Stability_Landscapes

Kuramoto-Stability-Landscape (KSL) 数据集包含使用随机增长算法生成的合成振荡器网络拓扑。通过应用第二阶Kuramoto模型对这些节点进行动态模拟。该数据集包括两个集合，每个集合包含10,000个独特的网络拓扑，分别为20个节点和100个节点的网络。每个拓扑都与单节点稳定性池热图相关联，提供了每个节点的详细空间稳定性信息。数据集的结构包括节点特征、边索引和边属性，可用于图到图像回归任务，预测详细的单节点稳定性池热图景观。

搜集汇总

数据集介绍

构建方式

在复杂系统动力学研究领域，Kuramoto-Stability-Landscape数据集通过随机生长算法生成合成振荡器网络拓扑，构建了包含两套分别具有20节点与100节点的网络集合，各含一万种独特拓扑结构。基于二阶Kuramoto模型对节点进行动力学模拟，采用蒙特卡洛方法对每个节点施加相位与角速度扰动，通过计算20×20空间分格内的连续稳定性数值与扰动样本密度，形成单节点盆地稳定性热力图，整个生成过程消耗超过五十万CPU小时的计算资源。

特点

该数据集的核心特征体现在其多尺度网络结构与高分辨率稳定性表征的有机结合。两个子数据集分别包含20节点与100节点的拓扑，每个网络通过HDF5格式文件存储两类热力图：反映动态稳定性强度的连续数值盆地热力图，以及记录扰动样本分布的辅助热力图。数据集通过节点特征（注入功率）、边索引（拓扑连接）与边属性（均匀耦合强度）完整保留了输入图结构，为图神经网络处理长程依赖关系提供了理想的多模态数据基础。

使用方法

针对图到图像回归这一创新机器学习任务，使用者首先需解压提供的tar归档文件获取HDF5格式数据。通过Python的h5py库可加载具体网络文件，提取对应节点的盆地热力图与样本热力图作为预测目标。数据集已预设70%训练集、15%验证集与15%测试集的划分方案，支持研究者直接基于图拓扑与节点属性预测单节点盆地稳定性概率，为动力学网络的稳定性分析与鲁棒性评估提供标准化基准。

背景与挑战

背景概述

Kuramoto-Stability-Landscape（KSL）数据集由研究机构于近年创建，专注于复杂动力系统的同步稳定性分析。该数据集基于二阶Kuramoto模型构建，该模型在电力网络和神经元网络等系统中被广泛用于研究同步动力学行为。通过随机生长算法生成合成振荡器网络拓扑，数据集包含20节点和100节点两种规模的网络各一万个，每个拓扑均关联单节点盆地稳定性热力图，为动态稳定性评估提供了高分辨率空间信息。这一工作显著推进了图神经网络在物理系统建模中的应用，为复杂网络稳定性预测建立了基准。

当前挑战

该数据集致力于解决动力系统稳定性评估的核心难题，即从网络拓扑直接预测高维稳定性景观的图到图像回归问题。构建过程中面临双重挑战：计算复杂性方面，蒙特卡罗扰动采样和二阶Kuramoto模型仿真消耗超过50万CPU小时；数据表征方面，需将连续动态稳定性强度与扰动样本密度同时编码为20×20分辨率的空间热力图，并保持节点特征与边属性的拓扑一致性。

常用场景

经典使用场景

在复杂网络动力学研究中，该数据集为图神经网络提供了独特的基准测试平台。研究者通过将网络拓扑映射至稳定性热力图，可系统评估模型对非线性系统同步行为的预测能力。经典应用场景包括利用二阶Kuramoto模型模拟电网节点动态，通过单节点盆地稳定性热力图量化网络抗干扰能力，为复杂系统稳定性分析建立标准化评估框架。

解决学术问题

该数据集有效解决了动态网络稳定性量化中的关键难题。通过提供大规模合成振荡器网络的精确稳定性标注，突破了传统动力学模拟计算成本高昂的瓶颈。其创新性地将图结构映射至连续稳定性景观，为研究长程依赖、节点脆弱性等复杂网络特性提供了数据支撑，推动了基于数据的网络稳定性理论发展。

衍生相关工作

基于该数据集衍生的经典研究包括图到图像回归新范式的发展。多项工作探索了图卷积网络与注意力机制在稳定性预测中的融合，推动了时空图神经网络架构的创新。相关成果已延伸至生物神经网络同步分析、多智能体系统协调控制等领域，形成了跨学科的动力学网络研究体系。