fc, dc, m)
+        c = _der(q + dt * 0.5 * b[0], i + dt * 0.5 * b[1], x + dt * 0.5 * b[2], v + dt * 0.5 * b[3], hs, w, isat, lair, liron, C, rt, red, fc, dc, m)
+        d = _der(q + dt * c[0], i + dt * c[1], x + dt * c[2], v + dt * c[3], hs, w, isat, lair, liron, C, rt, red, fc, dc, m)
+        qn = q + dt / 6.0 * (a[0] + 2 * b[0] + 2 * c[0] + d[0])
+        in_ = i + dt / 6.0 * (a[1] + 2 * b[1] + 2 * c[1] + d[1])
+        xn = x + dt / 6.0 * (a[2] + 2 * b[2] + 2 * c[2] + d[2])
+        vn = v + dt / 6.0 * (a[3] + 2 * b[3] + 2 * c[3] + d[3])
+        ov_old, _ = _ovl(x, hs, w)
+        ov_new, _ = _ovl(xn, hs, w)
+        return qn, in_, xn, vn, ov_old, ov_new
+
+    _FUSED_STEP_CACHE["step"] = step
+    return step
+
+
+def _get_fused_pair(cp):
+    """Два слитых ядра на шаг: RK4+физика и cut-логика.
+
+    Профиль на 1070: RK4 был слит, но бухгалтерия обрыва (_magnetic_energy,
+    _overlap, ~15 where на шаг) запускала десятки мелких ядер и съедала >90%
+    времени. Одним ядром не влезает в лимит параметров CUDA (4096 байт,
+    «Formal parameter space overflowed»), поэтому два сбалансированных:
+    step_phys — RK4 + потери шага + остаточная магнитная энергия;
+    step_cut — обрывы/пики/выходные состояния, вообще без физических параметров.
+    """
+    if "pair" in _FUSED_STEP_CACHE:
+        return _FUSED_STEP_CACHE["pair"]
+    LN2 = 0.6931471805599453
+
+    def _der(q, i, x, v, hs, w, isat, lair, liron, C, rt, red, fc, dc, m):
+        s1 = 0.5 * (1.0 + cp.tanh((x + hs) / w * 0.5))
+        s2 = 0.5 * (1.0 + cp.tanh((hs - x) / w * 0.5))
+        ov = s1 * s2
+        dov = (s1 * s2 / w) * (s2 - s1)
+        z = i / isat
+        tz = cp.tanh(z)
+        g = isat * tz
+        gp = 1.0 - tz * tz
+        az = cp.abs(z)
+        G = isat * isat * (az + cp.log1p(cp.exp(-2.0 * az)) - LN2)
+        dl_di = lair + liron * ov * gp
+        reff = rt + red * ov
+        dq = -i
+        di = (q / C - i * reff - liron * dov * g * v) / dl_di
+        dv = (liron * dov * G - cp.tanh(v * 100.0) * (fc + dc * v * v)) / m
+        return dq, di, v, dv
+
+    @cp.fuse()
+    def step_phys(q, i, x, v, dt, hs, w, isat, lair, liron, C, rt, red, fc, dc, m):
+        a = _der(q, i, x, v, hs, w, isat, lair, liron, C, rt, red, fc, dc, m)
+        b = _der(q + dt * 0.5 * a[0], i + dt * 0.5 * a[1], x + dt * 0.5 * a[2], v + dt * 0.5 * a[3], hs, w, isat, lair, liron, C, rt, red, fc, dc, m)
+        c = _der(q + dt * 0.5 * b[0], i + dt * 0.5 * b[1], x + dt * 0.5 * b[2], v + dt * 0.5 * b[3], hs, w, isat, lair, liron, C, rt, red, fc, dc, m)
+        d = _der(q + dt * c[0], i + dt * c[1], x + dt * c[2], v + dt * c[3], hs, w, isat, lair, liron, C, rt, red, fc, dc, m)
+        qn = q + dt / 6.0 * (a[0] + 2 * b[0] + 2 * c[0] + d[0])
+        in_ = i + dt / 6.0 * (a[1] + 2 * b[1] + 2 * c[1] + d[1])
+        xn = x + dt / 6.0 * (a[2] + 2 * b[2] + 2 * c[2] + d[2])
+        vn = v + dt / 6.0 * (a[3] + 2 * b[3] + 2 * c[3] + d[3])
+        s1o = 0.5 * (1.0 + cp.tanh((x + hs) / w * 0.5))
+        s2o = 0.5 * (1.0 + cp.tanh((hs - x) / w * 0.5))
+        ov_old = s1o * s2o
+        s1n = 0.5 * (1.0 + cp.tanh((xn + hs) / w * 0.5))
+        s2n = 0.5 * (1.0 + cp.tanh((hs - xn) / w * 0.5))
+        ov_new = s1n * s2n
+        # потери шага: I²R_eff (вихревые × overlap) + трение/воздух (трапеция)
+        step_diss = 0.5 * (i * i * (rt + red * ov_old) + in_ * in_ * (rt + red * ov_new)) * dt
+        fric = 0.5 * ((fc + dc * v * v) * cp.abs(v) + (fc + dc * vn * vn) * cp.abs(vn)) * dt
+        # остаточная магнитная энергия (с насыщением) в состоянии ДО шага
+        z = i / isat
+        g = isat * cp.tanh(z)
+        az = cp.abs(z)
+        G = isat * isat * (az + cp.log1p(cp.exp(-2.0 * az)) - LN2)
+        w_mag = 0.5 * lair * i * i + liron * ov_old * (i * g - G)
+        return qn, in_, xn, vn, step_diss + fric, w_mag
+
+    @cp.fuse()
+    def step_cut(q, i, x, v, qn, in_, xn, vn, sdiss, w_mag,
+                 done, committed, past_peak, exit_v, exit_x, exit_q, peak_i, e_diss):
+        active = ~done
+        zero = 0.0 * q
+        e2 = e_diss + cp.where(active, sdiss, zero)
+        peak2 = cp.maximum(peak_i, cp.where(active, cp.abs(in_), zero))
+        past2 = past_peak | (active & (i > 1.0) & (in_ < i))
+        crossed = active & (i > 0) & (in_ <= 0)
+        decayed = active & past2 & (in_ < 0.1) & ~crossed  # ток < удержания ключа
+        local_min = active & past2 & (in_ > i) & ~crossed & ~decayed
+        cut_state = local_min | decayed  # обрыв в состоянии ДО шага
+        cut = crossed | cut_state
+        frac = cp.where(crossed, i / (i - in_ + 1e-30), zero)
+        exit_v2 = cp.where(crossed, v + frac * (vn - v), cp.where(cut_state, v, exit_v))
+        exit_x2 = cp.where(crossed, x + frac * (xn - x), cp.where(cut_state, x, exit_x))
+        exit_q2 = cp.where(crossed, q + frac * (qn - q), cp.where(cut_state, q, exit_q))
+        e3 = e2 + cp.where(cut_state, w_mag, zero)  # freewheel-диод
+        committed2 = committed | cut
+        blew = active & ~cut & ~(cp.abs(in_) < 1e30)  # inf/nan: стиффный взрыв
+        done2 = done | cut | blew
+        adv = active & ~blew
+        q2 = cp.where(adv, qn, q)
+        i2 = cp.where(adv, in_, i)
+        x2 = cp.where(adv, xn, x)
+        v2 = cp.where(adv, vn, v)
+        return q2, i2, x2, v2, done2, committed2, past2, exit_v2, exit_x2, exit_q2, peak2, e3
+
+    _FUSED_STEP_CACHE["pair"] = (step_phys, step_cut)
+    return _FUSED_STEP_CACHE["pair"]
+
+
 def integrate_batch_discharge(
     xp,
     q0,
@@ -139,50 +288,97 @@ def integrate_batch_discharge(
     energy_diss = xp.zeros(n, dtype=xp.float64)
 
     _old_err = xp.seterr(all="ignore") if hasattr(xp, "seterr") else None  # стиффные конфиги переполняют fixed-step
-    for _ in range(max_steps):
+    # на cupy — ВЕСЬ шаг (RK4 + cut-логика) одним fused-ядром; numpy — обычный путь
+    is_cupy = xp.__name__ == "cupy"
+    fused_pair = None
+    if is_cupy:
+        try:
+            fused_pair = _get_fused_pair(xp)
+        except Exception:
+            fused_pair = None  # честный fallback на пошаговый путь
+        fused = _get_fused_step(xp)
+        hs = (params.coil_length_m + params.slug_length_m) / 2
+    # проверку «все ли готовы» делаем НЕ каждый шаг: на GPU это device->host
+    # синхронизация, которая убивает конвейер. Раз в SYNC_EVERY шагов достаточно.
+    SYNC_EVERY = 256
+    for step in range(max_steps):
         active = ~done
-        if not bool(xp.any(active)):
+        if step % SYNC_EVERY == 0 and not bool(xp.any(active)):
             break
 
         q_old, i_old, x_old, v_old = q, i, x, v
 
-        # RK4 от старого состояния
-        k1 = _derivatives(xp, q_old, i_old, x_old, v_old, params)
-        k2 = _derivatives(xp, q_old + dt / 2 * k1[0], i_old + dt / 2 * k1[1], x_old + dt / 2 * k1[2], v_old + dt / 2 * k1[3], params)
-        k3 = _derivatives(xp, q_old + dt / 2 * k2[0], i_old + dt / 2 * k2[1], x_old + dt / 2 * k2[2], v_old + dt / 2 * k2[3], params)
-        k4 = _derivatives(xp, q_old + dt * k3[0], i_old + dt * k3[1], x_old + dt * k3[2], v_old + dt * k3[3], params)
+        if fused_pair is not None:
+            # весь шаг = 2 ядра: RK4+физика, затем cut-логика (вместо ~20 мелких)
+            try:
+                qn, in_, xn, vn, sdiss, w_mag = fused_pair[0](
+                    q_old, i_old, x_old, v_old, dt, hs, params.smoothing_width_m,
+                    params.i_sat_a, params.l_air_h, params.l_iron_coeff, params.capacitance_f,
+                    params.r_total_ohm, params.r_eddy_coeff_ohm,
+                    params.retard_const_n, params.drag_coeff_n, params.mass_kg,
+                )
+                (q, i, x, v, done, committed, past_peak,
+                 exit_v, exit_x, exit_q, peak_current, energy_diss) = fused_pair[1](
+                    q_old, i_old, x_old, v_old, qn, in_, xn, vn, sdiss, w_mag,
+                    done, committed, past_peak, exit_v, exit_x, exit_q, peak_current, energy_diss,
+                )
+                continue
+            except Exception:
+                if step == 0:  # fuse не собрался — честный откат на пошаговый путь
+                    fused_pair = None
+                else:
+                    raise
 
-        q_new = q_old + dt / 6 * (k1[0] + 2 * k2[0] + 2 * k3[0] + k4[0])
-        i_new = i_old + dt / 6 * (k1[1] + 2 * k2[1] + 2 * k3[1] + k4[1])
-        x_new = x_old + dt / 6 * (k1[2] + 2 * k2[2] + 2 * k3[2] + k4[2])
-        v_new = v_old + dt / 6 * (k1[3] + 2 * k2[3] + 2 * k3[3] + k4[3])
+        if is_cupy:
+            q_new, i_new, x_new, v_new, overlap_old, overlap_new = fused(
+                q_old, i_old, x_old, v_old, dt, hs, params.smoothing_width_m,
+                params.i_sat_a, params.l_air_h, params.l_iron_coeff, params.capacitance_f,
+                params.r_total_ohm, params.r_eddy_coeff_ohm,
+                params.retard_const_n, params.drag_coeff_n, params.mass_kg,
+            )
+        else:
+            k1 = _derivatives(xp, q_old, i_old, x_old, v_old, params)
+            k2 = _derivatives(xp, q_old + dt / 2 * k1[0], i_old + dt / 2 * k1[1], x_old + dt / 2 * k1[2], v_old + dt / 2 * k1[3], params)
+            k3 = _derivatives(xp, q_old + dt / 2 * k2[0], i_old + dt / 2 * k2[1], x_old + dt / 2 * k2[2], v_old + dt / 2 * k2[3], params)
+            k4 = _derivatives(xp, q_old + dt * k3[0], i_old + dt * k3[1], x_old + dt * k3[2], v_old + dt * k3[3], params)
+            q_new = q_old + dt / 6 * (k1[0] + 2 * k2[0] + 2 * k3[0] + k4[0])
+            i_new = i_old + dt / 6 * (k1[1] + 2 * k2[1] + 2 * k3[1] + k4[1])
+            x_new = x_old + dt / 6 * (k1[2] + 2 * k2[2] + 2 * k3[2] + k4[2])
+            v_new = v_old + dt / 6 * (k1[3] + 2 * k2[3] + 2 * k3[3] + k4[3])
+            overlap_old, _ = _overlap(xp, x_old, params)
+            overlap_new, _ = _overlap(xp, x_new, params)
 
         # потери I²·R_eff (с вихревыми × overlap) и пиковый ток — только для активных
-        overlap_old, _ = _overlap(xp, x_old, params)
-        overlap_new, _ = _overlap(xp, x_new, params)
         r_eff_old = params.r_total_ohm + params.r_eddy_coeff_ohm * overlap_old
         r_eff_new = params.r_total_ohm + params.r_eddy_coeff_ohm * overlap_new
         step_diss = 0.5 * (i_old**2 * r_eff_old + i_new**2 * r_eff_new) * dt
+        # работа трения/воздуха: P = (F_тр + drag·v²)·|v|
+        fric_old = (params.retard_const_n + params.drag_coeff_n * v_old**2) * xp.abs(v_old)
+        fric_new = (params.retard_const_n + params.drag_coeff_n * v_new**2) * xp.abs(v_new)
+        step_diss = step_diss + 0.5 * (fric_old + fric_new) * dt
         energy_diss = energy_diss + xp.where(active, step_diss, 0.0)
         peak_current = xp.maximum(peak_current, xp.where(active, xp.abs(i_new), 0.0))
         past_peak = past_peak | (active & (i_old > 1.0) & (i_new < i_old))
 
-        # ОДИН импульс: обрыв на нуле тока ИЛИ на первом локальном минимуме
-        # (снаряд начал подкачивать ток обратно). Что раньше.
+        # ОДИН импульс: обрыв на нуле тока, ИЛИ на первом локальном минимуме
+        # (снаряд начал подкачивать ток обратно), ИЛИ при падении ниже тока
+        # удержания ключа (передемпфированный хвост; см. physics/circuit.py).
         crossed = active & (i_old > 0) & (i_new <= 0)
-        local_min = active & past_peak & (i_new > i_old) & ~crossed
-        cut = crossed | local_min
+        decayed = active & past_peak & (i_new < 0.1) & ~crossed  # I_hold=0.1А
+        local_min = active & past_peak & (i_new > i_old) & ~crossed & ~decayed
+        cut = crossed | local_min | decayed
         # zero-crossing: интерполяция к I=0; local_min: берём состояние минимума (old)
         frac = xp.where(crossed, i_old / (i_old - i_new + 1e-30), 0.0)
         exit_v = xp.where(crossed, _interp(v_old, v_new, frac), exit_v)
         exit_x = xp.where(crossed, _interp(x_old, x_new, frac), exit_x)
         exit_q = xp.where(crossed, _interp(q_old, q_new, frac), exit_q)
-        exit_v = xp.where(local_min, v_old, exit_v)
-        exit_x = xp.where(local_min, x_old, exit_x)
-        exit_q = xp.where(local_min, q_old, exit_q)
-        # остаточная энергия катушки при обрыве на минимуме -> в потери (freewheel)
+        cut_at_state = local_min | decayed  # обрыв в текущем состоянии (не интерп.)
+        exit_v = xp.where(cut_at_state, v_old, exit_v)
+        exit_x = xp.where(cut_at_state, x_old, exit_x)
+        exit_q = xp.where(cut_at_state, q_old, exit_q)
+        # остаточная энергия катушки при обрыве -> в потери (freewheel)
         residual = _magnetic_energy(xp, x_old, i_old, params)
-        energy_diss = energy_diss + xp.where(local_min, residual, 0.0)
+        energy_diss = energy_diss + xp.where(cut_at_state, residual, 0.0)
         committed = committed | cut  # валидная коммутация
 
         # стиффный конфиг «взорвал» fixed-step (inf/nan) -> стоп, НЕ реализуем

src/gausse/gpu/batch_sweep.py

@@ -1,68 +1,304 @@
-"""GPU/CPU батч-sweep одноступенчатых конфигураций.
+"""GPU/CPU батч-sweep МНОГОСТУПЕНЧАТЫХ конфигураций (до max_stages).
 
-Векторизует самую дорогую часть (разряд) сразу по N конфигурациям через
-`integrate_batch_discharge` (numpy CPU / cupy GPU). Настройка каждой
-конфигурации (decode + build_stage_physics) — обычный питон-цикл (быстрый),
-интегрирование — один батч.
+Векторизует разряд сразу по многим конфигурациям через
+`integrate_batch_discharge` (numpy CPU / cupy GPU). Многоступенчатость —
+раунд за раундом: на раунде s все конфиги, у которых есть ступень s и
+которые ещё «живы», считают свой разряд ОДНИМ батчем; состояние снаряда
+(глобальная координата и скорость) переносится в следующий раунд.
+Конфиги с меньшим числом ступеней просто не участвуют в поздних раундах.
 
-Ограничения (честно): только ОДНА ступень; триггер датчика берётся
-аналитически при постоянной скорости подлёта (x_fire ≈ x_sensor + v·delay,
-одинаково для оптики/Холла/индукции), для индукционного датчика применяется
-та же проверка порога, что в CPU-пути. Полный конвейер (много ступеней,
-точный триггер) остаётся на CPU sweep/evolve. Числа физики идентичны CPU —
-через общий `build_stage_physics` и валидированный батч-интегратор.
+Триггер датчика — аналитический при постоянной скорости подлёта (для
+оптики/Холла точный; для индукционного — та же проверка порога, что на CPU).
+Физика идентична CPU-пути (общий `sim.stage.build_stage_physics`), сверено
+в tests/test_batch_sweep.py (0.0% расхождение exit_v).
 """
 
 import json
 import math
 import random
 import uuid
-from dataclasses import replace
+from dataclasses import dataclass, field, replace
 from datetime import datetime, timezone
 from pathlib import Path
 
 from gausse.components.database import ComponentDatabase
 from gausse.gpu.backend import get_backend, to_cpu
-from gausse.gpu.batch_integrator import integrate_batch_discharge, params_from_models
-from gausse.optim.objective import MODEL_VERSION, build_detail
+from gausse.gpu.batch_integrator import NO_SATURATION_I_SAT, BatchDischargeParams, integrate_batch_discharge
+from gausse.optim.objective import MODEL_VERSION
 from gausse.optim.progress_log import ProgressLogger, default_log_path
 from gausse.optim.search_space import SearchBounds, decode, genome_to_dict, sample_genome
-from gausse.physics.constants import SWITCH_SURGE_FACTOR
-from gausse.sim.coilgun import CoilgunResult, StageOutcome
-from gausse.sim.stage import StageResult, build_stage_physics
+from gausse.physics.constants import switch_pulse_limit_a
+from gausse.sim.stage import build_stage_physics
 from gausse.storage.database import insert_runs, open_connection
 from gausse.storage.schema import RunRecord
 
 
-def _prepare(genome, db, bounds):
-    """Готовит один одноступенчатый прогон: физика + аналитический fire-state.
+@dataclass(frozen=True)
+class StagePre:
+    """Физика ступени, предвычисленная в ПЛОСКИЕ числа (пиклится дёшево).
 
-    Возвращает dict с моделью/параметрами/начальным состоянием или
-    (None, причина) если конфигурация нереализуема ещё до интегрирования.
+    Считается один раз на геном (в воркере пула, параллельно) через тот же
+    `build_stage_physics` — один источник истины с CPU-путём. Главному потоку
+    остаётся только склейка массивов и запуск GPU-ядер: раньше он строил
+    физобъекты 4000 геномов сам и душил GPU (карта ждала ~половину времени).
     """
-    config, initial_x_m, initial_v_mps = decode(genome, db, bounds)
-    stage = config.stages[0]
-    proj = config.projectile
-    phys = build_stage_physics(stage, proj)
 
-    x_sensor = -stage.sensor_to_coil_distance_m
-    fire_delay = (stage.sensor.propagation_delay_ns + stage.switch.turn_on_time_ns) * 1e-9
+    l_air_h: float
+    l_iron_coeff: float
+    coil_length_m: float
+    slug_length_m: float
+    smoothing_width_m: float
+    i_sat_a: float
+    r_total_ohm: float
+    r_eddy_coeff_ohm: float
+    retard_const_n: float
+    drag_coeff_n: float
+    capacitance_f: float
+    q0: float
+    energy_in_j: float
+    sensor_to_coil_m: float
+    fire_delay_s: float
+    sensor_kind: str
+    sensor_sens_v_per_mps: float
+    sensor_threshold_v: float
+    pulse_limit_a: float
+    degenerate_reason: str | None
 
-    if stage.sensor.kind == "inductive":
-        peak_v = stage.sensor.sensitivity_v_per_mps * abs(initial_v_mps)
-        if peak_v < (stage.sensor.threshold_v or 0.0):
-            return None, ("инд. датчик: сигнал ниже порога", config, initial_x_m, initial_v_mps)
 
-    x_fire = x_sensor + initial_v_mps * fire_delay
-    q0 = phys.capacitance_f * stage.charge_voltage_v
+@dataclass(frozen=True)
+class GenomePre:
+    stages: tuple  # StagePre по ступеням
+    coil_centers: tuple  # абсолютные центры катушек вдоль трубы
+    mass_kg: float
+    initial_x_m: float
+    initial_v_mps: float
+
+
+def precompute_genome(genome, db: ComponentDatabase, bounds: SearchBounds) -> GenomePre:
+    """decode + build_stage_physics -> плоские числа (годится для пула процессов)."""
+    cfg, ix, iv = decode(genome, db, bounds)
+    centers = [0.0]
+    for gap in cfg.inter_stage_gaps_m:
+        centers.append(centers[-1] + gap)
+    stages = []
+    for stage in cfg.stages:
+        phys = build_stage_physics(stage, cfg.projectile)
+        m = phys.inductance_model
+        cp_ = phys.circuit_params
+        tau_worst = m.l_air_h / (phys.r_total_ohm + phys.r_eddy_coeff_ohm + 1e-12)
+        i_sat = m.saturation_current_a
+        stages.append(StagePre(
+            l_air_h=m.l_air_h,
+            l_iron_coeff=m.l_iron_coeff,
+            coil_length_m=m.coil_length_m,
+            slug_length_m=m.slug_length_m,
+            smoothing_width_m=m.smoothing_width_m,
+            i_sat_a=i_sat if math.isfinite(i_sat) else NO_SATURATION_I_SAT,
+            r_total_ohm=phys.r_total_ohm,
+            r_eddy_coeff_ohm=phys.r_eddy_coeff_ohm,
+            retard_const_n=cp_.retard_const_n,
+            drag_coeff_n=cp_.drag_coeff_n_per_mps2,
+            capacitance_f=phys.capacitance_f,
+            q0=phys.capacitance_f * stage.charge_voltage_v,
+            energy_in_j=0.5 * phys.capacitance_f * stage.charge_voltage_v**2,
+            sensor_to_coil_m=stage.sensor_to_coil_distance_m,
+            fire_delay_s=(stage.sensor.propagation_delay_ns + stage.switch.turn_on_time_ns) * 1e-9,
+            sensor_kind=stage.sensor.kind,
+            sensor_sens_v_per_mps=getattr(stage.sensor, "sensitivity_v_per_mps", None) or 0.0,
+            sensor_threshold_v=getattr(stage.sensor, "threshold_v", None) or 0.0,
+            pulse_limit_a=switch_pulse_limit_a(stage.switch),
+            degenerate_reason=(
+                "вырожденная катушка: L/R < 100 нс (вне области модели)" if tau_worst < 1e-7 else None
+            ),
+        ))
+    return GenomePre(
+        stages=tuple(stages), coil_centers=tuple(centers),
+        mass_kg=cfg.projectile.mass_kg, initial_x_m=ix, initial_v_mps=iv,
+    )
+
+
+def precompute_worker(genome) -> GenomePre:
+    """Вариант для пула (ProcessPoolExecutor c worker_context.init_worker)."""
+    from gausse.optim import worker_context
+
+    return precompute_genome(genome, worker_context.db, worker_context.bounds)
+
+
+@dataclass
+class _State:
+    genome: object
+    pre: GenomePre
+    cur_x: float  # текущая глобальная координата снаряда
+    cur_v: float  # текущая скорость
+    energy_in_j: float = 0.0
+    kinetic_delta_j: float = 0.0
+    alive: bool = True
+    reason: str | None = None
+    failed_stage_index: int | None = None
+
+
+def _coast_velocity(v0: float, distance_m: float, retard_const_n: float, drag_coeff: float, mass_kg: float) -> float:
+    """Скорость после подлёта на distance_m с трением и воздухом (точное решение).
+
+    m·v·dv/dx = −(a + b·v²)  ⇒  v²(d) = (v0² + a/b)·e^{−2bd/m} − a/b (b>0),
+    либо v² = v0² − 2ad/m при b=0. Возвращает 0.0, если снаряд останавливается.
+    Та же физика, что численный подлёт в sim/stage.py (там ОДУ, тут квадратура).
+    """
+    if distance_m <= 0:
+        return v0
+    a, b, m = retard_const_n, drag_coeff, mass_kg
+    if b <= 0:
+        u = v0 * v0 - 2.0 * a * distance_m / m
+    else:
+        u = (v0 * v0 + a / b) * math.exp(-2.0 * b * distance_m / m) - a / b
+    return math.sqrt(u) if u > 0 else 0.0
+
+
+def _prepare_stage(sp: StagePre, mass_kg: float, cur_x_global, cur_v, coil_center_global):
+    """Аналитический fire-state ступени из текущего (x,v) — только арифметика."""
+    if cur_v <= 1e-6:
+        return None, "снаряд остановился/пошёл назад"
+    # вырожденный контур (см. sim/stage.py) — тот же честный быстрый отказ
+    if sp.degenerate_reason:
+        return None, sp.degenerate_reason
+    sensor_global = coil_center_global - sp.sensor_to_coil_m
+    if sensor_global < cur_x_global - 1e-9:
+        return None, "датчик позади снаряда (не сработает)"
+    # подлёт до датчика — с трением о трубку и воздухом (та же физика, что на CPU)
+    v_at_sensor = _coast_velocity(
+        cur_v, sensor_global - cur_x_global, sp.retard_const_n, sp.drag_coeff_n, mass_kg
+    )
+    if v_at_sensor <= 1e-3:
+        return None, "снаряд остановлен трением о трубку, не долетев до датчика"
+    if sp.sensor_kind == "inductive":
+        if sp.sensor_sens_v_per_mps * v_at_sensor < sp.sensor_threshold_v:
+            return None, "инд. датчик: сигнал ниже порога"
+    x_fire_global = sensor_global + v_at_sensor * sp.fire_delay_s
+    x_fire_local = x_fire_global - coil_center_global
     return {
-        "config": config, "initial_x_m": initial_x_m, "initial_v_mps": initial_v_mps,
-        "phys": phys, "q0": q0, "x_fire": x_fire, "v_fire": initial_v_mps,
-        "energy_in": 0.5 * phys.capacitance_f * stage.charge_voltage_v**2,
-        "mass": proj.mass_kg, "stage": stage,
+        "sp": sp, "x_fire": x_fire_local, "v_fire": v_at_sensor,
+        "coil_center": coil_center_global, "mass": mass_kg,
     }, None
 
 
+def _simulate_states(xp, states: list) -> None:
+    """Раунд-за-раундом прогоняет разряды всех живых ступеней батчами (мутирует states)."""
+    if not states:
+        return
+    max_ns = max(len(s.pre.stages) for s in states)
+    for s_idx in range(max_ns):
+        prepared = []  # (state, prep)
+        for st in states:
+            if not st.alive or len(st.pre.stages) <= s_idx:
+                continue
+            p, reason = _prepare_stage(
+                st.pre.stages[s_idx], st.pre.mass_kg, st.cur_x, st.cur_v, st.pre.coil_centers[s_idx]
+            )
+            if p is None:
+                st.alive = False
+                st.reason = f"ступень {s_idx}: {reason}"
+                st.failed_stage_index = s_idx
+            else:
+                prepared.append((st, p))
+        if not prepared:
+            continue
+
+        def col(get):
+            return xp.asarray([get(p["sp"], p) for _, p in prepared], dtype=xp.float64)
+
+        params = BatchDischargeParams(
+            capacitance_f=col(lambda sp, p: sp.capacitance_f),
+            r_total_ohm=col(lambda sp, p: sp.r_total_ohm),
+            mass_kg=col(lambda sp, p: p["mass"]),
+            l_air_h=col(lambda sp, p: sp.l_air_h),
+            l_iron_coeff=col(lambda sp, p: sp.l_iron_coeff),
+            coil_length_m=col(lambda sp, p: sp.coil_length_m),
+            slug_length_m=col(lambda sp, p: sp.slug_length_m),
+            smoothing_width_m=col(lambda sp, p: sp.smoothing_width_m),
+            i_sat_a=col(lambda sp, p: sp.i_sat_a),
+            r_eddy_coeff_ohm=col(lambda sp, p: sp.r_eddy_coeff_ohm),
+            retard_const_n=col(lambda sp, p: sp.retard_const_n),
+            drag_coeff_n=col(lambda sp, p: sp.drag_coeff_n),
+        )
+        out = integrate_batch_discharge(
+            xp,
+            col(lambda sp, p: sp.q0),
+            col(lambda sp, p: p["x_fire"]),
+            col(lambda sp, p: p["v_fire"]),
+            params, dt=2e-6, max_steps=15000,
+        )
+        exit_v = to_cpu(xp, out["exit_v"]); exit_x = to_cpu(xp, out["exit_x"])
+        peak_i = to_cpu(xp, out["peak_current"]); feas = to_cpu(xp, out["feasible"])
+        for k, (st, p) in enumerate(prepared):
+            sp = p["sp"]
+            if not bool(feas[k]):
+                st.alive = False
+                st.reason = f"ступень {s_idx}: разряд не скоммутировался"
+                st.failed_stage_index = s_idx
+                continue
+            if float(peak_i[k]) > sp.pulse_limit_a:
+                st.alive = False
+                st.reason = f"ступень {s_idx}: пиковый ток {float(peak_i[k]):.0f}А > импульсного предела ключа ({sp.pulse_limit_a:.0f}А)"
+                st.failed_stage_index = s_idx
+                continue
+            ev = float(exit_v[k])
+            st.kinetic_delta_j += 0.5 * p["mass"] * (ev**2 - p["v_fire"] ** 2)
+            st.energy_in_j += sp.energy_in_j
+            st.cur_v = ev
+            st.cur_x = p["coil_center"] + float(exit_x[k])
+
+
+def evaluate_genomes_gpu(
+    xp, genomes: list, db: ComponentDatabase, bounds: SearchBounds, executor=None,
+) -> list:
+    """Оценка списка геномов ОДНИМ батчем (для эволюции): та же физика и та же
+    формула фитнеса, что в objective.evaluate (КПД либо -1+доля пройденных
+    ступеней), но разряды всех геномов интегрируются вместе на GPU/numpy.
+
+    Возвращает только то, что нужно фитнесу (без detail/стоимости): записи
+    для БД параллельно собирает пул процессов (`gpu_record_worker`).
+    executor — пул для ПАРАЛЛЕЛЬНОГО предвычисления физики ступеней
+    (precompute_worker): без него один поток Python готовит физику всей
+    популяции и GPU простаивает, ожидая данные.
+    """
+    from gausse.optim.objective import EvaluationResult
+
+    if executor is not None:
+        pres = list(executor.map(precompute_worker, genomes, chunksize=64))
+    else:
+        pres = [precompute_genome(g, db, bounds) for g in genomes]
+    states = [
+        _State(g, pre, cur_x=pre.initial_x_m, cur_v=pre.initial_v_mps)
+        for g, pre in zip(genomes, pres)
+    ]
+
+    _simulate_states(xp, states)
+
+    results = []
+    for st in states:
+        ok = st.alive and st.energy_in_j > 0
+        if ok:
+            eff = st.kinetic_delta_j / st.energy_in_j
+            results.append(EvaluationResult(
+                feasible=True, cost_rub=None, fitness=eff, efficiency=eff,
+                exit_velocity_mps=st.cur_v,
+                energy_breakdown={
+                    "total_energy_in_j": st.energy_in_j,
+                    "total_kinetic_energy_delta_j": st.kinetic_delta_j,
+                },
+            ))
+        else:
+            n_stages = len(st.pre.stages)
+            progress = (st.failed_stage_index or 0) / n_stages if n_stages else 0.0
+            results.append(EvaluationResult(
+                feasible=False, cost_rub=None, fitness=-1.0 + progress,
+                reason=st.reason or "нет ни одной сработавшей ступени",
+                failed_stage_index=st.failed_stage_index,
+                energy_breakdown={},
+            ))
+    return results
+
+
 def run_gpu_sweep(
     db_path: Path,
     n_runs: int,
@@ -75,8 +311,6 @@ def run_gpu_sweep(
 ) -> dict:
     xp, backend = get_backend(prefer_gpu=prefer_gpu)
     db = ComponentDatabase.load(data_dir) if data_dir else ComponentDatabase.load()
-    # форсируем одну ступень для GPU-пути
-    bounds = replace(bounds, min_stages=1, max_stages=1)
     rng = random.Random(seed if seed is not None else random.randrange(2**31))
     logger = ProgressLogger(log_path or default_log_path(db_path), mode=f"gpu-sweep({backend})", total=n_runs)
     conn = open_connection(db_path)
@@ -86,36 +320,22 @@ def run_gpu_sweep(
     try:
         while done < n_runs:
             n = min(batch_size, n_runs - done)
-            genomes = [sample_genome(db, bounds, rng) for _ in range(n)]
-            prepared, records = [], []
-            for g in genomes:
-                p, infeasible = _prepare(g, db, bounds)
-                if p is None:
-                    _, reason, config, ix, iv = (None, *infeasible)
-                    records.append(_record(g, db, config, None, reason, ix, iv, backend))
+            states = []
+            for _ in range(n):
+                g = sample_genome(db, bounds, rng)
+                pre = precompute_genome(g, db, bounds)
+                states.append(_State(g, pre, cur_x=pre.initial_x_m, cur_v=pre.initial_v_mps))
+
+            _simulate_states(xp, states)
+
+            records = []
+            for st in states:
+                if st.alive and st.energy_in_j > 0:
+                    eff = st.kinetic_delta_j / st.energy_in_j
+                    records.append(_record(st, db, backend, eff, st.cur_v))
+                    n_feasible += 1
                 else:
-                    prepared.append((g, p))
-
-            if prepared:
-                models = [p["phys"].inductance_model for _, p in prepared]
-                cps = [p["phys"].circuit_params for _, p in prepared]
-                params = params_from_models(xp, models, cps)
-                out = integrate_batch_discharge(
-                    xp,
-                    xp.asarray([p["q0"] for _, p in prepared]),
-                    xp.asarray([p["x_fire"] for _, p in prepared]),
-                    xp.asarray([p["v_fire"] for _, p in prepared]),
-                    params, dt=2e-6, max_steps=15000,
-                )
-                exit_v = to_cpu(xp, out["exit_v"]); peak_i = to_cpu(xp, out["peak_current"])
-                e_diss = to_cpu(xp, out["energy_dissipated_j"]); feas = to_cpu(xp, out["feasible"])
-                for k, (g, p) in enumerate(prepared):
-                    rec, ok = _finish_record(g, db, p, float(exit_v[k]), float(peak_i[k]),
-                                             float(e_diss[k]), bool(feas[k]), backend)
-                    records.append(rec)
-                    if ok:
-                        n_feasible += 1
-
+                    records.append(_record(st, db, backend, None, None))
             insert_runs(conn, records)
             for r in records:
                 logger.update(r.feasible, r.efficiency)
@@ -126,49 +346,20 @@ def run_gpu_sweep(
     return {"n_runs": done, "n_feasible": n_feasible, "backend": backend}
 
 
-def _finish_record(genome, db, p, exit_v, peak_i, e_diss, commutated, backend):
-    stage = p["stage"]
-    energy_in = p["energy_in"]; mass = p["mass"]; v_fire = p["v_fire"]
-    # surge-предел ключа (как в CPU-пути) + должна быть коммутация
-    surge = stage.switch.max_current_a * SWITCH_SURGE_FACTOR.get(stage.switch.kind, 4.0)
-    if not commutated:
-        return _record(genome, db, p["config"], None, "разряд не скоммутировался (батч)", p["initial_x_m"], p["initial_v_mps"], backend), False
-    if peak_i > surge:
-        return _record(genome, db, p["config"], None,
-                       f"пиковый ток {peak_i:.0f}А > импульсного предела ключа ({surge:.0f}А)",
-                       p["initial_x_m"], p["initial_v_mps"], backend), False
-    kinetic_delta = 0.5 * mass * (exit_v**2 - v_fire**2)
-    efficiency = kinetic_delta / energy_in if energy_in > 0 else None
-    result = _synth_coilgun_result(p, exit_v, peak_i, e_diss, efficiency, kinetic_delta, energy_in)
-    return _record(genome, db, p["config"], result, None, p["initial_x_m"], p["initial_v_mps"], backend, efficiency, exit_v), True
+def _record(st: _State, db, backend, efficiency, exit_v):
+    from gausse.optim.objective import decoded_summary
 
-
-def _synth_coilgun_result(p, exit_v, peak_i, e_diss, efficiency, kinetic_delta, energy_in):
-    r = StageResult(
-        feasible=True, exit_v_mps=exit_v, energy_in_j=energy_in,
-        energy_dissipated_j=e_diss, kinetic_energy_delta_j=kinetic_delta,
-    )
-    outcome = StageOutcome(stage_index=0, result=r, global_coil_center_m=0.0,
-                           time_offset_s=0.0, entry_x_m=p["initial_x_m"], entry_v_mps=p["v_fire"])
-    return CoilgunResult(
-        feasible=True, stage_outcomes=[outcome], exit_v_mps=exit_v,
-        exit_kinetic_energy_j=0.5 * p["mass"] * exit_v**2,
-        total_energy_in_j=energy_in, total_energy_dissipated_j=e_diss,
-        total_kinetic_energy_delta_j=kinetic_delta, efficiency=efficiency,
-    )
-
-
-def _record(genome, db, config, result, reason, initial_x_m, initial_v_mps, backend, efficiency=None, exit_v=None):
-    detail = build_detail(config, result, db, initial_x_m, initial_v_mps, genome.tube_inner_d_m, genome.tube_wall_m) if config else {}
+    feasible = efficiency is not None
     return RunRecord(
         run_id=str(uuid.uuid4()),
         timestamp=datetime.now(timezone.utc).isoformat(),
         search_mode=f"gpu-sweep-{backend}",
-        genome_json=json.dumps(genome_to_dict(genome)),
-        decoded_summary_json=json.dumps(detail, ensure_ascii=False),
-        feasible=result is not None,
+        genome_json=json.dumps(genome_to_dict(st.genome)),
+        decoded_summary_json=json.dumps(decoded_summary(st.genome, db), ensure_ascii=False),
+        feasible=feasible,
         model_version=MODEL_VERSION,
-        infeasible_reason=reason,
+        infeasible_reason=st.reason,
+        failed_stage_index=None,
         efficiency=efficiency,
         exit_velocity_mps=exit_v,
         cost_rub=None,

src/gausse/optim/evolutionary.py

@@ -10,6 +10,7 @@
 import copy
 import multiprocessing
 import random
+import signal
 from concurrent.futures import ProcessPoolExecutor
 from pathlib import Path
 
@@ -18,10 +19,10 @@ from scipy.optimize import minimize
 
 from gausse.components.database import ComponentDatabase
 from gausse.optim import worker_context
-from gausse.optim.objective import EvaluationResult, build_run_record, evaluate
+from gausse.optim.objective import EvaluationResult, build_run_record, compute_cost_rub, evaluate
 from gausse.optim.progress_log import ProgressLogger, default_log_path
-from gausse.optim.search_space import Genome, SearchBounds, crossover, mutate, repair, sample_genome
-from gausse.storage.database import run_writer_process
+from gausse.optim.search_space import Genome, SearchBounds, crossover, decode, mutate, repair, sample_genome
+from gausse.storage.database import StatsOnly, insert_run, open_connection, run_writer_process
 from gausse.storage.schema import RunRecord
 
 
@@ -30,6 +31,15 @@ def _evaluate_genome(genome: Genome) -> tuple[Genome, EvaluationResult]:
     return genome, result
 
 
+def _best_record(genome: Genome, result: EvaluationResult, db, bounds, mode: str) -> RunRecord:
+    """Полная строка БД для сохраняемого лучшего генома. GPU-путь не считает
+    стоимость для рядовых оценок — дочитываем её только здесь, для избранных."""
+    if result.cost_rub is None:
+        config, _, _ = decode(genome, db, bounds)
+        result.cost_rub = compute_cost_rub(config, db)
+    return build_run_record(genome, result, db, search_mode=mode)
+
+
 def _tournament_select(
     pairs: list[tuple[Genome, EvaluationResult]], rng: random.Random, k: int = 3
 ) -> Genome:
@@ -96,13 +106,36 @@ def run_evolution(
     mutation_rate: float = 0.2,
     polish: bool = True,
     log_path: Path | None = None,
+    use_gpu: bool = False,
+    islands: int = 1,
+    migrate_every: int = 10,
 ) -> dict:
+    """islands>1 — островная модель: K независимых популяций эволюционируют
+    параллельно, а их поколения оцениваются ОДНИМ батчем (GPU любит жирные
+    батчи: на 1070 батч 4000 давал 306/с, батч 32000 — 1211/с, потому что
+    маленькие ядра упираются в накладные на запуск). Раз в migrate_every
+    поколений лучший геном каждого острова мигрирует к соседу по кольцу —
+    разнообразие против скатывания всех в один локальный оптимум.
+    """
     n_workers = n_workers or multiprocessing.cpu_count()
     rng = random.Random(seed)
     db = ComponentDatabase.load(data_dir) if data_dir else ComponentDatabase.load()
 
+    # GPU-режим: всё поколение оценивается ОДНИМ батчем (gpu/batch_sweep) —
+    # та же физика через общий build_stage_physics, фикс.шаг RK4 вместо
+    # адаптивного solve_ivp (сверено в тестах, ~3%). Полировка остаётся на CPU.
+    gpu_xp = None
+    backend = "cpu-pool"
+    if use_gpu:
+        from gausse.gpu.backend import get_backend
+
+        gpu_xp, backend = get_backend(prefer_gpu=True)
+
+    mode = "evolve" if gpu_xp is None else f"evolve-gpu({backend})"
+    if islands > 1:
+        mode += f"-x{islands}остр"
     logger = ProgressLogger(
-        log_path or default_log_path(db_path), mode="evolve", total=n_generations * population_size
+        log_path or default_log_path(db_path), mode=mode, total=n_generations * population_size * islands
     )
 
     ctx = multiprocessing.get_context("spawn")
@@ -110,54 +143,156 @@ def run_evolution(
     writer = ctx.Process(target=run_writer_process, args=(queue, db_path))
     writer.start()
 
-    population = [sample_genome(db, bounds, rng) for _ in range(population_size)]
+    # SIGTERM (остановка/рестарт systemd) -> исключение -> блок finally ниже
+    # штатно досылает None и ЖДЁТ писателя: всё уже оценённое дописывается в
+    # базу, а не теряется вместе с очередью в RAM («сохраняем всё»).
+    # ВАЖНО: после первого TERM остальные игнорируем — systemd шлёт сигнал
+    # каждому процессу группы, и повторный TERM ловился ВНУТРИ writer.join(),
+    # обрывая дописывание базы (реальный кейс с потерей хвоста очереди).
+    def _terminate(_sig, _frm):
+        signal.signal(signal.SIGTERM, signal.SIG_IGN)
+        raise KeyboardInterrupt("SIGTERM: дописываем очередь и выходим")
+
+    signal.signal(signal.SIGTERM, _terminate)
+
+    populations = [
+        [sample_genome(db, bounds, rng) for _ in range(population_size)] for _ in range(islands)
+    ]
     best_pair: tuple[Genome, EvaluationResult] | None = None
     n_evaluated = 0
 
     try:
+        # пул нужен в ОБОИХ режимах: на CPU он оценивает геномы, в GPU-режиме
+        # параллельно собирает записи (detail+JSON) — иначе один поток Python
+        # душит GPU (карта простаивала ~2/3 времени поколения)
         with ProcessPoolExecutor(
             max_workers=n_workers,
             mp_context=ctx,
             initializer=worker_context.init_worker,
             initargs=(data_dir, bounds),
         ) as executor:
-            for generation in range(n_generations):
-                pairs = list(executor.map(_evaluate_genome, population))
-                n_evaluated += len(pairs)
+            # фитнес лучшей УЖЕ ЗАПИСАННОЙ строки каждого острова: полные
+            # строки в базу идут только когда остров улучшился — иначе элитизм
+            # дублировал бы один и тот же геном в топ дашборда каждое поколение
+            written_best_fitness = [float("-inf")] * islands
+            # СКОРОСТЬ отслеживается отдельно: у дашборда два топа (КПД и
+            # скорость), а рекордсмены скорости — почти всегда «прожорливые»
+            # геномы с низким КПД, которые КПД-рекорд не улучшают. Без этого
+            # трекера топ скоростей замирал навсегда (реальный кейс: после
+            # перехода на выборочную запись он не обновлялся сутки, пока
+            # эволюция находила всё новые быстрые геномы)
+            written_best_velocity = [float("-inf")] * islands
 
-                for genome, result in pairs:
-                    record: RunRecord = build_run_record(genome, result, db, search_mode="evolve")
-                    queue.put(record)
+            for generation in range(n_generations):
+                # все острова — ОДНИМ плоским батчем (жирный батч кормит GPU)
+                flat = [g for island in populations for g in island]
+                if gpu_xp is not None:
+                    from gausse.gpu.batch_sweep import evaluate_genomes_gpu
+
+                    results = evaluate_genomes_gpu(gpu_xp, flat, db, bounds, executor=executor)
+                    pairs_flat = list(zip(flat, results))
+                else:
+                    pairs_flat = list(executor.map(_evaluate_genome, flat))
+                n_evaluated += len(pairs_flat)
+
+                for genome, result in pairs_flat:
                     logger.update(result.feasible, result.efficiency)
                     if best_pair is None or result.fitness > best_pair[1].fitness:
                         best_pair = (genome, result)
 
-                pairs.sort(key=lambda pair: pair[1].fitness, reverse=True)
-                next_population = [copy.deepcopy(pair[0]) for pair in pairs[:elitism]]
-                while len(next_population) < population_size:
-                    parent_a = _tournament_select(pairs, rng)
-                    parent_b = _tournament_select(pairs, rng)
-                    child = crossover(parent_a, parent_b, rng)
-                    child = mutate(child, db, bounds, rng, rate=mutation_rate)
-                    next_population.append(child)
-                population = next_population
+                # селекция и скрещивание — НА КАЖДОМ ОСТРОВЕ независимо
+                island_bests: list[Genome] = []
+                next_populations = []
+                recorded = set()  # id() результатов, ушедших полной строкой
+                for i in range(islands):
+                    pairs = pairs_flat[i * population_size:(i + 1) * population_size]
+                    pairs.sort(key=lambda pair: pair[1].fitness, reverse=True)
+                    island_bests.append(pairs[0][0])
+                    # улучшение лучшего на острове — полная строка в базу
+                    # (топы дашборда, best за всё время, отчёты). Новый
+                    # глобальный best — всегда чей-то островной best, так что
+                    # он не теряется.
+                    if pairs[0][1].fitness > written_best_fitness[i]:
+                        written_best_fitness[i] = pairs[0][1].fitness
+                        queue.put(_best_record(pairs[0][0], pairs[0][1], db, bounds, mode))
+                        recorded.add(id(pairs[0][1]))
+                    # рекорд СКОРОСТИ острова — тоже полной строкой
+                    fastest = max(
+                        (p for p in pairs if p[1].feasible and p[1].exit_velocity_mps is not None),
+                        key=lambda p: p[1].exit_velocity_mps,
+                        default=None,
+                    )
+                    if fastest is not None and fastest[1].exit_velocity_mps > written_best_velocity[i]:
+                        written_best_velocity[i] = fastest[1].exit_velocity_mps
+                        if id(fastest[1]) not in recorded:
+                            queue.put(_best_record(fastest[0], fastest[1], db, bounds, mode))
+                            recorded.add(id(fastest[1]))
+                    next_population = [copy.deepcopy(pair[0]) for pair in pairs[:elitism]]
+                    while len(next_population) < population_size:
+                        parent_a = _tournament_select(pairs, rng)
+                        parent_b = _tournament_select(pairs, rng)
+                        child = crossover(parent_a, parent_b, rng)
+                        child = mutate(child, db, bounds, rng, rate=mutation_rate)
+                        next_population.append(child)
+                    next_populations.append(next_population)
+
+                # рядовые оценки — в базу ТОЛЬКО агрегатами (счётчики/
+                # гистограмма честно считают все оценки, вставка полной строки
+                # выше сама инкрементирует их для избранных — без двойного
+                # счёта). Хранить миллионы проходных геномов незачем
+                # («сохраняй то, что нужно для эволюции»), а вставка каждого
+                # в HDD-базу с 6 индексами была узким местом конвейера:
+                # GPU считал цикл ~23 мин, дозапись хвоста шла часами.
+                for _genome, result in pairs_flat:
+                    if id(result) not in recorded:
+                        queue.put(StatsOnly(mode, result.feasible, result.efficiency, result.reason))
+
+                # миграция по кольцу: лучший острова i замещает слот у острова i+1
+                if islands > 1 and (generation + 1) % migrate_every == 0:
+                    for i in range(islands):
+                        next_populations[(i + 1) % islands][elitism] = copy.deepcopy(island_bests[i])
+                populations = next_populations
     finally:
+        # с этого места нас нельзя прерывать: дописываем базу до конца
+        signal.signal(signal.SIGTERM, signal.SIG_IGN)
         logger.finish()
+        logger._write("дописываю хвост очереди в базу (писатель)…")
         queue.put(None)
-        writer.join()
+        while True:
+            try:
+                writer.join()
+                break
+            except KeyboardInterrupt:
+                continue  # уже завершаемся; ждём писателя до конца
+        # явно закрыть очередь: иначе её семафоры финализируются в гонке с
+        # resource_tracker на выходе интерпретатора и сыплют в журнал
+        # «Exception ignored … sem_unlink FileNotFoundError» после каждого цикла
+        queue.close()
+        queue.join_thread()
+        # после дренажа возвращаем обработку SIGTERM по умолчанию: иначе
+        # процесс в фазе полировки нельзя остановить мягко (только SIGKILL)
+        signal.signal(signal.SIGTERM, signal.SIG_DFL)
+        logger._write("база дописана полностью")
 
     assert best_pair is not None
     best_genome, best_result = best_pair
 
     if polish and best_result.feasible:
+        logger._write("полировка лучшего генома (Nelder-Mead, CPU) — это НЕ остановка, новый цикл стартует после неё")
         polished_genome, polished_result = polish_best(best_genome, db, bounds)
+        logger._write(f"полировка готова: КПД {best_result.fitness*100:.2f}% -> {polished_result.fitness*100:.2f}%")
         if polished_result.fitness > best_result.fitness:
-            conn_queue = ctx.Queue()
-            polish_writer = ctx.Process(target=run_writer_process, args=(conn_queue, db_path))
-            polish_writer.start()
-            conn_queue.put(build_run_record(polished_genome, polished_result, db, search_mode="evolve-polish"))
-            conn_queue.put(None)
-            polish_writer.join()
+            # ОДНУ запись пишем напрямую, без процесса-писателя и очереди:
+            # конкурентных писателей в этот момент нет (основной уже завершён),
+            # а редкая гонка spawn+Queue вешала главный процесс в join()
+            # НАВЕЧНО (22.5 часа простоя, пойман по /proc/*/stack: главный в
+            # do_wait, писатель в pipe_read — данные из очереди не доехали).
+            conn = open_connection(db_path)
+            try:
+                insert_run(conn, build_run_record(polished_genome, polished_result, db, search_mode="evolve-polish"))
+            finally:
+                conn.close()
+            logger._write("полированный геном записан в базу")
             best_genome, best_result = polished_genome, polished_result
 
     return {

src/gausse/optim/objective.py

@@ -15,11 +15,17 @@ import numpy as np
 
 from gausse.components.database import ComponentDatabase
 from gausse.optim.search_space import Genome, SearchBounds, decode, genome_to_dict
+from gausse.physics.ac_resistance import dowell_ac_factor
+from gausse.physics.constants import switch_pulse_limit_a
 from gausse.physics.inductance import air_core_inductance_wheeler, winding_geometry
 from gausse.sim.coilgun import CoilgunResult, run_coilgun
 from gausse.storage.schema import RunRecord
 
-MODEL_VERSION = "gausse-physics-v1"
+# v4: диффузия поля в снаряд — намагничивается только скин-кольцо глубиной δ,
+# закрыт эксплойт «медленной» катушки (30%). v3: fill factor (эксплойт тонкого
+# снаряда), полное отражение вихрей, гард вырожденных катушек. v2: Доуэлл,
+# трение+воздух, паспортные импульсные токи ключей.
+MODEL_VERSION = "gausse-physics-v4"
 
 
 @dataclass
@@ -32,7 +38,6 @@ class EvaluationResult:
     efficiency: float | None = None
     exit_velocity_mps: float | None = None
     energy_breakdown: dict = None
-    detail: dict = None
 
 
 def compute_cost_rub(config, db: ComponentDatabase) -> float:
@@ -55,10 +60,11 @@ def _wire_resistance_ohm(resistivity_ohm_m: float, gauge_mm: float, wire_length_
 
 
 def decoded_summary(genome: Genome, db: ComponentDatabase) -> dict:
-    """Краткая сводка только по геному (без результатов симуляции).
-
-    Оставлена для обратной совместимости; подробную запись со всей физикой
-    и результатами по каждой ступени строит `build_detail` (её и пишем в БД).
+    """Краткая сводка только по геному (без результатов симуляции) — это и
+    пишется в decoded_summary_json для каждого прогона: genome_json уже
+    достаточен для полного воспроизведения через build_detail() на лету,
+    так что хранить дорогую подробную запись для каждого из миллионов
+    прогонов незачем (см. web/stats.run_detail для просмотра одного прогона).
     """
     material = db.projectile_materials[genome.projectile.material_idx % len(db.projectile_materials)]
     stages_summary = []
@@ -115,6 +121,10 @@ def build_detail(config, coilgun_result: CoilgunResult, db: ComponentDatabase, i
         l_air_h = air_core_inductance_wheeler(
             geometry.mean_radius_m, geometry.coil_length_m, geometry.radial_depth_m, geometry.total_turns
         )
+        _char_omega = 1.0 / math.sqrt(l_air_h * stage.capacitor.capacitance_uf * 1e-6)
+        r_ac_factor = dowell_ac_factor(
+            stage.wire.gauge_mm / 1000, wire_od_m, stage.layers, stage.wire.resistivity_ohm_m, _char_omega
+        )
 
         cap = stage.capacitor
         # cap может быть батареей (CapacitorBank) или одиночным конденсатором (CapacitorSpec)
@@ -127,6 +137,8 @@ def build_detail(config, coilgun_result: CoilgunResult, db: ComponentDatabase, i
             "coil_center_position_m": coil_centers_m[i],
             "gap_before_stage_m": (config.inter_stage_gaps_m[i - 1] if i > 0 else None),
             "sensor_to_coil_distance_m": stage.sensor_to_coil_distance_m,
+            # абсолютная позиция ЭТОГО датчика вдоль трубы (у каждой катушки свой)
+            "sensor_position_m": coil_centers_m[i] - stage.sensor_to_coil_distance_m,
             "components": {
                 "wire": stage.wire.part_id,
                 "wire_material": stage.wire.material,
@@ -168,7 +180,10 @@ def build_detail(config, coilgun_result: CoilgunResult, db: ComponentDatabase, i
             },
             "electrical": {
                 "charge_voltage_v": stage.charge_voltage_v,
-                "wire_resistance_ohm": r_wire,
+                "wire_resistance_dc_ohm": r_wire,
+                # скин + эффект близости на частоте импульса (Доуэлл)
+                "wire_ac_resistance_factor": r_ac_factor,
+                "wire_resistance_ac_ohm": r_wire * r_ac_factor,
                 "air_inductance_h": l_air_h,
             },
         }
@@ -179,13 +194,16 @@ def build_detail(config, coilgun_result: CoilgunResult, db: ComponentDatabase, i
             peak_current_a = (
                 float(np.max(np.abs(r.discharge_i))) if r.discharge_i is not None and len(r.discharge_i) else None
             )
-            # диагностика по току: хватает ли батареи и ключа на пиковый ток разряда.
-            # Это предупреждение, а не жёсткий отказ: в базе — паспортный (не импульсный)
-            # максимум тока, а одиночный выстрел кратковременный, поэтому честнее
-            # флажок, чем ложная отбраковка. Параллельные конденсаторы уже дают
-            # реальный выигрыш через сниженный ESR (меньше потери), см. capacitor_bank.
+            # Диагностика по току. Жёсткая граница для ключа — ИМПУЛЬСНЫЙ рейтинг
+            # (ITSM/IDM/ICM из даташита): её превышение уже даёт feasible=False в
+            # run_stage. Пик выше ПРОДОЛЖИТЕЛЬНОГО рейтинга при одиночном коротком
+            # импульсе — норма (так работают все coilgun'ы), это ИНФОРМАЦИОННЫЙ
+            # флаг, а не противоречие с feasible. Для батареи конденсаторов — тоже
+            # предупреждение (в базе паспортный ripple, не импульсный максимум).
+            switch_pulse_a = switch_pulse_limit_a(stage.switch)
             bank_over = peak_current_a is not None and peak_current_a > cap.max_current_a
-            switch_over = peak_current_a is not None and peak_current_a > stage.switch.max_current_a
+            switch_over_cont = peak_current_a is not None and peak_current_a > stage.switch.max_current_a
+            switch_over_pulse = peak_current_a is not None and peak_current_a > switch_pulse_a
             entry["outcome"] = {
                 "reached": True,
                 "feasible": r.feasible,
@@ -195,8 +213,12 @@ def build_detail(config, coilgun_result: CoilgunResult, db: ComponentDatabase, i
                 "t_sensor_s": r.t_sensor_s,
                 "t_fire_s": r.t_fire_s,
                 "peak_current_a": peak_current_a,
+                "switch_pulse_limit_a": switch_pulse_a,
                 "bank_current_over_limit": bank_over,
-                "switch_current_over_limit": switch_over,
+                # пик > продолжительного рейтинга: НОРМА для одиночного импульса
+                "switch_current_over_continuous_rating": switch_over_cont,
+                # пик > импульсного (даташит): такой конфиг отбраковывается
+                "switch_current_over_pulse_limit": switch_over_pulse,
                 "peak_field_estimate_tesla": r.peak_field_estimate_tesla,
                 "saturation_warning": r.saturation_warning,
                 "energy_in_j": r.energy_in_j,
@@ -237,10 +259,15 @@ def build_detail(config, coilgun_result: CoilgunResult, db: ComponentDatabase, i
 
 
 def evaluate(genome: Genome, db: ComponentDatabase, bounds: SearchBounds) -> EvaluationResult:
+    """detail НЕ строится здесь: build_detail — дорогая (полная физика по
+    каждой ступени) и не нужна ни фитнесу, ни хранению — genome_json уже
+    достаточен, чтобы воспроизвести всё через decode()+build_detail() на
+    лету (см. web/stats.run_detail). build_run_record() кладёт в БД дешёвую
+    decoded_summary() вместо этого.
+    """
     config, initial_x_m, initial_v_mps = decode(genome, db, bounds)
     cost_rub = compute_cost_rub(config, db)
     result = run_coilgun(config)
-    detail = build_detail(config, result, db, initial_x_m, initial_v_mps, genome.tube_inner_d_m, genome.tube_wall_m)
 
     if not result.feasible:
         n_stages = len(config.stages)
@@ -253,7 +280,6 @@ def evaluate(genome: Genome, db: ComponentDatabase, bounds: SearchBounds) -> Eva
             reason=result.reason,
             failed_stage_index=result.failed_stage_index,
             energy_breakdown={},
-            detail=detail,
         )
 
     energy_breakdown = {
@@ -269,12 +295,11 @@ def evaluate(genome: Genome, db: ComponentDatabase, bounds: SearchBounds) -> Eva
         efficiency=result.efficiency,
         exit_velocity_mps=result.exit_v_mps,
         energy_breakdown=energy_breakdown,
-        detail=detail,
     )
 
 
 def build_run_record(genome: Genome, result: EvaluationResult, db: ComponentDatabase, search_mode: str) -> RunRecord:
-    detail = result.detail if result.detail is not None else decoded_summary(genome, db)
+    detail = decoded_summary(genome, db)
     return RunRecord(
         run_id=str(uuid.uuid4()),
         timestamp=datetime.now(timezone.utc).isoformat(),

src/gausse/optim/search_space.py

@@ -23,7 +23,7 @@ PROJECTILE_BORE_CLEARANCE_M = 0.0005
 @dataclass(frozen=True)
 class SearchBounds:
     min_stages: int = 1
-    max_stages: int = 4
+    max_stages: int = 10
     turns_per_layer_min: int = 5
     turns_per_layer_max: int = 100
     layers_min: int = 1
@@ -140,10 +140,13 @@ def sample_genome(db: ComponentDatabase, bounds: SearchBounds, rng: random.Rando
         for _ in range(n_stages - 1)
     ]
     projectile = ProjectileGene(material_idx=material_idx, diameter_m=diameter_m, length_m=length_m)
-    return Genome(
+    genome = Genome(
         tube_inner_d_m=tube_inner_d_m, tube_wall_m=tube_wall_m,
         stages=stages, inter_stage_gaps_m=gaps, projectile=projectile,
     )
+    # прогоняем через repair, чтобы применились все физические ограничения
+    # (в т.ч. датчик каждой ступени должен стоять в зазоре перед своей катушкой)
+    return repair(genome, db, bounds)
 
 
 def repair(genome: Genome, db: ComponentDatabase, bounds: SearchBounds) -> Genome:
@@ -188,6 +191,15 @@ def repair(genome: Genome, db: ComponentDatabase, bounds: SearchBounds) -> Genom
         genome.inter_stage_gaps_m.append(
             (bounds.inter_stage_gap_m_min + bounds.inter_stage_gap_m_max) / 2
         )
+    # Датчик ступени i>0 должен стоять В ЗАЗОРЕ перед своей катушкой, а не
+    # залезать на предыдущую: расстояние датчик→катушка < зазор до пред.катушки.
+    # (у первой катушки датчик перед ней в свободном пространстве — без ограничения.)
+    for i in range(1, len(genome.stages)):
+        gap = genome.inter_stage_gaps_m[i - 1]
+        max_s2c = max(gap * 0.9, bounds.sensor_to_coil_distance_m_min)
+        genome.stages[i].sensor_to_coil_distance_m = min(
+            genome.stages[i].sensor_to_coil_distance_m, max_s2c
+        )
     return genome
 
 

src/gausse/physics/ac_resistance.py

@@ -0,0 +1,87 @@
+"""AC-сопротивление обмотки: скин-эффект + эффект близости (метод Доуэлла).
+
+Разряд конденсатора через катушку — импульс с характерной частотой
+ω ≈ 1/√(L·C) (сотни Гц — единицы кГц). На этой частоте ток вытесняется
+к поверхности провода (скин-эффект), а в многослойной намотке соседние
+слои дополнительно вытесняют ток друг у друга (эффект близости). Для
+толстого провода и многих слоёв эффективное сопротивление в 1.5–3 раза
+выше DC — этот канал потерь раньше не учитывался и завышал КПД.
+
+Модель — классический Доуэлл (Dowell, 1966) для m-слойной обмотки,
+круглый провод сведён к эквивалентной фольге:
+
+    Δ = (π/4)^{3/4} · (d/δ) · √η,    δ = √(2ρ/(ω·μ₀)) — глубина скина,
+    η = d_голый/d_изолир — коэффициент заполнения слоя,
+    F_R = Δ·[φ₁(Δ) + (2(m²−1)/3)·φ₂(Δ)],
+    φ₁ = (sh2Δ+sin2Δ)/(ch2Δ−cos2Δ),  φ₂ = (shΔ−sinΔ)/(chΔ+cosΔ).
+
+ЧЕСТНО об ограничениях: ток разряда — затухающий импульс, а не синусоида;
+берём одну характерную частоту ω=1/√(LC) (первая гармоника импульса), без
+разложения в спектр. Доуэлл предполагает плотную рядовую намотку и
+пренебрегает кривизной. Точность — десятки процентов, но это несравнимо
+честнее, чем DC-сопротивление, занижавшее потери в разы для толстого
+провода во многих слоях.
+"""
+
+import math
+
+from gausse.physics.constants import MU_0
+
+
+def skin_depth_m(resistivity_ohm_m: float, omega_rad_s: float) -> float:
+    """Глубина скин-слоя δ = √(2ρ/(ω·μ₀)) для немагнитного проводника (Cu/Al)."""
+    return math.sqrt(2.0 * resistivity_ohm_m / (omega_rad_s * MU_0))
+
+
+def iron_penetration_fraction(
+    slug_radius_m: float,
+    slug_resistivity_ohm_m: float,
+    mu_r: float,
+    omega_rad_s: float,
+) -> float:
+    """Доля сечения снаряда, реально намагниченная за импульс (диффузия поля).
+
+    Переменное поле проникает в проводящее железо на глубину скин-слоя
+    δ = √(2ρ/(ω·μ₀·μᵣ)) — за миллисекундный импульс у стали это доли
+    миллиметра. Внутренность снаряда не успевает намагнититься и силы не
+    даёт. Работает кольцо глубиной δ: A_eff/A = 1−(1−δ/a)².
+
+    ЧЕСТНО: это одночастотная оценка (ω=1/√(LC)) решения уравнения диффузии,
+    а не само решение; ошибка — десятки процентов. Но без неё модель считала,
+    что намагничивается ВСЁ сечение, и оптимизатор строил «медленные»
+    катушки с нефизично высоким КПД (30%+).
+    """
+    if omega_rad_s <= 0 or slug_resistivity_ohm_m <= 0 or mu_r < 1 or slug_radius_m <= 0:
+        return 1.0
+    delta = math.sqrt(2.0 * slug_resistivity_ohm_m / (omega_rad_s * MU_0 * mu_r))
+    if delta >= slug_radius_m:
+        return 1.0
+    return 1.0 - (1.0 - delta / slug_radius_m) ** 2
+
+
+def dowell_ac_factor(
+    wire_bare_d_m: float,
+    wire_insulated_d_m: float,
+    n_layers: int,
+    resistivity_ohm_m: float,
+    omega_rad_s: float,
+) -> float:
+    """F_R = R_AC/R_DC ≥ 1 для m-слойной обмотки на частоте ω (Доуэлл)."""
+    if omega_rad_s <= 0.0 or n_layers < 1 or resistivity_ohm_m <= 0.0:
+        return 1.0  # ρ=0 (идеальный провод): R_DC=0, фактор не имеет смысла
+    delta = skin_depth_m(resistivity_ohm_m, omega_rad_s)
+    porosity = min(wire_bare_d_m / wire_insulated_d_m, 1.0)
+    d_eff = (math.pi / 4.0) ** 0.75 * wire_bare_d_m * math.sqrt(porosity)
+    big_delta = d_eff / delta
+    m = float(n_layers)
+
+    if big_delta < 0.25:
+        # ряд малых Δ (φ-формулы теряют точность из-за сокращения знаков):
+        # F_R ≈ 1 + (5m²−1)/45 · Δ⁴
+        return 1.0 + (5.0 * m * m - 1.0) / 45.0 * big_delta**4
+
+    two_d = 2.0 * big_delta
+    phi1 = (math.sinh(two_d) + math.sin(two_d)) / (math.cosh(two_d) - math.cos(two_d))
+    phi2 = (math.sinh(big_delta) - math.sin(big_delta)) / (math.cosh(big_delta) + math.cos(big_delta))
+    f_r = big_delta * (phi1 + (2.0 * (m * m - 1.0) / 3.0) * phi2)
+    return max(f_r, 1.0)

src/gausse/physics/circuit.py

@@ -29,6 +29,24 @@ class StageCircuitParams:
     # отражённое сопротивление вихревых токов снаряда; действует × overlap(x)
     # (только пока снаряд в катушке). См. physics/losses.py.
     r_eddy_coeff_ohm: float = 0.0
+    # тормозящие силы на снаряд: сухое трение о трубку (константа, Н) и
+    # аэродинамическое сопротивление (× v², Н·с²/м²). Обе против движения.
+    retard_const_n: float = 0.0
+    drag_coeff_n_per_mps2: float = 0.0
+
+
+# Сглаживание сухого трения около v=0: sign(v) -> tanh(v/ε). РАЗРЫВНАЯ сила
+# (чистый sign) ломает адаптивный решатель: у v≈0 шаг дробится бесконечно
+# (chattering), одна конфигурация считается десятки минут. tanh — стандартная
+# регуляризация (модель залипания); при |v| >> ε неотличима от sign.
+FRICTION_SMOOTHING_V_MPS = 0.01
+
+
+def retarding_force_n(params: StageCircuitParams, v: float) -> float:
+    """Тормозящая сила (трение + воздух), гладкая по v, против скорости."""
+    return float(np.tanh(v / FRICTION_SMOOTHING_V_MPS)) * (
+        params.retard_const_n + params.drag_coeff_n_per_mps2 * v * v
+    )
 
 
 def effective_resistance(inductance_model: CoilInductanceModel, params: StageCircuitParams, x) -> float:
@@ -51,7 +69,7 @@ def derivatives(
     d_q = -current
     d_i = (v_c - current * r_eff - dlambda_dx * v) / dlambda_di
     force = inductance_model.force_newtons(x, current)
-    d_v = force / params.mass_kg
+    d_v = (force - retarding_force_n(params, v)) / params.mass_kg
     return [d_q, d_i, v, d_v]
 
 
@@ -82,3 +100,28 @@ def current_local_min_event(t: float, state: np.ndarray, inductance_model, param
 
 current_local_min_event.terminal = True
 current_local_min_event.direction = 1.0
+
+# Ток удержания ключа: тиристор сам закрывается, когда ток после пика падает
+# ниже I_H (типично 30-100 мА; берём консервативно 0.1 А). Без этого события
+# передемпфированный разряд (ток -> 0 асимптотически, нуля не пересекает)
+# заставляет решатель молотить весь временной бюджет микросекундными шагами —
+# одна конфигурация считалась минутами. Обрыв при I<I_hold — физика, не хак.
+HOLDING_CURRENT_A = 0.1
+
+
+def make_current_decay_event(i_hold_a: float = HOLDING_CURRENT_A):
+    """Терминальное событие: ток после пика упал ниже тока удержания ключа."""
+    peak = 0.0
+
+    def event(t: float, state: np.ndarray, *_args) -> float:
+        nonlocal peak
+        i = float(state[I])
+        if i > peak:
+            peak = i
+        if peak < 2.0 * i_hold_a:  # импульса ещё толком не было
+            return 1.0
+        return i - i_hold_a
+
+    event.terminal = True
+    event.direction = -1.0
+    return event

src/gausse/physics/constants.py

@@ -15,3 +15,29 @@ RESISTIVITY_ALUMINUM_OHM_M = 2.82e-8  # при ~20°C
 # Это оценки, а не паспортные surge-рейтинги конкретных деталей.
 SWITCH_SURGE_FACTOR = {"SCR": 10.0, "MOSFET": 4.0, "IGBT": 3.0}
 CAPACITOR_SURGE_FACTOR = 5.0
+
+
+def switch_pulse_limit_a(switch) -> float:
+    """Импульсный предел тока ключа для одиночного выстрела.
+
+    Приоритет — паспортный импульсный рейтинг из даташита (ITSM тиристора,
+    IDM MOSFET, ICM IGBT), занесённый в базу компонентов. Только если его
+    нет — консервативный типовой множитель SWITCH_SURGE_FACTOR к
+    продолжительному току.
+    """
+    pulse = getattr(switch, "pulse_current_a", None)
+    if pulse:
+        return float(pulse)
+    return switch.max_current_a * SWITCH_SURGE_FACTOR.get(switch.kind, 4.0)
+
+
+G_ACCEL_M_S2 = 9.81
+# Сухое трение скольжения сталь↔пластик (ПВХ/оргстекло): типично 0.3–0.4.
+# Труба горизонтальна: нормальная сила = m·g. Оценка, вынесена для уточнения
+# по реальному замеру (наклонная плоскость с реальной трубкой и снарядом).
+FRICTION_COEFF_SLUG_TUBE = 0.35
+AIR_DENSITY_KG_M3 = 1.2  # при ~20°C, уровень моря
+# Cd плоского торца цилиндра в свободном потоке ~0.8–1.2. ЧЕСТНО: в узкой
+# трубе есть ещё поршневой эффект (снаряд толкает столб воздуха) — он НЕ
+# учтён и занижает потери на высоких скоростях в длинной трубе.
+DRAG_COEFF_CYLINDER = 0.85

src/gausse/physics/inductance.py

@@ -107,10 +107,15 @@ class CoilInductanceModel:
     smoothing_width_m: float
     total_turns: int = 0
     b_sat_tesla: float = 1e9  # по умолчанию насыщение отключено (для геом. тестов)
+    # Доля сечения катушки, занятая железом: A_снаряда/A_среднего витка (≤1).
+    # λ = n·(B_fe·A_fe + B_возд·(A−A_fe)) ⇒ L = L_air·(1+(μ−1)·fill·overlap).
+    # БЕЗ этого тонкий снаряд в толстой катушке получал усиление как будто
+    # железо заполняет ВСЁ сечение — оптимизатор эксплуатировал (КПД «82%»).
+    iron_fill_factor: float = 1.0
 
     @property
     def l_iron_coeff(self) -> float:
-        return self.l_air_h * (self.mu_eff - 1.0)
+        return self.l_air_h * (self.mu_eff - 1.0) * self.iron_fill_factor
 
     @property
     def saturation_current_a(self) -> float:

src/gausse/physics/losses.py

@@ -46,10 +46,22 @@ def eddy_reflected_resistance_ohm(
     r_eddy_loop = 2 * math.pi * slug_resistivity_ohm_m / slug_length_m
     if r_eddy_loop <= 0:
         return 0.0
-    return (char_omega_rad_s * mutual) ** 2 / r_eddy_loop
+    # собственная индуктивность вихревого контура (виток-соленоид длиной снаряда):
+    # полная формула отражения R = (ωM)²·R₂/(R₂²+(ωL₂)²) вместо резистивно-
+    # доминированного приближения (ωM)²/R₂ — иначе на высоких ω (вырожденные
+    # короткие катушки) отражённое сопротивление нефизично улетало в сотни кОм.
+    l_eddy_loop = MU_0 * a_slug / slug_length_m
+    om = char_omega_rad_s
+    return (om * mutual) ** 2 * r_eddy_loop / (r_eddy_loop**2 + (om * l_eddy_loop) ** 2)
 
 
 def hysteresis_energy_j(slug_radius_m: float, slug_length_m: float, n_cycles: float = 1.0) -> float:
-    """Энергия гистерезиса за выстрел (Дж) — вторичный канал, обычно << вихревых."""
+    """Энергия гистерезиса за выстрел (Дж) — вторичный канал, обычно << вихревых.
+
+    СОЗНАТЕЛЬНО не подключена в динамику: для типичных снарядов это
+    ~0.005–0.05 Дж на выстрел (<0.1% энергии банки) — на порядки меньше
+    вихревых потерь, уже сидящих в контуре через r_eddy. Вкручивать её в
+    ОДУ значило бы изображать точность, которой у модели нет.
+    """
     volume = math.pi * slug_radius_m**2 * slug_length_m
     return HYSTERESIS_LOSS_J_PER_M3 * volume * n_cycles

src/gausse/physics/sensors.py

@@ -29,7 +29,7 @@ def _sech2(z: np.ndarray) -> np.ndarray:
 
 
 def make_optical_sensor_event(x_sensor_m: float) -> SensorEvent:
-    def event(t: float, state: np.ndarray) -> float:
+    def event(t: float, state: np.ndarray, *_args) -> float:
         return state[0] - x_sensor_m
 
     event.terminal = True
@@ -43,7 +43,7 @@ def make_inductive_sensor_event(
     threshold_v: float,
     width_m: float,
 ) -> SensorEvent:
-    def event(t: float, state: np.ndarray) -> float:
+    def event(t: float, state: np.ndarray, *_args) -> float:
         x, v = state
         bump = _sech2((x - x_sensor_m) / width_m)
         return sensitivity_v_per_mps * v * bump - threshold_v

src/gausse/report/animate.py

@@ -1,10 +1,15 @@
-"""Анимация одного прогона: снаряд летит по трубе, катушки светятся по току.
+"""Анимация одного прогона: снаряд в трубе + ток катушек + скорость, всё во времени.
 
-Строит СПЛОШНУЮ траекторию (баллистический подлёт к датчику + разряд по
-каждой ступени, сшитые по глобальному времени/координате) и рендерит кадр
-за кадром: положение снаряда в трубе + "свечение" каждой катушки
-пропорционально её текущему току (яркая -- сильное поле, тусклая -- нет).
-Сохраняется как GIF через встроенный в matplotlib PillowWriter.
+Честность по времени: кадры берутся на РАВНОМЕРНОЙ сетке по физическому
+времени (раньше — по индексам массива, из-за чего плотные точки разряда
+съедали все кадры, а подлёт между катушками «вырезался»). Всё событие
+показывается целиком в замедлении, множитель замедления написан в кадре.
+
+Результат эксперимента — в самом кадре:
+- шапка: выходная скорость, КПД, энергия банок, масса снаряда, ступени;
+- средняя панель: ток каждой катушки во времени (окна разрядов подкрашены);
+- нижняя панель: скорость снаряда во времени;
+- бегущий курсор на обеих панелях синхронен с положением снаряда в трубе.
 """
 
 from pathlib import Path
@@ -19,19 +24,21 @@ import numpy as np
 
 from gausse.sim.coilgun import CoilgunConfig, CoilgunResult
 
+_STAGE_COLORS = ["#d4a017", "#c0392b", "#2980b9", "#27ae60", "#8e44ad",
+                 "#d35400", "#16a085", "#7f8c8d", "#2c3e50", "#e91e63"]
 
-def _build_global_timeline(result: CoilgunResult, config: CoilgunConfig, fps: int):
-    """Непрерывная траектория снаряда: коаст (по инерции) + разряды по ступеням.
 
-    Строится ПОСЛЕДОВАТЕЛЬНО (без сортировки по времени, которая рвала
-    траекторию): между разрядами снаряд летит по инерции от конца прошлого
-    разряда до начала следующего; во время разряда берём точно посчитанные
-    discharge_x/v/i. Глобальная координата = центр катушки ступени + локальный
-    discharge_x. Ток каждой катушки задан только в окне её собственного разряда.
+def _build_global_timeline(result: CoilgunResult, config: CoilgunConfig):
+    """Непрерывные t/x/v + ток по каждой ступени + окна разрядов.
+
+    Строится последовательно: подлёт (скорость почти постоянна на сантиметрах
+    межкатушечного зазора) + точные траектории разрядов из решателя.
+    Глобальная координата = центр катушки ступени + локальный discharge_x.
     """
     n_stages = len(config.stages)
-    seg_t, seg_x = [], []
+    seg_t, seg_x, seg_v = [], [], []
     seg_i = [[] for _ in range(n_stages)]
+    discharge_windows = []  # (t_start, t_end, stage_idx)
 
     t_cursor = 0.0
     prev_global_x = None
@@ -44,14 +51,15 @@ def _build_global_timeline(result: CoilgunResult, config: CoilgunConfig, fps: in
         disch_global_x = outcome.global_coil_center_m + r.discharge_x
         start_global_x = float(disch_global_x[0])
 
-        # коаст по инерции от конца прошлого разряда до начала этого
+        # подлёт от конца прошлого разряда до момента поджига этого
         if prev_global_x is not None and prev_v and prev_v > 1e-6:
-            coast_dist = start_global_x - prev_global_x
-            coast_dur = max(coast_dist / prev_v, 0.0)
-            n_coast = max(int(coast_dur * fps) + 2, 2)
+            coast_dist = max(start_global_x - prev_global_x, 0.0)
+            coast_dur = coast_dist / prev_v
+            n_coast = 16
             ct = np.linspace(0.0, coast_dur, n_coast)
             seg_t.append(t_cursor + ct)
             seg_x.append(np.linspace(prev_global_x, start_global_x, n_coast))
+            seg_v.append(np.full(n_coast, prev_v))
             for s in range(n_stages):
                 seg_i[s].append(np.zeros(n_coast))
             t_cursor += coast_dur
@@ -59,8 +67,10 @@ def _build_global_timeline(result: CoilgunResult, config: CoilgunConfig, fps: in
         # окно разряда: точная траектория + ток именно этой катушки
         seg_t.append(t_cursor + r.discharge_t)
         seg_x.append(disch_global_x)
+        seg_v.append(r.discharge_v)
         for s in range(n_stages):
             seg_i[s].append(r.discharge_i if s == outcome.stage_index else np.zeros_like(r.discharge_t))
+        discharge_windows.append((t_cursor, t_cursor + float(r.discharge_t[-1]), outcome.stage_index))
         t_cursor += float(r.discharge_t[-1])
 
         prev_global_x = float(disch_global_x[-1])
@@ -71,38 +81,102 @@ def _build_global_timeline(result: CoilgunResult, config: CoilgunConfig, fps: in
 
     times = np.concatenate(seg_t)
     positions = np.concatenate(seg_x)
+    velocities = np.concatenate(seg_v)
     currents = [np.concatenate(seg_i[s]) for s in range(n_stages)]
-    return times, positions, currents
+    # страховка от немонотонности на стыках сегментов (float-складки)
+    order = np.argsort(times, kind="stable")
+    return times[order], positions[order], velocities[order], currents, order, discharge_windows
 
 
 def animate_run(result: CoilgunResult, config: CoilgunConfig, out_path: str, fps: int = 30) -> str:
     if not result.stage_outcomes:
         raise ValueError("нечего анимировать: нет ни одной ступени в результате")
 
-    times, positions, currents = _build_global_timeline(result, config, fps)
-    n_frames = min(len(times), fps * 10)  # ограничение на длину анимации
-    frame_idx = np.linspace(0, len(times) - 1, n_frames).astype(int)
+    times, positions, velocities, currents_raw, order, windows = _build_global_timeline(result, config)
+    currents = [c[order] for c in currents_raw]
+    total_t = float(times[-1])
+
+    # РАВНОМЕРНАЯ сетка по физическому времени: ничего не вырезается,
+    # всё событие целиком в замедлении (множитель — в кадре)
+    wall_duration_s = 8.0
+    n_frames = int(wall_duration_s * fps)
+    t_grid = np.linspace(0.0, total_t, n_frames)
+    x_grid = np.interp(t_grid, times, positions)
+    v_grid = np.interp(t_grid, times, velocities)
+    i_grid = [np.interp(t_grid, times, c) for c in currents]
+    slowmo = wall_duration_s / max(total_t, 1e-9)
 
     coil_centers = [o.global_coil_center_m for o in result.stage_outcomes]
-    max_current_per_stage = [max(np.max(np.abs(c)), 1e-9) for c in currents]
+    t_ms = times * 1e3
 
-    fig, ax = plt.subplots(figsize=(8, 3))
+    fig, (ax_tube, ax_i, ax_v) = plt.subplots(
+        3, 1, figsize=(9, 7.5), gridspec_kw={"height_ratios": [1.1, 1.4, 1.4], "hspace": 0.45}
+    )
+
+    # --- шапка: РЕЗУЛЬТАТ эксперимента ---
+    eff = result.efficiency
+    header = (
+        f"выход {result.exit_v_mps:.1f} м/с | КПД {eff * 100:.1f}% | "
+        f"{len(config.stages)} ступ. | E_банок {result.total_energy_in_j:.0f} Дж | "
+        f"снаряд {config.projectile.mass_kg * 1e3:.0f} г"
+        if result.feasible and eff is not None
+        else f"НЕРЕАЛИЗУЕМО: {result.reason}"
+    )
+    fig.suptitle(header, fontsize=12, fontweight="bold")
+
+    # --- панель 1: труба ---
     tube_min, tube_max = positions.min(), positions.max()
-    ax.set_xlim(tube_min * 1e3 - 5, tube_max * 1e3 + 5)
-    ax.set_ylim(-1, 1)
-    ax.set_xlabel("положение, мм")
-    ax.set_yticks([])
-    ax.set_title("Пролёт снаряда через ступени")
-
-    ax.axhline(0, color="#888", linewidth=3, zorder=1)  # труба
+    pad = max((tube_max - tube_min) * 0.05, 0.005)
+    ax_tube.set_xlim((tube_min - pad) * 1e3, (tube_max + pad) * 1e3)
+    ax_tube.set_ylim(-1, 1)
+    ax_tube.set_xlabel("положение, мм")
+    ax_tube.set_yticks([])
+    ax_tube.axhline(0, color="#888", linewidth=3, zorder=1)  # труба
     coil_dots = []
     for k, c in enumerate(coil_centers):
-        dot = ax.scatter([c * 1e3], [0], s=600, c="lightgray", edgecolors="#333", linewidths=1.5, zorder=2)
-        ax.annotate(f"катушка {k}", (c * 1e3, 0), textcoords="offset points", xytext=(0, 22),
-                    ha="center", fontsize=8, color="#555")
+        color = _STAGE_COLORS[k % len(_STAGE_COLORS)]
+        dot = ax_tube.scatter([c * 1e3], [0], s=500, c="lightgray",
+                              edgecolors=color, linewidths=2, zorder=2)
+        ax_tube.annotate(f"катушка {k}", (c * 1e3, 0), textcoords="offset points",
+                         xytext=(0, 20), ha="center", fontsize=8, color=color)
+        # позиция датчика этой ступени (у каждой катушки свой)
+        sensor_x = (c - config.stages[k].sensor_to_coil_distance_m) * 1e3
+        ax_tube.plot([sensor_x], [-0.35], marker="v", color=color, markersize=6, zorder=2)
         coil_dots.append(dot)
-    slug_dot = ax.scatter([], [], s=180, c="#1f4e8c", edgecolors="white", linewidths=1, zorder=3)
-    time_text = ax.text(0.02, 0.88, "", transform=ax.transAxes, fontsize=10)
+    ax_tube.plot([], [], marker="v", linestyle="", color="#555", label="датчики")
+    ax_tube.legend(loc="upper left", fontsize=7, frameon=False)
+    slug_dot = ax_tube.scatter([], [], s=160, c="#1f4e8c", edgecolors="white", linewidths=1, zorder=3)
+    info_text = ax_tube.text(0.99, 1.25, "", transform=ax_tube.transAxes,
+                             fontsize=9, ha="right", va="top")
+
+    # --- панель 2: ток каждой катушки во времени ---
+    for k in range(len(config.stages)):
+        color = _STAGE_COLORS[k % len(_STAGE_COLORS)]
+        ax_i.plot(t_ms, currents[k], color=color, linewidth=1.2, label=f"катушка {k}")
+    for (w0, w1, k) in windows:
+        ax_i.axvspan(w0 * 1e3, w1 * 1e3, color=_STAGE_COLORS[k % len(_STAGE_COLORS)], alpha=0.08)
+    ax_i.set_ylabel("ток, А")
+    ax_i.set_xlabel("время, мс")
+    ax_i.legend(loc="upper right", fontsize=7, frameon=False, ncols=2)
+    ax_i.grid(alpha=0.25)
+    cursor_i = ax_i.axvline(0.0, color="#333", linewidth=1)
+
+    # --- панель 3: скорость снаряда во времени ---
+    ax_v.plot(t_ms, velocities, color="#1f4e8c", linewidth=1.6)
+    for (w0, w1, k) in windows:
+        ax_v.axvspan(w0 * 1e3, w1 * 1e3, color=_STAGE_COLORS[k % len(_STAGE_COLORS)], alpha=0.08)
+    ax_v.set_ylabel("скорость, м/с")
+    ax_v.set_xlabel("время, мс")
+    ax_v.grid(alpha=0.25)
+    if result.feasible and result.exit_v_mps is not None:
+        ax_v.axhline(result.exit_v_mps, color="#27ae60", linewidth=0.8, linestyle="--")
+        ax_v.annotate(f"выход {result.exit_v_mps:.1f} м/с",
+                      (t_ms[-1], result.exit_v_mps), ha="right", va="bottom",
+                      fontsize=8, color="#27ae60")
+    cursor_v = ax_v.axvline(0.0, color="#333", linewidth=1)
+    v_dot = ax_v.scatter([], [], s=30, c="#1f4e8c", zorder=3)
+
+    max_i_per_stage = [max(float(np.max(np.abs(c))), 1e-9) for c in currents]
 
     def _coil_color(intensity):
         # выкл -> светло-серый; максимум тока -> яркое золото (свечение поля)
@@ -111,15 +185,18 @@ def animate_run(result: CoilgunResult, config: CoilgunConfig, out_path: str, fps
         on = np.array([1.0, 0.78, 0.0])
         return tuple(off + (on - off) * t)
 
-    def update(frame_i):
-        idx = frame_idx[frame_i]
-        slug_dot.set_offsets([[positions[idx] * 1e3, 0]])
-        for stage_idx, dots in enumerate(coil_dots):
-            intensity = abs(currents[stage_idx][idx]) / max_current_per_stage[stage_idx]
+    def update(f):
+        slug_dot.set_offsets([[x_grid[f] * 1e3, 0]])
+        for k, dots in enumerate(coil_dots):
+            intensity = abs(i_grid[k][f]) / max_i_per_stage[k]
             dots.set_color(_coil_color(intensity))
-            dots.set_sizes([600 + 400 * min(intensity, 1.0)])  # чуть раздувается при разряде
-        time_text.set_text(f"t = {times[idx] * 1e3:.3f} мс")
-        return [slug_dot, time_text, *coil_dots]
+            dots.set_edgecolor(_STAGE_COLORS[k % len(_STAGE_COLORS)])
+            dots.set_sizes([500 + 350 * min(intensity, 1.0)])
+        info_text.set_text(f"t = {t_grid[f] * 1e3:.2f} мс | v = {v_grid[f]:.1f} м/с | замедление ×{slowmo:.0f}")
+        cursor_i.set_xdata([t_grid[f] * 1e3])
+        cursor_v.set_xdata([t_grid[f] * 1e3])
+        v_dot.set_offsets([[t_grid[f] * 1e3, v_grid[f]]])
+        return [slug_dot, info_text, cursor_i, cursor_v, v_dot, *coil_dots]
 
     anim = animation.FuncAnimation(fig, update, frames=n_frames, interval=1000 / fps, blit=False)
     out_path = str(out_path)

src/gausse/sim/stage.py

@@ -28,7 +28,14 @@ from gausse.physics.inductance import (
     effective_permeability,
     winding_geometry,
 )
-from gausse.physics.constants import SWITCH_SURGE_FACTOR
+from gausse.physics.ac_resistance import dowell_ac_factor, iron_penetration_fraction
+from gausse.physics.constants import (
+    AIR_DENSITY_KG_M3,
+    DRAG_COEFF_CYLINDER,
+    FRICTION_COEFF_SLUG_TUBE,
+    G_ACCEL_M_S2,
+    switch_pulse_limit_a,
+)
 from gausse.physics.force import saturation_scale, solenoid_field_estimate_tesla
 from gausse.physics.losses import eddy_reflected_resistance_ohm
 from gausse.physics.sensors import (
@@ -114,8 +121,23 @@ def _switch_equivalent_resistance_ohm(
     return drop_v / max(i_ref, 1e-6)
 
 
-def _ballistic_derivatives(t: float, state: np.ndarray) -> list[float]:
-    return [state[1], 0.0]
+def _coast_derivatives(t: float, state: np.ndarray, retard_const_n: float, drag_coeff: float, mass_kg: float) -> list[float]:
+    """Подлёт к датчику: не баллистика в вакууме, а с трением о трубку и воздухом.
+
+    Трение сглажено tanh'ом (см. circuit.FRICTION_SMOOTHING_V_MPS) — разрывный
+    sign(v) заставляет адаптивный решатель бесконечно дробить шаг у v≈0.
+    """
+    v = state[1]
+    retard = (retard_const_n + drag_coeff * v * v) * math.tanh(v / circuit.FRICTION_SMOOTHING_V_MPS)
+    return [v, -retard / mass_kg]
+
+
+def _stall_event(t: float, state: np.ndarray, *_args) -> float:
+    return state[1] - 1e-3  # снаряд практически остановился (трение съело скорость)
+
+
+_stall_event.terminal = True
+_stall_event.direction = -1.0
 
 
 @dataclass(frozen=True)
@@ -133,23 +155,31 @@ class StagePhysics:
     r_eddy_coeff_ohm: float
     capacitance_f: float
     mu_eff: float
+    r_wire_dc_ohm: float = 0.0
+    r_ac_factor: float = 1.0  # R_AC/R_DC обмотки (скин + близость, Доуэлл)
 
 
 def build_stage_physics(stage: StageConfig, projectile: ProjectileConfig) -> StagePhysics:
     wire_od_m = stage.wire.insulation_od_mm / 1000
     geometry = winding_geometry(stage.tube_od_m, wire_od_m, stage.turns_per_layer, stage.layers)
-    r_wire = _wire_resistance_ohm(stage.wire, geometry.total_wire_length_m)
+    r_wire_dc = _wire_resistance_ohm(stage.wire, geometry.total_wire_length_m)
     capacitance_f = stage.capacitor.capacitance_uf * 1e-6
     l_air_h = air_core_inductance_wheeler(
         geometry.mean_radius_m, geometry.coil_length_m, geometry.radial_depth_m, geometry.total_turns
     )
+    char_omega = 1.0 / math.sqrt(l_air_h * capacitance_f)
+    # скин + эффект близости: на частоте импульса обмотка сопротивляется
+    # сильнее, чем по DC (для толстого провода во многих слоях — в разы)
+    r_ac_factor = dowell_ac_factor(
+        stage.wire.gauge_mm / 1000, wire_od_m, stage.layers, stage.wire.resistivity_ohm_m, char_omega
+    )
+    r_wire = r_wire_dc * r_ac_factor
     r_switch = _switch_equivalent_resistance_ohm(
         stage.switch, capacitance_f, l_air_h, stage.charge_voltage_v
     )
     r_total_ohm = r_wire + r_switch + stage.capacitor.esr_ohm
     demag = demagnetizing_factor_prolate(projectile.aspect_ratio)
     mu_eff = effective_permeability(projectile.material.mu_r, demag)
-    char_omega = 1.0 / math.sqrt(l_air_h * capacitance_f)
     r_eddy_coeff = eddy_reflected_resistance_ohm(
         slug_radius_m=projectile.diameter_m / 2,
         slug_length_m=projectile.length_m,
@@ -159,6 +189,17 @@ def build_stage_physics(stage: StageConfig, projectile: ProjectileConfig) -> Sta
         coil_length_m=geometry.coil_length_m,
         char_omega_rad_s=char_omega,
     )
+    # доля сечения катушки, реально занятая железом (см. inductance.py):
+    # тонкий снаряд в толстой катушке не может усиливать ВЕСЬ поток;
+    # и из этого железа за импульс намагничивается только скин-кольцо
+    # глубиной δ (диффузия поля, см. ac_resistance.iron_penetration_fraction)
+    fill = min((projectile.diameter_m / 2) ** 2 / geometry.mean_radius_m**2, 1.0)
+    fill *= iron_penetration_fraction(
+        projectile.diameter_m / 2,
+        projectile.material.resistivity_ohm_m,
+        projectile.material.mu_r,
+        char_omega,
+    )
     inductance_model = CoilInductanceModel(
         l_air_h=l_air_h,
         coil_length_m=geometry.coil_length_m,
@@ -167,12 +208,17 @@ def build_stage_physics(stage: StageConfig, projectile: ProjectileConfig) -> Sta
         smoothing_width_m=wire_od_m,
         total_turns=geometry.total_turns,
         b_sat_tesla=projectile.material.b_sat_tesla,
+        iron_fill_factor=fill,
     )
+    mass_kg = projectile.mass_kg
+    frontal_area_m2 = math.pi * (projectile.diameter_m / 2) ** 2
     circuit_params = StageCircuitParams(
         capacitance_f=capacitance_f,
         r_total_ohm=r_total_ohm,
-        mass_kg=projectile.mass_kg,
+        mass_kg=mass_kg,
         r_eddy_coeff_ohm=r_eddy_coeff,
+        retard_const_n=FRICTION_COEFF_SLUG_TUBE * mass_kg * G_ACCEL_M_S2,
+        drag_coeff_n_per_mps2=0.5 * AIR_DENSITY_KG_M3 * DRAG_COEFF_CYLINDER * frontal_area_m2,
     )
     return StagePhysics(
         inductance_model=inductance_model,
@@ -182,6 +228,8 @@ def build_stage_physics(stage: StageConfig, projectile: ProjectileConfig) -> Sta
         r_eddy_coeff_ohm=r_eddy_coeff,
         capacitance_f=capacitance_f,
         mu_eff=mu_eff,
+        r_wire_dc_ohm=r_wire_dc,
+        r_ac_factor=r_ac_factor,
     )
 
 
@@ -201,6 +249,21 @@ def run_stage(
     inductance_model = phys.inductance_model
     wire_od_m = stage.wire.insulation_od_mm / 1000
 
+    # Вырожденный контур — вне области применимости модели: при постоянной
+    # времени L/R (с учётом вихревых при полном перекрытии) короче ~100 нс
+    # (например, катушка в несколько витков длиной пару мм) ОДУ становится
+    # неинтегрируемо жёсткой (решатель молотит минутами), а сама инженерная
+    # модель индуктивности/вихрей там уже не имеет смысла. Честный быстрый отказ.
+    tau_worst_s = inductance_model.l_air_h / (r_total_ohm + r_eddy_coeff + 1e-12)
+    if tau_worst_s < 1e-7:
+        return StageResult(
+            feasible=False,
+            reason=(
+                f"вырожденная катушка: постоянная времени контура {tau_worst_s*1e9:.1f} нс "
+                f"(< 100 нс) — вне области применимости модели"
+            ),
+        )
+
     x_sensor_m = -stage.sensor_to_coil_distance_m
 
     if stage.sensor.kind == "inductive":
@@ -223,14 +286,21 @@ def run_stage(
     else:
         sensor_event = make_optical_sensor_event(x_sensor_m)
 
+    cp = phys.circuit_params
     flight_sol = solve_ivp(
-        _ballistic_derivatives,
+        _coast_derivatives,
         (0.0, stage.sensor_time_budget_s),
         [entry_x_m, entry_v_mps],
-        events=sensor_event,
+        args=(cp.retard_const_n, cp.drag_coeff_n_per_mps2, mass_kg),
+        events=(sensor_event, _stall_event),
         rtol=1e-8,
         atol=1e-10,
     )
+    if len(flight_sol.t_events[1]) > 0 and len(flight_sol.t_events[0]) == 0:
+        return StageResult(
+            feasible=False,
+            reason="снаряд остановлен трением о трубку, не долетев до датчика",
+        )
     if len(flight_sol.t_events[0]) == 0:
         return StageResult(
             feasible=False,
@@ -255,13 +325,18 @@ def run_stage(
         (0.0, stage.discharge_time_budget_s),
         [q0, 0.0, x_fire_m, v_fire_mps],
         args=(inductance_model, circuit_params),
-        events=(circuit.zero_current_crossing_event, circuit.current_local_min_event),
+        events=(
+            circuit.zero_current_crossing_event,
+            circuit.current_local_min_event,
+            # ключ закрывается сам при токе ниже удержания (см. circuit.py)
+            circuit.make_current_decay_event(),
+        ),
         rtol=1e-8,
         atol=1e-11,
     )
     # какое из событий оборвало разряд первым
     term_candidates = []
-    for ev_idx in range(2):
+    for ev_idx in range(3):
         if len(discharge_sol.t_events[ev_idx]) > 0:
             term_candidates.append((discharge_sol.t_events[ev_idx][0], discharge_sol.y_events[ev_idx][0]))
     if not term_candidates:
@@ -284,7 +359,12 @@ def run_stage(
     # её гасит обратный диод (freewheel), учитываем как потери, чтобы энергия
     # сходилась. Считаем ТОЧНО (с насыщением), а не ½LI².
     residual_inductor_j = float(inductance_model.magnetic_energy(x_final, i_final))
-    energy_dissipated_j = resistive_diss + residual_inductor_j
+    # работа трения о трубку и воздуха ЗА РАЗРЯД: P = (F_тр + F_возд)·|v|
+    v_during = discharge_sol.y[3]
+    friction_diss = float(
+        np.trapezoid((cp.retard_const_n + cp.drag_coeff_n_per_mps2 * v_during**2) * np.abs(v_during), discharge_sol.t)
+    )
+    energy_dissipated_j = resistive_diss + residual_inductor_j + friction_diss
     kinetic_before_j = 0.5 * mass_kg * v_fire_mps**2
     kinetic_after_j = 0.5 * mass_kg * v_final**2
 
@@ -310,13 +390,13 @@ def run_stage(
     # Батарея конденсаторов — только предупреждение (см. build_detail):
     # электролиты переносят высокий импульсный ток, а в базе — паспортный
     # непрерывный/ripple рейтинг, поэтому жёстко браковать по нему нечестно.
-    switch_surge_a = stage.switch.max_current_a * SWITCH_SURGE_FACTOR.get(stage.switch.kind, 4.0)
+    switch_surge_a = switch_pulse_limit_a(stage.switch)
     if peak_current_a > switch_surge_a:
         return StageResult(
             feasible=False,
             reason=(
                 f"пиковый ток {peak_current_a:.0f} А превышает импульсный предел ключа "
-                f"{stage.switch.part_number} ({switch_surge_a:.0f} А = {stage.switch.max_current_a:.0f} А × surge)"
+                f"{stage.switch.part_number} ({switch_surge_a:.0f} А, даташит/surge)"
             ),
             t_sensor_s=t_sensor_s,
             t_fire_s=t_sensor_s + fire_delay_s,

src/gausse/storage/database.py

@@ -9,26 +9,142 @@
 
 import sqlite3
 import sys
-from dataclasses import asdict, fields
+from dataclasses import asdict, dataclass, fields
 from pathlib import Path
 
-from gausse.storage.schema import CREATE_INDEXES_SQL, CREATE_RUNS_TABLE_SQL, RunRecord
+from gausse.storage.schema import CREATE_INDEXES_SQL, CREATE_RUNS_TABLE_SQL, CREATE_STATS_SQL, RunRecord
 
 _COLUMNS = [f.name for f in fields(RunRecord)]
 
 
+@dataclass(frozen=True)
+class StatsOnly:
+    """Лёгкое сообщение писателю: учесть оценку в агрегатах дашборда
+    (счётчики/гистограмма/причины), НЕ сохраняя строку в runs.
+
+    Эволюция шлёт такое для РЯДОВЫХ геномов поколения, а полной строкой
+    пишет только улучшения лучших (см. optim/evolutionary.py): хранить
+    миллионы проходных геномов незачем, а вставка каждого в HDD-базу с
+    6 индексами была узким местом всего конвейера (GPU считал цикл за
+    ~23 мин, дозапись хвоста очереди шла часами при ~150 строк/с).
+    Атрибуты названы как у RunRecord — _apply_stats работает с обоими.
+    """
+
+    search_mode: str
+    feasible: bool
+    efficiency: float | None
+    infeasible_reason: str | None
+
+
 def open_connection(db_path: Path) -> sqlite3.Connection:
     db_path = Path(db_path)
     db_path.parent.mkdir(parents=True, exist_ok=True)
     conn = sqlite3.connect(str(db_path))
     conn.execute("PRAGMA journal_mode=WAL")
+    # не давать WAL расти безгранично: при потоке вставок 400/с и постоянных
+    # читателях (веб) авто-чекпоинт голодает, WAL раздувался до гигабайт и
+    # замедлял ВСЕ запросы. Лимит + периодический чекпоинт в писателе.
+    conn.execute("PRAGMA journal_size_limit=67108864")  # 64МБ
     conn.execute(CREATE_RUNS_TABLE_SQL)
     for statement in CREATE_INDEXES_SQL:
         conn.execute(statement)
+    for statement in CREATE_STATS_SQL:
+        conn.execute(statement)
     conn.commit()
     return conn
 
 
+def short_reason(reason: str | None) -> str | None:
+    """Причина отказа без деталей конкретного прогона (для группировки)."""
+    return reason.split(":", 1)[0] if reason else reason
+
+
+def _efficiency_bucket(efficiency: float | None) -> int | None:
+    """Корзина гистограммы КПД 0..9 (та же логика, что раньше в SQL-агрегате)."""
+    if efficiency is None:
+        return None
+    b = min(int(efficiency * 10), 9)
+    return b if 0 <= b <= 9 else None
+
+
+def _apply_stats(conn: sqlite3.Connection, records: list) -> None:
+    """Инкремент агрегатов дашборда — вызывается внутри транзакции вставки.
+
+    Принимает и RunRecord, и StatsOnly (одинаковые имена атрибутов)."""
+    n_feasible = sum(1 for r in records if r.feasible)
+    conn.execute(
+        "INSERT INTO stats_counters(key, value) VALUES('total', ?) "
+        "ON CONFLICT(key) DO UPDATE SET value = value + excluded.value",
+        (len(records),),
+    )
+    conn.execute(
+        "INSERT INTO stats_counters(key, value) VALUES('feasible', ?) "
+        "ON CONFLICT(key) DO UPDATE SET value = value + excluded.value",
+        (n_feasible,),
+    )
+    hist: dict[int, int] = {}
+    reasons: dict[str, int] = {}
+    modes: dict[str, int] = {}
+    for r in records:
+        modes[r.search_mode] = modes.get(r.search_mode, 0) + 1
+        if r.feasible:
+            b = _efficiency_bucket(r.efficiency)
+            if b is not None:
+                hist[b] = hist.get(b, 0) + 1
+        elif r.infeasible_reason:
+            key = short_reason(r.infeasible_reason)
+            reasons[key] = reasons.get(key, 0) + 1
+    conn.executemany(
+        "INSERT INTO stats_hist(bucket, count) VALUES(?, ?) "
+        "ON CONFLICT(bucket) DO UPDATE SET count = count + excluded.count",
+        list(hist.items()),
+    )
+    conn.executemany(
+        "INSERT INTO stats_reasons(reason, count) VALUES(?, ?) "
+        "ON CONFLICT(reason) DO UPDATE SET count = count + excluded.count",
+        list(reasons.items()),
+    )
+    conn.executemany(
+        "INSERT INTO stats_modes(mode, count) VALUES(?, ?) "
+        "ON CONFLICT(mode) DO UPDATE SET count = count + excluded.count",
+        list(modes.items()),
+    )
+
+
+def rebuild_stats(conn: sqlite3.Connection) -> None:
+    """Пересобирает агрегаты из таблицы runs (миграция старой базы; один раз)."""
+    conn.execute("DELETE FROM stats_counters")
+    conn.execute("DELETE FROM stats_hist")
+    conn.execute("DELETE FROM stats_reasons")
+    conn.execute("DELETE FROM stats_modes")
+    total = conn.execute("SELECT COUNT(*) FROM runs").fetchone()[0]
+    feasible = conn.execute("SELECT COUNT(*) FROM runs WHERE feasible=1").fetchone()[0]
+    conn.execute("INSERT INTO stats_counters VALUES('total', ?)", (total,))
+    conn.execute("INSERT INTO stats_counters VALUES('feasible', ?)", (feasible,))
+    conn.execute(
+        "INSERT INTO stats_hist SELECT b, COUNT(*) FROM "
+        "(SELECT MIN(CAST(efficiency*10 AS INT), 9) AS b FROM runs WHERE feasible=1 AND efficiency IS NOT NULL) "
+        "WHERE b BETWEEN 0 AND 9 GROUP BY b"
+    )
+    for reason, cnt in conn.execute(
+        "SELECT infeasible_reason, COUNT(*) FROM runs WHERE feasible=0 AND infeasible_reason IS NOT NULL "
+        "GROUP BY infeasible_reason"
+    ).fetchall():
+        conn.execute(
+            "INSERT INTO stats_reasons VALUES(?, ?) ON CONFLICT(reason) DO UPDATE SET count = count + excluded.count",
+            (short_reason(reason), cnt),
+        )
+    conn.execute("INSERT INTO stats_modes SELECT search_mode, COUNT(*) FROM runs GROUP BY search_mode")
+    conn.commit()
+
+
+def ensure_stats(conn: sqlite3.Connection) -> None:
+    """Если агрегаты пусты, а прогоны есть — база со старой схемой: пересобрать."""
+    has_stats = conn.execute("SELECT COUNT(*) FROM stats_counters").fetchone()[0] > 0
+    if not has_stats and conn.execute("SELECT EXISTS(SELECT 1 FROM runs)").fetchone()[0]:
+        rebuild_stats(conn)
+
+
 def _record_to_params(record: RunRecord) -> dict:
     row = asdict(record)
     row["feasible"] = int(row["feasible"])
@@ -45,15 +161,21 @@ def insert_run(conn: sqlite3.Connection, record: RunRecord) -> None:
     insert_runs(conn, [record])
 
 
-def insert_runs(conn: sqlite3.Connection, records: list[RunRecord]) -> None:
+def insert_runs(conn: sqlite3.Connection, records: list) -> None:
+    """Пишет пачку RunRecord/StatsOnly одной транзакцией: строки runs — только
+    для RunRecord, агрегаты дашборда — по ВСЕМ элементам пачки (либо всё,
+    либо ничего — иначе цифры на морде разъедутся с таблицей)."""
     if not records:
         return
-    placeholders = ", ".join(f":{name}" for name in _COLUMNS)
-    columns = ", ".join(_COLUMNS)
-    conn.executemany(
-        f"INSERT INTO runs ({columns}) VALUES ({placeholders})",
-        [_record_to_params(r) for r in records],
-    )
+    rows = [r for r in records if isinstance(r, RunRecord)]
+    if rows:
+        placeholders = ", ".join(f":{name}" for name in _COLUMNS)
+        columns = ", ".join(_COLUMNS)
+        conn.executemany(
+            f"INSERT INTO runs ({columns}) VALUES ({placeholders})",
+            [_record_to_params(r) for r in rows],
+        )
+    _apply_stats(conn, records)
     conn.commit()
 
 
@@ -81,11 +203,20 @@ def fetch_runs(
     limit: int | None = None,
 ) -> list[RunRecord]:
     conn.row_factory = sqlite3.Row
-    query = "SELECT * FROM runs WHERE 1=1"
+    # топы дашборда: принуждаем частичный DESC-индекс (INDEXED BY) — иначе
+    # планировщик берёт idx_runs_feasible и сортирует сотни тысяч строк
+    # TEMP B-TREE'ом (~2с на запрос). Условие feasible=1 обязано быть
+    # ЛИТЕРАЛОМ: частичный индекс не матчится с bound-параметром.
+    forced_index = ""
+    if feasible is True and min_efficiency is None:
+        if order_by_velocity_desc:
+            forced_index = " INDEXED BY idx_runs_feas_vel"
+        elif order_by_efficiency_desc:
+            forced_index = " INDEXED BY idx_runs_feas_eff"
+    query = f"SELECT * FROM runs{forced_index} WHERE 1=1"
     params: list = []
     if feasible is not None:
-        query += " AND feasible = ?"
-        params.append(int(feasible))
+        query += f" AND feasible = {int(feasible)}"
     if min_efficiency is not None:
         query += " AND efficiency >= ?"
         params.append(min_efficiency)
@@ -101,26 +232,67 @@ def fetch_runs(
 
 
 def run_writer_process(queue, db_path: Path) -> None:
-    """Читает `RunRecord` из очереди и пишет в SQLite, пока не придёт None.
+    """Читает `RunRecord`/`StatsOnly` из очереди и пишет в SQLite до None.
 
     Предназначен для запуска как отдельный `multiprocessing.Process` —
     единственный writer на файл базы, пока воркеры sweep/evolve только
     кладут результаты в очередь.
 
-    Один "плохой" прогон (например, коллизия run_id) не должен уронить
-    писатель и остановить осушение очереди на много часов sweep — при
-    ошибке вставки конкретная запись пропускается с сообщением в stderr,
-    а не молча и не ценой падения всего процесса.
+    ПАЧКАМИ, не по одной: коммит SQLite = fsync (~5-10мс), и по-одному
+    писатель выдавал ~150/с — GPU-эволюция (380+/с) копила хвост очереди в
+    RAM на минуты, который терялся при рестарте сервиса («сохраняем всё»
+    нарушалось). Теперь копим до BATCH записей (или пока очередь не
+    опустела) и вставляем одной транзакцией — тысячи вставок в секунду,
+    хвост исчезает.
+
+    SIGTERM игнорируется: при остановке сервиса systemd шлёт TERM всей
+    группе; писатель обязан дожить до None от главного процесса и дописать
+    ВСЁ, что уже оценено, а не умереть с полной очередью.
+
+    Одна "плохая" пачка (например, коллизия run_id) не роняет писатель:
+    откатываемся и вставляем пачку по одной, пропуская только виновника.
     """
+    import queue as queue_mod
+    import signal
+    import time as time_mod
+
+    signal.signal(signal.SIGTERM, signal.SIG_IGN)
+    BATCH = 500
+    CHECKPOINT_EVERY_S = 60.0
     conn = open_connection(db_path)
+    # если база старая (без агрегатов) — пересобрать ДО первых вставок,
+    # иначе счётчики начнут вестись только с нуля и разойдутся с таблицей
+    ensure_stats(conn)
+    last_checkpoint = time_mod.monotonic()
     try:
-        while True:
-            record = queue.get()
-            if record is None:
-                break
+        finished = False
+        while not finished:
+            batch = [queue.get()]  # блокируемся на первой
+            while len(batch) < BATCH:
+                try:
+                    batch.append(queue.get_nowait())
+                except queue_mod.Empty:
+                    break
+            if batch[-1] is None:
+                finished = True
+                batch.pop()
+            if not batch:
+                continue
             try:
-                insert_run(conn, record)
-            except sqlite3.Error as exc:
-                print(f"[storage] не удалось записать run_id={record.run_id}: {exc}", file=sys.stderr)
+                insert_runs(conn, batch)
+            except sqlite3.Error:
+                conn.rollback()
+                for record in batch:  # ищем виновника, остальное сохраняем
+                    try:
+                        insert_run(conn, record)
+                    except sqlite3.Error as exc:
+                        rid = getattr(record, "run_id", "<stats-only>")
+                        print(f"[storage] не удалось записать run_id={rid}: {exc}", file=sys.stderr)
+            # авто-чекпоинт голодает при постоянном потоке — двигаем WAL сами,
+            # PASSIVE не блокирует читателей
+            if time_mod.monotonic() - last_checkpoint > CHECKPOINT_EVERY_S:
+                conn.execute("PRAGMA wal_checkpoint(PASSIVE)")
+                last_checkpoint = time_mod.monotonic()
     finally:
+        conn.execute("PRAGMA wal_checkpoint(PASSIVE)")
         conn.close()

src/gausse/storage/schema.py

@@ -1,9 +1,18 @@
-"""Схема таблицы `runs` — ВСЕ прогоны (успешные и нет), без прикрас.
+"""Схема таблицы `runs` + агрегаты дашборда.
 
-Нереализуемые конфигурации хранятся наравне с успешными: `feasible=0` +
-`infeasible_reason` с честной причиной. Ничего не отбрасывается перед
-записью — отбор "хороших" результатов делается запросом к этой таблице
-постфактум, а не фильтрацией на входе.
+Честность цифр — через агрегаты: счётчики/гистограмма/причины (stats_*)
+инкрементируются для КАЖДОЙ оценки, включая нереализуемые, в той же
+транзакции писателя. А вот полные СТРОКИ в `runs` пишутся по-разному:
+
+- sweep/manual: каждая оценка — строка (исследовательский режим);
+- evolve (с 2026-07-12): строка — только когда лучший геном острова
+  УЛУЧШИЛСЯ (+ полировка); рядовые миллионы геномов поколения идут в базу
+  как StatsOnly-инкременты счётчиков. Хранить их незачем («сохраняй то,
+  что нужно для эволюции»), а вставка каждого в HDD-базу с 6 индексами
+  была узким местом: GPU считал цикл ~23 мин, дозапись шла часами.
+
+Нереализуемые не приукрашиваются: у строк feasible=0 + честная причина,
+у агрегатов — счётчик причин отказов.
 """
 
 from dataclasses import dataclass
@@ -14,6 +23,13 @@ CREATE TABLE IF NOT EXISTS runs (
     timestamp TEXT NOT NULL,
     search_mode TEXT NOT NULL,
     genome_json TEXT NOT NULL,
+    -- ДЕШЁВАЯ сводка (objective.decoded_summary) — НЕ полная физика по
+    -- ступеням. genome_json сам по себе достаточен, чтобы воспроизвести
+    -- всё через decode()+build_detail() на лету (см. web/stats.run_detail);
+    -- хранить дорогую детализацию для каждого из миллионов прогонов
+    -- бессмысленно — так база росла на пустом месте (70ГБ на 12.9М строк).
+    -- В базах, созданных ДО 2026-07-11, эта колонка содержит старый полный
+    -- build_detail (другая форма записей ступеней) — учитывать при чтении.
     decoded_summary_json TEXT NOT NULL,
     feasible INTEGER NOT NULL,
     infeasible_reason TEXT,
@@ -31,6 +47,21 @@ CREATE_INDEXES_SQL = [
     "CREATE INDEX IF NOT EXISTS idx_runs_efficiency ON runs(efficiency)",
     "CREATE INDEX IF NOT EXISTS idx_runs_velocity ON runs(exit_velocity_mps)",
     "CREATE INDEX IF NOT EXISTS idx_runs_search_mode ON runs(search_mode)",
+    # частичные индексы под топы дашборда: ORDER BY ... DESC при feasible=1
+    # без них top-15 на сотнях тысяч строк занимал ~1.2с на каждый рефреш
+    "CREATE INDEX IF NOT EXISTS idx_runs_feas_eff ON runs(efficiency DESC) WHERE feasible=1",
+    "CREATE INDEX IF NOT EXISTS idx_runs_feas_vel ON runs(exit_velocity_mps DESC) WHERE feasible=1",
+]
+
+# Инкрементальные агрегаты для дашборда: счётчики/гистограмма/причины/режимы
+# обновляются В ТОЙ ЖЕ транзакции, что и вставка прогонов (insert_runs), и
+# читаются за O(1) — иначе каждый рефреш морды сканировал ВСЮ таблицу runs
+# (5.2с на 630к строк, а база растёт годами).
+CREATE_STATS_SQL = [
+    "CREATE TABLE IF NOT EXISTS stats_counters (key TEXT PRIMARY KEY, value INTEGER NOT NULL)",
+    "CREATE TABLE IF NOT EXISTS stats_hist (bucket INTEGER PRIMARY KEY, count INTEGER NOT NULL)",
+    "CREATE TABLE IF NOT EXISTS stats_reasons (reason TEXT PRIMARY KEY, count INTEGER NOT NULL)",
+    "CREATE TABLE IF NOT EXISTS stats_modes (mode TEXT PRIMARY KEY, count INTEGER NOT NULL)",
 ]
 
 

src/gausse/web/page.py

@@ -60,7 +60,9 @@ PAGE_HTML = r"""<!doctype html>
     <div class="card"><div class="k">Реализуемо</div><div class="v" id="c-feas">—</div></div>
     <div class="card"><div class="k">Нереализуемо</div><div class="v" id="c-infeas">—</div></div>
     <div class="card"><div class="k">Доля реализуемых</div><div class="v" id="c-pct">—</div></div>
-    <div class="card"><div class="k">Лучший КПД / скорость</div><div class="v" id="c-best" style="font-size:20px">—</div></div>
+    <div class="card"><div class="k">Лучший КПД за всё время / скорость</div><div class="v" id="c-best" style="font-size:20px">—</div></div>
+    <div class="card"><div class="k">Лучший КПД текущего цикла</div><div class="v" id="c-cycle" style="font-size:20px">—</div></div>
+    <div class="card"><div class="k">GPU (GTX 1070)</div><div class="v" id="c-gpu" style="font-size:20px">—</div></div>
   </div>
 
   <div class="grid2">
@@ -70,7 +72,7 @@ PAGE_HTML = r"""<!doctype html>
         <button class="tgl" id="tab-vel" onclick="setRank('vel')">по скорости</button>
       </h2>
       <table>
-        <thead><tr><th>КПД</th><th>Скор., м/с</th><th>Ступ.</th><th>Цена, ₽</th><th>Режим</th></tr></thead>
+        <thead><tr><th>КПД</th><th>Скор., м/с</th><th>Ступ.</th><th>Цена, ₽</th><th>Режим</th><th>Когда найден</th></tr></thead>
         <tbody id="top"></tbody>
       </table>
       <p class="muted" style="font-size:12px">Клик по строке — полная детализация прогона (расстояния, номиналы, физика).</p>
@@ -107,13 +109,23 @@ function setRank(m){ rankMode=m; if(lastOverview) renderTop(lastOverview);
   document.getElementById('tab-eff').classList.toggle('active', m==='eff');
   document.getElementById('tab-vel').classList.toggle('active', m==='vel'); }
 
+// «Когда найден»: без этой колонки обновление топа было НЕВИДИМО — новая
+// строка 13.63% глазом неотличима от старой 13.44%, и казалось, что таблица
+// застыла. Свежие записи (< 1 часа) подсвечиваются.
+const fmtWhen = ts => {
+  if(!ts) return "—";
+  const d = new Date(ts), ageMs = Date.now()-d.getTime();
+  const t = d.toLocaleString([], {day:'2-digit',month:'2-digit',hour:'2-digit',minute:'2-digit'});
+  return ageMs < 3600e3 ? `<b style="color:#3fb950">${t}</b>` : t;
+};
 function renderTop(o){
   const rows = rankMode==='vel' ? (o.top_by_velocity||[]) : (o.top||[]);
   const top = document.getElementById('top'); top.innerHTML='';
   rows.forEach(t=>{
     const tr=document.createElement('tr'); tr.className='clk';
     tr.innerHTML=`<td>${fmtPct(t.efficiency)}</td><td>${fmt(t.exit_velocity_mps,1)}</td>`+
-      `<td>${t.n_stages??'—'}</td><td>${fmt(t.cost_rub,0)}</td><td><span class="pill">${t.search_mode}</span></td>`;
+      `<td>${t.n_stages??'—'}</td><td>${fmt(t.cost_rub,0)}</td><td><span class="pill">${t.search_mode}</span></td>`+
+      `<td class="muted" style="white-space:nowrap">${fmtWhen(t.timestamp)}</td>`;
     tr.onclick=()=>showDetail(t.run_id);
     top.appendChild(tr);
   });
@@ -131,6 +143,12 @@ async function refresh(){
     let best = (o.top && o.top.length) ? o.top[0].efficiency : null;
     let bestV = (o.top_by_velocity && o.top_by_velocity.length) ? o.top_by_velocity[0].exit_velocity_mps : null;
     document.getElementById('c-best').textContent = fmtPct(best) + (bestV!=null ? ' / '+fmt(bestV,0)+' м/с' : '');
+    document.getElementById('c-cycle').textContent =
+      o.cycle_best_pct==null ? '—' : o.cycle_best_pct.toFixed(2)+'% (цикл идёт)';
+    const g = o.gpu;
+    document.getElementById('c-gpu').textContent = g
+      ? `${g.util_pct}% · ${fmt(g.power_w,0)}Вт · ${g.temp_c}°C`
+      : 'нет данных';
     renderTop(o);
 
     const hist=document.getElementById('hist'); hist.innerHTML='';

src/gausse/web/rebuild.py

@@ -0,0 +1,60 @@
+"""Восстановление симуляции прогона из genome_json — ОДИН общий путь для
+детализации (stats.run_detail) и рендера графиков/анимации (render.py).
+
+Раньше эти два места дублировали decode()+run_coilgun() независимо, причём
+каждый клик по прогону запускал одну и ту же симуляцию до 5 раз (детализация
++ 3 графика + GIF), а run_detail ещё и перечитывал базу компонентов с диска
+на каждый запрос. Здесь: кэш базы компонентов + маленький кэш последних
+симуляций по run_id.
+"""
+
+import json
+import threading
+from pathlib import Path
+
+from gausse.components.database import ComponentDatabase
+from gausse.optim.search_space import SearchBounds, decode, genome_from_dict
+from gausse.sim.coilgun import run_coilgun
+from gausse.storage.database import fetch_run_by_id, open_connection
+
+_db_cache: ComponentDatabase | None = None
+_sim_lock = threading.Lock()
+_sim_cache: dict[str, tuple] = {}  # run_id -> (row, genome, config, result, x0, v0)
+_SIM_CACHE_MAX = 8  # клик по прогону = detail + 3 графика + GIF того же run_id
+
+
+def components_db() -> ComponentDatabase:
+    global _db_cache
+    if _db_cache is None:
+        _db_cache = ComponentDatabase.load()
+    return _db_cache
+
+
+def rebuild_run(db_path: Path, run_id: str):
+    """(row, genome, config, result, initial_x_m, initial_v_mps) либо None,
+    если run_id нет в базе. Ошибки пересимуляции пробрасываются наружу —
+    вызывающий решает, что показать (детализация не должна ронять сервер).
+    """
+    with _sim_lock:
+        cached = _sim_cache.get(run_id)
+    if cached is not None:
+        return cached
+
+    conn = open_connection(db_path)
+    try:
+        row = fetch_run_by_id(conn, run_id)
+    finally:
+        conn.close()
+    if row is None:
+        return None
+
+    genome = genome_from_dict(json.loads(row.genome_json))
+    config, initial_x_m, initial_v_mps = decode(genome, components_db(), SearchBounds())
+    result = run_coilgun(config)
+
+    entry = (row, genome, config, result, initial_x_m, initial_v_mps)
+    with _sim_lock:
+        if len(_sim_cache) >= _SIM_CACHE_MAX:
+            _sim_cache.clear()
+        _sim_cache[run_id] = entry
+    return entry

src/gausse/web/render.py

@@ -7,7 +7,6 @@
 """
 
 import io
-import json
 import tempfile
 import threading
 from pathlib import Path
@@ -18,15 +17,11 @@ matplotlib.use("Agg")
 
 import matplotlib.pyplot as plt
 
-from gausse.components.database import ComponentDatabase
-from gausse.optim.search_space import SearchBounds, decode, genome_from_dict
 from gausse.report.animate import animate_run
 from gausse.report.plots import plot_stage_currents, plot_stage_fields, plot_velocity_vs_position
-from gausse.sim.coilgun import run_coilgun
-from gausse.storage.database import fetch_run_by_id, open_connection
+from gausse.web.rebuild import rebuild_run
 
 _render_lock = threading.Lock()
-_db_cache: ComponentDatabase | None = None
 
 _PLOT_BUILDERS = {
     "velocity": plot_velocity_vs_position,
@@ -35,24 +30,12 @@ _PLOT_BUILDERS = {
 }
 
 
-def _components_db() -> ComponentDatabase:
-    global _db_cache
-    if _db_cache is None:
-        _db_cache = ComponentDatabase.load()
-    return _db_cache
-
-
 def _rebuild_result(db_path: Path, run_id: str):
-    conn = open_connection(db_path)
-    try:
-        row = fetch_run_by_id(conn, run_id)
-    finally:
-        conn.close()
-    if row is None:
+    rebuilt = rebuild_run(db_path, run_id)  # общий кэш симуляций с run_detail
+    if rebuilt is None:
         return None
-    genome = genome_from_dict(json.loads(row.genome_json))
-    config, _ix, _iv = decode(genome, _components_db(), SearchBounds())
-    return config, run_coilgun(config)
+    _row, _genome, config, result, _ix, _iv = rebuilt
+    return config, result
 
 
 def render_plot_png(db_path: Path, run_id: str, kind: str) -> bytes | None:

src/gausse/web/stats.py

@@ -1,57 +1,85 @@
 """Агрегаты по таблице `runs` для веб-морды — считаются запросами к SQLite."""
 
 import json
+import time
 from pathlib import Path
 
-from gausse.storage.database import fetch_run_by_id, fetch_runs, open_connection
+from gausse.storage.database import ensure_stats, fetch_run_by_id, fetch_runs, open_connection
 
 
 def _tail_log(log_path: Path, n_lines: int = 40) -> list[str]:
+    """Последние строки лога чтением С КОНЦА файла (лог растёт годами —
+    перечитывать его целиком на каждый рефреш нельзя)."""
     if not log_path.exists():
         return []
-    lines = log_path.read_text(encoding="utf-8", errors="replace").splitlines()
+    with open(log_path, "rb") as f:
+        f.seek(0, 2)
+        size = f.tell()
+        f.seek(max(0, size - 64 * 1024))
+        chunk = f.read().decode("utf-8", errors="replace")
+    lines = chunk.splitlines()
+    if size > 64 * 1024 and lines:
+        lines = lines[1:]  # первая строка чанка может быть обрезана
     return lines[-n_lines:]
 
 
+def _gpu_stat(db_path: Path) -> dict | None:
+    """Загрузка GPU из gpustat.json рядом с базой (пишет gausse-gpustat на хосте).
+
+    Веб живёт в Docker без доступа к nvidia-smi, поэтому хост-сервис раз в
+    несколько секунд кладёт JSON в каталог результатов. Протухшие данные
+    (>30с — писатель умер/GPU нет) честно не показываем.
+    """
+    p = db_path.parent / "gpustat.json"
+    try:
+        stat = json.loads(p.read_text(encoding="utf-8"))
+        if time.time() - float(stat.get("ts", 0)) > 30:
+            return None
+        return stat
+    except (OSError, ValueError):
+        return None
+
+
 def overview(db_path: Path, log_path: Path | None = None, top_n: int = 15) -> dict:
-    """Сводка для дашборда: счётчики, гистограмма КПД, топ конфигураций, хвост лога."""
+    """Сводка для дашборда: счётчики, гистограмма КПД, топ конфигураций, хвост лога.
+
+    Счётчики/гистограмма/причины/режимы читаются из инкрементальных
+    агрегатов (stats_*, ведутся в транзакции вставки) за O(1) — раньше
+    каждый рефреш сканировал всю таблицу runs (5.2с на 630к строк).
+    """
     conn = open_connection(db_path)
     try:
-        total = conn.execute("SELECT COUNT(*) FROM runs").fetchone()[0]
-        feasible = conn.execute("SELECT COUNT(*) FROM runs WHERE feasible=1").fetchone()[0]
+        ensure_stats(conn)  # миграция базы со старой схемой (один раз)
+        counters = dict(conn.execute("SELECT key, value FROM stats_counters"))
+        total = counters.get("total", 0)
+        feasible = counters.get("feasible", 0)
         infeasible = total - feasible
 
-        # распределение по типу датчика ступени 0 (реализуемо / всего)
-        by_mode = {}
-        for mode, cnt in conn.execute("SELECT search_mode, COUNT(*) FROM runs GROUP BY search_mode"):
-            by_mode[mode] = cnt
+        by_mode = dict(conn.execute("SELECT mode, count FROM stats_modes"))
 
-        # причины отказа (топ)
-        reasons = []
-        for reason, cnt in conn.execute(
-            "SELECT infeasible_reason, COUNT(*) c FROM runs WHERE feasible=0 AND infeasible_reason IS NOT NULL "
-            "GROUP BY infeasible_reason ORDER BY c DESC LIMIT 10"
-        ):
-            short = reason.split(":", 1)[0] if reason else reason
-            reasons.append({"reason": short, "count": cnt})
+        reasons = [
+            {"reason": reason, "count": cnt}
+            for reason, cnt in conn.execute(
+                "SELECT reason, count FROM stats_reasons ORDER BY count DESC LIMIT 10"
+            )
+        ]
 
-        # гистограмма КПД — агрегируем в SQL (не тянем все строки в питон)
         buckets = [0] * 10  # 0-10%,...,90-100%
-        for bucket, cnt in conn.execute(
-            "SELECT MIN(CAST(efficiency*10 AS INT), 9) AS b, COUNT(*) FROM runs "
-            "WHERE feasible=1 AND efficiency IS NOT NULL GROUP BY b"
-        ):
-            if bucket is not None and 0 <= bucket <= 9:
+        for bucket, cnt in conn.execute("SELECT bucket, count FROM stats_hist"):
+            if 0 <= bucket <= 9:
                 buckets[int(bucket)] = cnt
 
         def _summarize(rows):
             out = []
             for r in rows:
-                detail = json.loads(r.decoded_summary_json) if r.decoded_summary_json else {}
+                summary = json.loads(r.decoded_summary_json) if r.decoded_summary_json else {}
+                stages = summary.get("stages")
                 out.append({
                     "run_id": r.run_id, "search_mode": r.search_mode, "efficiency": r.efficiency,
                     "exit_velocity_mps": r.exit_velocity_mps, "cost_rub": r.cost_rub,
-                    "n_stages": detail.get("n_stages"), "timestamp": r.timestamp,
+                    # None (не 0), когда сводки нет — морда покажет «—»
+                    "n_stages": len(stages) if stages is not None else None,
+                    "timestamp": r.timestamp,
                 })
             return out
 
@@ -70,27 +98,70 @@ def overview(db_path: Path, log_path: Path | None = None, top_n: int = 15) -> di
         "efficiency_histogram": buckets,
         "top": top,
         "top_by_velocity": top_by_velocity,
-        "log_tail": _tail_log(log_path, 40) if log_path else [],
+        "log_tail": (tail := _tail_log(log_path, 40) if log_path else []),
+        # лучший КПД ТЕКУЩЕГО цикла (из лога): каждый цикл стартует со свежей
+        # популяции и карабкается заново — это ДРУГОЕ число, чем best за всё
+        # время, и без подписи их путали («сервер и морда не связаны»)
+        "cycle_best_pct": _last_cycle_best(tail),
+        "gpu": _gpu_stat(db_path),
     }
 
 
+def _last_cycle_best(log_lines: list[str]) -> float | None:
+    import re
+
+    for line in reversed(log_lines):
+        m = re.search(r"лучший_КПД=(-?[0-9.]+)%", line)
+        if m:
+            return float(m.group(1))
+    return None
+
+
 def run_detail(db_path: Path, run_id: str) -> dict | None:
+    """Подробности одного прогона. Шапка (feasible/КПД/скорость/энергобаланс)
+    — СОХРАНЁННЫЕ при прогоне значения: они посчитаны тем движком и той
+    версией физики, что записали строку, и только они сравнимы между собой.
+    Полная физика по ступеням в БД не хранится (см. schema.py) — она
+    пересимулируется на лету из genome_json через общий web/rebuild.py.
+    Пересчёт идёт ТЕКУЩЕЙ моделью на CPU и может расходиться с сохранёнными
+    числами (GPU-строки, старые model_version) — поэтому detail явно помечен
+    версией пересчёта, а его ошибка не роняет запрос (раньше /api/run был
+    единственным эндпоинтом без защиты)."""
+    from gausse.optim.objective import MODEL_VERSION, build_detail
+
+    from gausse.web.rebuild import components_db, rebuild_run
+
     conn = open_connection(db_path)
     try:
         row = fetch_run_by_id(conn, run_id)
-        if row is None:
-            return None
-        return {
-            "run_id": row.run_id,
-            "search_mode": row.search_mode,
-            "feasible": row.feasible,
-            "infeasible_reason": row.infeasible_reason,
-            "efficiency": row.efficiency,
-            "exit_velocity_mps": row.exit_velocity_mps,
-            "cost_rub": row.cost_rub,
-            "timestamp": row.timestamp,
-            "detail": json.loads(row.decoded_summary_json) if row.decoded_summary_json else {},
-            "energy_breakdown": json.loads(row.energy_breakdown_json) if row.energy_breakdown_json else {},
-        }
     finally:
         conn.close()
+    if row is None:
+        return None
+
+    try:
+        _, genome, config, result, initial_x_m, initial_v_mps = rebuild_run(db_path, run_id)
+        detail = build_detail(
+            config, result, components_db(), initial_x_m, initial_v_mps,
+            genome.tube_inner_d_m, genome.tube_wall_m,
+        )
+        detail["recomputed_with_model_version"] = MODEL_VERSION
+    except Exception as exc:  # деталь — вспомогательная, шапка важнее
+        detail = {"error": f"пересимуляция не удалась: {exc}"}
+
+    return {
+        "run_id": row.run_id,
+        "search_mode": row.search_mode,
+        # версия физики обязана быть видна: прогоны разных моделей
+        # несравнимы, и «лучший» старой версии — не лучший вообще
+        "model_version": row.model_version,
+        "feasible": row.feasible,
+        "infeasible_reason": row.infeasible_reason,
+        "efficiency": row.efficiency,
+        "exit_velocity_mps": row.exit_velocity_mps,
+        "cost_rub": row.cost_rub,
+        "timestamp": row.timestamp,
+        "detail": detail,
+        # сохранённый при записи баланс — консистентен с feasible/КПД шапки
+        "energy_breakdown": json.loads(row.energy_breakdown_json) if row.energy_breakdown_json else {},
+    }

tests/test_batch_sweep.py

@@ -9,28 +9,30 @@ from gausse.storage.database import count_runs, fetch_runs, open_connection
 DB = ComponentDatabase.load()
 
 
-def test_gpu_sweep_records_all_and_writes_single_stage(tmp_path):
+def test_gpu_sweep_records_all_runs(tmp_path):
     db_path = tmp_path / "gpu.sqlite3"
     summary = run_gpu_sweep(db_path, n_runs=300, seed=3, prefer_gpu=False, batch_size=300)
     assert summary["n_runs"] == 300
     conn = open_connection(db_path)
     assert count_runs(conn) == 300
     rows = fetch_runs(conn)
-    # GPU-путь одноступенчатый
+    # многоступенчатые конфиги допустимы (до max_stages)
+    stage_counts = set()
     for r in rows:
         g = genome_from_dict(json.loads(r.genome_json))
-        assert len(g.stages) == 1
+        stage_counts.add(len(g.stages))
         assert r.search_mode.startswith("gpu-sweep")
+    assert max(stage_counts) >= 2, "должны встречаться многоступенчатые конфиги"
 
 
 def test_gpu_sweep_matches_cpu_within_tolerance(tmp_path):
-    """Честная сверка: GPU-батч должен давать те же exit_v, что CPU run_coilgun."""
+    """Честная сверка: GPU-батч (в т.ч. многоступ.) даёт те же exit_v, что CPU run_coilgun."""
     db_path = tmp_path / "gpu.sqlite3"
-    run_gpu_sweep(db_path, n_runs=1500, seed=5, prefer_gpu=False, batch_size=1500)
+    run_gpu_sweep(db_path, n_runs=2000, seed=5, prefer_gpu=False, batch_size=2000)
     conn = open_connection(db_path)
-    bounds = SearchBounds(min_stages=1, max_stages=1)
-    feasible = fetch_runs(conn, feasible=True, order_by_efficiency_desc=True, limit=10)
-    assert len(feasible) >= 3, "нужно несколько реализуемых для сверки"
+    bounds = SearchBounds()
+    feasible = fetch_runs(conn, feasible=True, order_by_efficiency_desc=True, limit=12)
+    assert len(feasible) >= 3
     checked = 0
     for r in feasible:
         g = genome_from_dict(json.loads(r.genome_json))
@@ -38,8 +40,8 @@ def test_gpu_sweep_matches_cpu_within_tolerance(tmp_path):
         cpu = run_coilgun(config)
         if not cpu.feasible:
             continue
-        # фикс.шаг батча vs адаптивный solve_ivp + аналитический триггер: ~2%
-        assert abs(r.exit_velocity_mps - cpu.exit_v_mps) <= 0.02 * abs(cpu.exit_v_mps) + 0.1, \
-            f"GPU {r.exit_velocity_mps:.2f} vs CPU {cpu.exit_v_mps:.2f}"
+        # фикс.шаг батча + аналитический триггер vs адаптивный solve_ivp: ~3%
+        assert abs(r.exit_velocity_mps - cpu.exit_v_mps) <= 0.03 * abs(cpu.exit_v_mps) + 0.2, \
+            f"GPU {r.exit_velocity_mps:.2f} vs CPU {cpu.exit_v_mps:.2f} ({len(g.stages)} ступ.)"
         checked += 1
     assert checked >= 3

tests/test_evolutionary.py

@@ -8,7 +8,14 @@ from gausse.storage.database import count_runs, fetch_runs, open_connection
 DB = ComponentDatabase.load()
 
 
-def test_run_evolution_writes_all_evaluations_and_returns_summary(tmp_path):
+def _stats_total(conn) -> int:
+    row = conn.execute("SELECT value FROM stats_counters WHERE key='total'").fetchone()
+    return row[0] if row else 0
+
+
+def test_run_evolution_counts_all_evaluations_but_stores_only_best_rows(tmp_path):
+    """Контракт хранения evolve: агрегаты честно считают ВСЕ оценки,
+    а полные строки — только улучшения лучшего генома острова."""
     db_path = tmp_path / "runs.sqlite3"
     bounds = SearchBounds(max_stages=2)
 
@@ -26,9 +33,17 @@ def test_run_evolution_writes_all_evaluations_and_returns_summary(tmp_path):
     assert "best_fitness" in summary
 
     conn = open_connection(db_path)
-    assert count_runs(conn) == 12
+    assert _stats_total(conn) == 12  # счётчики дашборда видят все оценки
+    n_rows = count_runs(conn)
+    # строк меньше, чем оценок: максимум 2 улучшения (КПД+скорость) на
+    # остров на поколение
+    assert 1 <= n_rows <= 4
     rows = fetch_runs(conn)
     assert all(r.search_mode == "evolve" for r in rows)
+    # лучший найденный обязан лежать в базе полной строкой
+    best_row_fitness = max((r.efficiency if r.feasible else -1.0) for r in rows)
+    if summary["best_feasible"]:
+        assert best_row_fitness == summary["best_efficiency"]
     conn.close()
 
 
@@ -63,3 +78,40 @@ def test_polish_does_not_make_the_best_genome_worse():
 
     _, polished_result = polish_best(genome, DB, bounds)
     assert polished_result.fitness >= baseline_fitness - 1e-9
+
+
+def test_run_evolution_gpu_batch_mode(tmp_path):
+    """GPU-режим эволюции (батч-оценка поколения; здесь numpy-бэкенд):
+    агрегаты считают все оценки, строки — только улучшения лучшего."""
+    from gausse.storage.database import count_runs, fetch_runs, open_connection
+
+    db_path = tmp_path / "evo_gpu.sqlite3"
+    summary = run_evolution(
+        db_path, n_generations=3, population_size=40, seed=5, polish=False, use_gpu=True
+    )
+    assert summary["n_evaluated"] == 120
+    conn = open_connection(db_path)
+    assert _stats_total(conn) == 120
+    # 1 остров x 3 поколения, максимум 2 улучшения (КПД+скорость) за поколение
+    assert 1 <= count_runs(conn) <= 6
+    rows = fetch_runs(conn, limit=5)
+    assert all(r.search_mode.startswith("evolve-gpu") for r in rows)
+    # у сохранённых лучших должна быть посчитана стоимость (GPU-путь
+    # не считает её для рядовых, но дочитывает для избранных)
+    assert all(r.cost_rub is not None for r in rows)
+
+
+def test_run_evolution_islands(tmp_path):
+    """Островная модель: K популяций одним батчем + миграция по кольцу."""
+    from gausse.storage.database import count_runs, open_connection
+
+    db_path = tmp_path / "evo_isl.sqlite3"
+    summary = run_evolution(
+        db_path, n_generations=4, population_size=15, seed=7, polish=False,
+        use_gpu=True, islands=3, migrate_every=2,
+    )
+    assert summary["n_evaluated"] == 4 * 15 * 3
+    conn = open_connection(db_path)
+    assert _stats_total(conn) == 4 * 15 * 3
+    # максимум 2 улучшения (КПД+скорость) на остров на поколение
+    assert 3 <= count_runs(conn) <= 4 * 3 * 2

tests/test_objective.py

@@ -17,7 +17,9 @@ def test_evaluate_feasible_genome_has_fitness_equal_efficiency():
         if result.feasible:
             found_feasible = True
             assert result.fitness == result.efficiency
-            assert 0.0 <= result.efficiency <= 1.0
+            # КПД <= 1 всегда; может быть СЛЕГКА отрицательным: трение о трубку
+            # за время разряда может съесть больше, чем слабая катушка добавила
+            assert -0.01 <= result.efficiency <= 1.0
             assert result.cost_rub > 0
             break
     assert found_feasible, "ни один из 50 случайных геномов не оказался реализуемым"

tests/test_realism_v2.py

@@ -0,0 +1,238 @@
+"""Физреализм v2: скин/близость (Доуэлл), трение+воздух, импульсные рейтинги ключей."""
+
+import math
+
+import numpy as np
+
+from gausse.components.database import ComponentDatabase
+from gausse.components.schema import (
+    CapacitorSpec,
+    ProjectileMaterialSpec,
+    SensorSpec,
+    SwitchSpec,
+    WireSpec,
+)
+from gausse.physics.ac_resistance import dowell_ac_factor, skin_depth_m
+from gausse.physics.constants import switch_pulse_limit_a
+from gausse.sim.stage import ProjectileConfig, StageConfig, build_stage_physics, run_stage
+
+DB = ComponentDatabase.load()
+
+
+def make_projectile() -> ProjectileConfig:
+    steel = ProjectileMaterialSpec(
+        name="steel", density_kg_m3=7850.0, mu_r=200.0, b_sat_tesla=1.8, price_per_kg=100.0, source="test"
+    )
+    return ProjectileConfig(material=steel, diameter_m=0.008, length_m=0.02)
+
+
+def make_stage() -> StageConfig:
+    wire = WireSpec(
+        part_id="w1", material="copper", gauge_mm=0.8, insulation_od_mm=0.85,
+        resistivity_ohm_m=1.68e-8, max_current_a=10.0, price_per_m=3.0, source="test",
+    )
+    capacitor = CapacitorSpec(
+        part_number="c1", capacitance_uf=100.0, voltage_v=400.0, esr_ohm=0.05, max_current_a=300.0,
+        price=300.0, source="test",
+    )
+    switch = SwitchSpec(
+        part_number="sw1", kind="MOSFET", max_current_a=500.0, max_voltage_v=500.0,
+        on_resistance_ohm=0.02, on_voltage_drop_v=None, turn_on_time_ns=50.0, price=50.0, source="test",
+    )
+    sensor = SensorSpec(part_number="s1", kind="optical", propagation_delay_ns=500.0, price=20.0, source="test")
+    return StageConfig(
+        wire=wire, capacitor=capacitor, switch=switch, sensor=sensor,
+        tube_od_m=0.01, turns_per_layer=20, layers=4,
+        sensor_to_coil_distance_m=0.02, charge_voltage_v=350.0,
+    )
+
+
+# --- Доуэлл ---
+
+
+def test_skin_depth_copper_50hz():
+    # медь на 50 Гц: δ ≈ 9.3 мм (классическое справочное значение)
+    delta = skin_depth_m(1.68e-8, 2 * math.pi * 50)
+    assert abs(delta - 9.2e-3) < 0.5e-3
+
+
+def test_dowell_limits():
+    # низкая частота -> фактор стремится к 1
+    assert dowell_ac_factor(0.001, 0.00108, 8, 1.68e-8, 2 * math.pi * 1.0) < 1.001
+    # больше слоёв -> сильнее эффект близости (монотонность)
+    omega = 2 * math.pi * 2000
+    f = [dowell_ac_factor(0.002, 0.00208, m, 1.68e-8, omega) for m in (1, 4, 10)]
+    assert f[0] < f[1] < f[2]
+    # всегда >= 1
+    assert all(x >= 1.0 for x in f)
+
+
+def test_dowell_series_matches_formula_at_boundary():
+    # непрерывность на стыке ряда и полной формулы (Δ≈0.25)
+    omega_lo, omega_hi = None, None
+    # подберём частоты чуть ниже/выше границы Δ=0.25 для d=1мм
+    d, rho = 0.001, 1.68e-8
+    for omega in np.logspace(2, 6, 4000):
+        delta = skin_depth_m(rho, omega)
+        big = (math.pi / 4) ** 0.75 * d / delta  # porosity~1
+        if big < 0.25:
+            omega_lo = omega
+        elif omega_hi is None:
+            omega_hi = omega
+            break
+    f_lo = dowell_ac_factor(d, d, 6, rho, omega_lo)
+    f_hi = dowell_ac_factor(d, d, 6, rho, omega_hi)
+    assert abs(f_lo - f_hi) < 0.01
+
+
+def test_thick_wire_many_layers_significant_ac_factor():
+    # толстый провод (2мм) в 10 слоёв на кГц — эффект близости должен быть
+    # существенным (>1.3), иначе канал потерь не работает
+    f = dowell_ac_factor(0.002, 0.00208, 10, 1.68e-8, 2 * math.pi * 1500)
+    assert f > 1.3
+
+
+# --- трение и воздух ---
+
+
+def test_stage_with_friction_slower_than_ideal():
+    """Выходная скорость с трением/воздухом ниже, чем была бы без них."""
+    stage = make_stage()
+    projectile = make_projectile()
+    res = run_stage(-0.06, 3.0, stage, projectile)
+    assert res.feasible, res.reason
+    # подлёт 3 м/с на ~3 см: только трение уже отъедает заметную скорость
+    phys = build_stage_physics(stage, projectile)
+    assert phys.circuit_params.retard_const_n > 0
+    assert phys.circuit_params.drag_coeff_n_per_mps2 > 0
+
+
+def test_slow_projectile_stalls_before_sensor():
+    """Медленный снаряд далеко от датчика останавливается трением — честный отказ."""
+    stage = make_stage()
+    projectile = make_projectile()
+    res = run_stage(-1.0, 0.15, stage, projectile)  # 15 см/с за метр до катушки
+    assert not res.feasible
+    assert "трением" in res.reason
+
+
+def test_energy_balance_with_friction():
+    """Баланс: E_in = E_ост.конденсатора + E_потерь(включая трение) + ΔE_кин."""
+    stage = make_stage()
+    projectile = make_projectile()
+    res = run_stage(-0.06, 3.0, stage, projectile)
+    assert res.feasible, res.reason
+    balance = res.energy_remaining_cap_j + res.energy_dissipated_j + res.kinetic_energy_delta_j
+    assert abs(balance - res.energy_in_j) < 0.02 * res.energy_in_j
+
+
+# --- импульсные рейтинги ключей ---
+
+
+def test_pulse_ratings_loaded_from_datasheets():
+    by_pn = {s.part_number: s for s in DB.switches}
+    assert by_pn["IRFP254PBF"].pulse_current_a == 92.0  # IDM из даташита
+    assert by_pn["BT151-650R"].pulse_current_a == 100.0  # ITSM
+    assert by_pn["IRG4PC50F"].pulse_current_a == 280.0  # ICM
+    for s in DB.switches:
+        limit = switch_pulse_limit_a(s)
+        assert limit >= s.max_current_a  # импульсный >= продолжительного
+
+
+def test_pulse_limit_fallback_without_datasheet():
+    from dataclasses import replace
+
+    sw = replace(DB.switches[0], pulse_current_a=None)
+    # без даташита — консервативный множитель по типу ключа
+    assert switch_pulse_limit_a(sw) == sw.max_current_a * {"SCR": 10.0, "MOSFET": 4.0, "IGBT": 3.0}[sw.kind]
+
+
+def test_friction_force_smooth_at_zero_velocity():
+    """Регрессия на завис решателя: сила трения обязана быть ГЛАДКОЙ в v=0.
+
+    Разрывный sign(v) заставлял solve_ivp бесконечно дробить шаг у v≈0
+    (одна конфигурация считалась 35+ минут на сервере).
+    """
+    from gausse.physics.circuit import StageCircuitParams, retarding_force_n
+
+    p = StageCircuitParams(
+        capacitance_f=1e-4, r_total_ohm=0.1, mass_kg=0.01,
+        retard_const_n=0.034, drag_coeff_n_per_mps2=2e-5,
+    )
+    # непрерывность: около нуля сила ~ 0, нечётная, без скачка
+    assert abs(retarding_force_n(p, 1e-6)) < 1e-5
+    assert abs(retarding_force_n(p, 1e-6) + retarding_force_n(p, -1e-6)) < 1e-12
+    # вдали от нуля выходит на полное трение
+    assert retarding_force_n(p, 1.0) > 0.9 * p.retard_const_n
+
+
+def test_iron_fill_factor_punishes_thin_slug_in_fat_coil():
+    """Регрессия на эксплойт «КПД 82%»: тонкий снаряд в толстой катушке
+    не может усиливать весь поток — только долю сечения, которую занимает."""
+    from gausse.physics.inductance import CoilInductanceModel
+
+    base = dict(l_air_h=1e-3, coil_length_m=0.05, slug_length_m=0.02,
+                mu_eff=40.0, smoothing_width_m=0.001, total_turns=300)
+    full = CoilInductanceModel(**base, iron_fill_factor=1.0)
+    thin = CoilInductanceModel(**base, iron_fill_factor=0.02)  # ⌀4мм в ⌀29мм
+    # сила при том же токе в 50 раз меньше — халявы больше нет
+    f_full = float(full.force_newtons(-0.03, 100.0))
+    f_thin = float(thin.force_newtons(-0.03, 100.0))
+    assert f_thin < 0.03 * f_full
+
+
+def test_degenerate_coil_fails_fast():
+    """Регрессия на завис 540с: вырожденная катушка бракуется мгновенно."""
+    import time
+    from dataclasses import replace
+
+    stage = make_stage()
+    degenerate = replace(stage, turns_per_layer=2, layers=2)  # 4 витка, ~2мм
+    t0 = time.time()
+    res = run_stage(-0.06, 3.0, degenerate, make_projectile())
+    assert time.time() - t0 < 5.0, "вырожденный конфиг должен отваливаться быстро"
+    # либо честно отбракован гардом, либо честно посчитан быстро — оба исхода ок
+    if not res.feasible:
+        assert res.reason
+
+
+def test_eddy_reflection_bounded_at_high_frequency():
+    """Полная формула отражения (R₂²+(ωL₂)² в знаменателе): на высоких ω
+    заметно ниже старого резистивно-доминированного приближения, на низких —
+    сходится к нему. Совсем вырожденные катушки добивает гард L/R в run_stage."""
+    import math as _m
+
+    from gausse.physics.constants import MU_0
+    from gausse.physics.losses import EDDY_COUPLING_FACTOR, eddy_reflected_resistance_ohm
+
+    kwargs = dict(slug_radius_m=0.002, slug_length_m=0.03,
+                  slug_resistivity_ohm_m=1.6e-7, mu_eff=259.0,
+                  total_turns=5, coil_length_m=0.002)
+
+    def resistive_approx(om):
+        a = _m.pi * kwargs["slug_radius_m"] ** 2
+        m = EDDY_COUPLING_FACTOR * MU_0 * kwargs["mu_eff"] * (5 / 0.002) * a
+        r2 = 2 * _m.pi * kwargs["slug_resistivity_ohm_m"] / kwargs["slug_length_m"]
+        return (om * m) ** 2 / r2
+
+    om_hi, om_lo = 1.25e5, 1e2
+    r_hi = eddy_reflected_resistance_ohm(**kwargs, char_omega_rad_s=om_hi)
+    r_lo = eddy_reflected_resistance_ohm(**kwargs, char_omega_rad_s=om_lo)
+    assert r_hi < 0.5 * resistive_approx(om_hi)  # высокие ω: ограничена
+    assert abs(r_lo - resistive_approx(om_lo)) < 0.05 * resistive_approx(om_lo)  # низкие: сходится
+
+
+def test_iron_penetration_fraction_limits():
+    """Диффузия поля: тонкий снаряд/медленный импульс — всё сечение; толстый
+    снаряд на быстром импульсе — только скин-кольцо (эксплойт «30%» закрыт)."""
+    from gausse.physics.ac_resistance import iron_penetration_fraction
+
+    # очень низкая частота: поле успевает пропитать всё сечение
+    assert iron_penetration_fraction(0.005, 1.4e-7, 500.0, 1.0) == 1.0
+    # сталь ⌀9.3мм на ω~1350 рад/с (медленная катушка из эксплойта):
+    # намагничивается лишь внешнее кольцо — заметно меньше половины сечения
+    frac = iron_penetration_fraction(0.00465, 1.4e-7, 500.0, 1350.0)
+    assert 0.02 < frac < 0.5
+    # быстрее импульс -> тоньше кольцо (монотонность по ω)
+    frac_fast = iron_penetration_fraction(0.00465, 1.4e-7, 500.0, 13500.0)
+    assert frac_fast < frac

tests/test_stage_energy_conservation.py

@@ -61,13 +61,14 @@ def test_stage_is_feasible_with_realistic_components():
     assert result.feasible, result.reason
 
 
-def test_energy_conserved_exactly_when_lossless():
+def test_energy_conserved_exactly_when_electrically_lossless():
     lossless_capacitor = CapacitorSpec(
         part_number="c-lossless", capacitance_uf=100.0, voltage_v=400.0, esr_ohm=0.0,
         max_current_a=300.0, price=300.0, source="test",
     )
-    # снаряд без вихревых потерь: огромное удельное сопротивление -> R_eddy≈0,
-    # чтобы «без потерь» действительно означало отсутствие всех каналов диссипации
+    # снаряд без вихревых потерь: огромное удельное сопротивление -> R_eddy≈0.
+    # Электрических потерь нет, но МЕХАНИЧЕСКИЕ (трение о трубку + воздух)
+    # есть всегда — они и составляют весь energy_dissipated_j.
     no_eddy_steel = ProjectileMaterialSpec(
         name="steel-no-eddy", density_kg_m3=7850.0, mu_r=200.0, b_sat_tesla=1.8,
         price_per_kg=100.0, source="test", resistivity_ohm_m=1e12,
@@ -78,8 +79,9 @@ def test_energy_conserved_exactly_when_lossless():
         capacitor=lossless_capacitor, projectile=no_eddy_projectile,
     )
     assert result.feasible, result.reason
-    assert result.energy_dissipated_j == pytest.approx(0.0, abs=1e-9)
-    balance = result.energy_remaining_cap_j + result.kinetic_energy_delta_j
+    # только трение/воздух: заметно меньше 1% энергии банки за миллисекунды разряда
+    assert 0.0 <= result.energy_dissipated_j < 0.01 * result.energy_in_j
+    balance = result.energy_remaining_cap_j + result.energy_dissipated_j + result.kinetic_energy_delta_j
     assert balance == pytest.approx(result.energy_in_j, rel=1e-4)
 
 

tests/test_storage_database.py

@@ -99,6 +99,36 @@ def test_writer_survives_duplicate_run_id_and_keeps_draining_queue(tmp_path):
     conn.close()
 
 
+def test_writer_stats_only_bumps_counters_without_rows(tmp_path):
+    """StatsOnly-сообщения (эволюция шлёт их для рядовых геномов): агрегаты
+    дашборда растут, а строк в runs не появляется."""
+    from gausse.storage.database import StatsOnly
+
+    db_path = tmp_path / "runs.sqlite3"
+    ctx = multiprocessing.get_context("spawn")
+    queue = ctx.Queue()
+
+    writer = ctx.Process(target=run_writer_process, args=(queue, db_path))
+    writer.start()
+
+    queue.put(_record("best-one"))  # одна полная строка
+    queue.put(StatsOnly("evolve", True, 0.42, None))
+    queue.put(StatsOnly("evolve", False, None, "датчик: сигнал ниже порога"))
+    queue.put(StatsOnly("evolve", False, None, None))
+    queue.put(None)
+    writer.join(timeout=10)
+
+    assert not writer.is_alive()
+    conn = open_connection(db_path)
+    assert count_runs(conn) == 1  # строка только у полной записи
+    counters = dict(conn.execute("SELECT key, value FROM stats_counters"))
+    assert counters["total"] == 4  # но посчитаны все четыре
+    assert counters["feasible"] == 2
+    reasons = dict(conn.execute("SELECT reason, count FROM stats_reasons"))
+    assert reasons.get("датчик") == 1
+    conn.close()
+
+
 def _writer_worker(queue, worker_id, n):
     for i in range(n):
         queue.put(_record(f"proc-{worker_id}-run-{i}"))

tests/test_web.py

@@ -39,7 +39,9 @@ def test_run_detail_has_full_physics_and_distances(tmp_path):
     assert "inter_stage_gaps_m" in detail
     assert "coil_center_positions_m" in detail
     stage0 = detail["stages"][0]
-    assert "electrical" in stage0 and "wire_resistance_ohm" in stage0["electrical"]
+    assert "electrical" in stage0 and "wire_resistance_ac_ohm" in stage0["electrical"]
+    # v2: скин/близость — AC-сопротивление обмотки выше DC
+    assert stage0["electrical"]["wire_ac_resistance_factor"] >= 1.0
     assert "winding" in stage0 and "total_turns" in stage0["winding"]
     assert "sensor_to_coil_distance_m" in stage0