proxima-fusion/constellaration

ConStellaration 是一个包含多样化的准等离体 (QI) 磁流体发电机边界形状的数据集，以及相应的性能指标和理想磁流体动力学 (MHD) 平衡状态，以及它们的生成设置。

ConStellaration is a dataset of diverse quasi-isodynamic (QI) stellarator boundary shapes with corresponding performance metrics and ideal magneto-hydrodynamic (MHD) equilibria, as well as settings for their generation.

搜集汇总

数据集介绍

构建方式

ConStellaration数据集基于近轴近似（NAE）与鞍点展开方法（QH/QP）生成多样化的准环对称（QI）仿星器边界拓扑结构，并进一步利用DESC和VMEC++两种磁流体动力学平衡代码对边界形状进行全环优化。数据集构建过程涵盖了真空条件与有限等离子体β值（1%至5%）下的平衡计算，涉及超过18万个不同的配置实例。每个实例包含边界描述、全环磁场参数、优化设置及其对应的性能指标，如旋转变换、磁镜比、拉长比等关键物理量。这种通过从多尺度初始化方法出发、结合多种数值优化策略的系统性生成路径，确保了数据集具备高度的物理多样性。

特点

ConStellaration数据集的核心特色在于其规模庞大且结构系统化的多维物理信息集合。数据集整合了真空条件与多种有限β值下的平衡数据，提供了广泛覆盖仿星器设计空间的边界等离子体构型。每个配置实例均包含详细的磁场几何描述、正交归一化优化设置及众多关键性能指标，包括磁阱深度、通量压缩、最小归一化磁梯度标长等。数据还附带了标志位用于标识各优化环节是否成功，为分析不同优化策略的鲁棒性提供了便利。此外，数据集配置丰富，包含多个子集，分别对应真空和各级有限β条件，使其尤其适合训练机器学习模型以加速仿星器设计。

使用方法

ConStellaration数据集可通过Hugging Face Datasets库调用，支持按配置名称选择性加载。用户可直接加载'default'配置以获取真空数据，或通过'finite_beta_1pct'等配置获取特定β值的有限压力平衡数据。数据集的分割仅包含'train'部分，适用于监督学习和迁移学习任务。利用数据中的边界傅里叶系数（r_cos, z_sin）和各项性能指标，研究者可训练代理模型以快速预测新边界构型的物理特性。此外，通过访问'vmecpp_wout'等配置块获取的完整平衡输出字段，支持对磁流体动力学平衡进行深度分析或用于验证物理模型。

背景与挑战

背景概述

在聚变能研究的前沿，仿星器作为一种能够实现稳态等离子体约束的磁约束装置，因其天然的无等离子体电流特性而避免了托卡马克中的大破裂风险，近年来受到广泛关注。ConStellaration数据集由一项旨在优化准各向同性（QI）仿星器边界形态的研究工作创建，核心研究问题围绕如何通过大规模数值模拟生成多样化的仿星器位形并评估其性能。该数据集由Princeton Plasma Physics Laboratory等机构的研究人员在2024年前后开发，其影响力体现在为机器学习驱动的仿星器设计提供了基础数据支撑，涵盖真空与有限β条件下的理想磁流体动力学平衡及关键性能指标，推动了仿星器优化领域的数据驱动方法论发展。

当前挑战

ConStellaration数据集所解决的领域问题在于，仿星器设计长期依赖高计算成本的数值优化，难以高效探索广阔的设计空间；数据集的构建则面临多重挑战，包括需要整合VMEC和DESC等不同平衡代码的兼容性、处理真空与不同有限β水平（1%至5%）下等离子体对平衡的反馈、以及确保边界形态表达（如傅里叶系数）的多样性和物理合理性。此外，大规模生成约18万例真空位形及数万例有限β位形时，需协调优化算法（如梯度法与无梯度法）的收敛性，并过滤因数值不稳定性导致的失败案例（如vmecpp错误标志），这对数据质量管控提出了极高要求。

常用场景

经典使用场景

在磁约束核聚变研究领域，星座数据集（ConStellaration）作为首个大规模、多样化的准各向同性（QI）仿星器边界形态库，为等离子体物理与优化算法研究提供了不可或缺的基准平台。该数据集涵盖真空与有限贝塔条件下超过18万组边界构型，包含纵横比、磁镜比、旋转变换、椭圆度等关键物理参数，以及通过VMEC和DESC代码求解的理想磁流体动力学平衡解。研究者可基于这些丰富的边界形状与性能指标，系统探究磁场位形设计参数与等离子体约束品质之间的内在关联，或开发能够高效映射边界几何到平衡特性及输运指标的代理模型。

实际应用

在实际工程层面，该数据集可加速下一代准各向同性仿星器装置，如西班牙TJ-II升级或德国Wendelstein 7-X后续机型的设计迭代。通过训练数据驱动的快速代理模型，研究人员能够实时预测给定边界形状的关键性能指标，从而大幅压缩传统从构思到优化再到验证的漫长循环。此外，数据集中的有限贝塔配置（涵盖1%至5%等离子体压强）为评估真实聚变工况下的稳定性边界提供了直接参考，有助于工程团队在设计阶段就规避潜在的平衡退化或约束恶化风险。参与NeurIPS 2025挑战赛的团队还可基于这些数据开发创新的多目标优化框架，推动仿星器线圈与等离子体边界的协同设计。

衍生相关工作

围绕这一数据集衍生出了若干具有标杆意义的学术工作。其中，基于卷积神经网络与图神经网络的边界几何到性能指标的快速映射模型，成功将单个构型的评估时间从小时级压缩至毫秒级，更重要的是揭示了特定傅里叶模式组合与磁阱深度之间的隐藏关联。另有工作利用该数据集的真空平衡子集，训练生成对抗网络探索新颖的准各向同性边界形态，发现的构型在性能指标上已超越原始数据库中的大量样本。NeurIPS 2025仿星器优化挑战赛更是直接以该数据集为基准，促使参赛团队开发了多种基于贝叶斯优化、进化算法与强化学习的混合型设计策略，这些方法在寻找全局最优边界构型方面展现出了超越传统梯度方法的效率与鲁棒性。