sogeeking/quantized_burgers_vq

--- dataset_info: - config_name: Burgers_Sols_Nu0.001 features: - name: tensor sequence: sequence: sequence: float32 - name: parameters dtype: string - name: window_t dtype: int64 splits: - name: train num_bytes: 1025088000 num_examples: 912000 - name: dev num_bytes: 26976000 num_examples: 24000 download_size: 166647309 dataset_size: 1052064000 - config_name: Burgers_Sols_Nu0.002 features: - name: tensor sequence: sequence: sequence: float32 - name: parameters dtype: string - name: window_t dtype: int64 splits: - name: train num_bytes: 1025088000 num_examples: 912000 - name: dev num_bytes: 26976000 num_examples: 24000 download_size: 165435526 dataset_size: 1052064000 - config_name: Burgers_Sols_Nu0.004 features: - name: tensor sequence: sequence: sequence: float32 - name: parameters dtype: string - name: window_t dtype: int64 splits: - name: train num_bytes: 1025088000 num_examples: 912000 - name: dev num_bytes: 26976000 num_examples: 24000 download_size: 166020172 dataset_size: 1052064000 - config_name: Burgers_Sols_Nu0.01 features: - name: tensor sequence: sequence: sequence: float32 - name: parameters dtype: string - name: window_t dtype: int64 splits: - name: train num_bytes: 1024176000 num_examples: 912000 - name: dev num_bytes: 26952000 num_examples: 24000 download_size: 163717898 dataset_size: 1051128000 - config_name: Burgers_Sols_Nu0.02 features: - name: tensor sequence: sequence: sequence: float32 - name: parameters dtype: string - name: window_t dtype: int64 splits: - name: train num_bytes: 1024176000 num_examples: 912000 - name: dev num_bytes: 26952000 num_examples: 24000 download_size: 156966616 dataset_size: 1051128000 - config_name: Burgers_Sols_Nu0.04 features: - name: tensor sequence: sequence: sequence: float32 - name: parameters dtype: string - name: window_t dtype: int64 splits: - name: train num_bytes: 1024176000 num_examples: 912000 - name: dev num_bytes: 26952000 num_examples: 24000 download_size: 151128437 dataset_size: 1051128000 - config_name: Burgers_Sols_Nu0.1 features: - name: tensor sequence: sequence: sequence: float32 - name: parameters dtype: string - name: window_t dtype: int64 splits: - name: train num_bytes: 1023264000 num_examples: 912000 - name: dev num_bytes: 26928000 num_examples: 24000 download_size: 143288196 dataset_size: 1050192000 - config_name: Burgers_Sols_Nu0.2 features: - name: tensor sequence: sequence: sequence: float32 - name: parameters dtype: string - name: window_t dtype: int64 splits: - name: train num_bytes: 1023264000 num_examples: 912000 - name: dev num_bytes: 26928000 num_examples: 24000 download_size: 135867087 dataset_size: 1050192000 - config_name: Burgers_Sols_Nu0.4 features: - name: tensor sequence: sequence: sequence: float32 - name: parameters dtype: string - name: window_t dtype: int64 splits: - name: train num_bytes: 1023264000 num_examples: 912000 - name: dev num_bytes: 26928000 num_examples: 24000 download_size: 119603616 dataset_size: 1050192000 - config_name: Burgers_Sols_Nu1.0 features: - name: tensor sequence: sequence: sequence: float32 - name: parameters dtype: string - name: window_t dtype: int64 splits: - name: train num_bytes: 1023264000 num_examples: 912000 - name: dev num_bytes: 26928000 num_examples: 24000 download_size: 81651569 dataset_size: 1050192000 - config_name: Burgers_Sols_Nu2.0 features: - name: tensor sequence: sequence: sequence: float32 - name: parameters dtype: string - name: window_t dtype: int64 splits: - name: train num_bytes: 1023264000 num_examples: 912000 - name: dev num_bytes: 26928000 num_examples: 24000 download_size: 46871093 dataset_size: 1050192000 - config_name: Burgers_Sols_Nu4.0 features: - name: tensor sequence: sequence: sequence: float32 - name: parameters dtype: string - name: window_t dtype: int64 splits: - name: train num_bytes: 1023264000 num_examples: 912000 - name: dev num_bytes: 26928000 num_examples: 24000 download_size: 29122386 dataset_size: 1050192000 configs: - config_name: Burgers_Sols_Nu0.001 data_files: - split: train path: Burgers_Sols_Nu0.001/train-* - split: dev path: Burgers_Sols_Nu0.001/dev-* - config_name: Burgers_Sols_Nu0.002 data_files: - split: train path: Burgers_Sols_Nu0.002/train-* - split: dev path: Burgers_Sols_Nu0.002/dev-* - config_name: Burgers_Sols_Nu0.004 data_files: - split: train path: Burgers_Sols_Nu0.004/train-* - split: dev path: Burgers_Sols_Nu0.004/dev-* - config_name: Burgers_Sols_Nu0.01 data_files: - split: train path: Burgers_Sols_Nu0.01/train-* - split: dev path: Burgers_Sols_Nu0.01/dev-* - config_name: Burgers_Sols_Nu0.02 data_files: - split: train path: Burgers_Sols_Nu0.02/train-* - split: dev path: Burgers_Sols_Nu0.02/dev-* - config_name: Burgers_Sols_Nu0.04 data_files: - split: train path: Burgers_Sols_Nu0.04/train-* - split: dev path: Burgers_Sols_Nu0.04/dev-* - config_name: Burgers_Sols_Nu0.1 data_files: - split: train path: Burgers_Sols_Nu0.1/train-* - split: dev path: Burgers_Sols_Nu0.1/dev-* - config_name: Burgers_Sols_Nu0.2 data_files: - split: train path: Burgers_Sols_Nu0.2/train-* - split: dev path: Burgers_Sols_Nu0.2/dev-* - config_name: Burgers_Sols_Nu0.4 data_files: - split: train path: Burgers_Sols_Nu0.4/train-* - split: dev path: Burgers_Sols_Nu0.4/dev-* - config_name: Burgers_Sols_Nu1.0 data_files: - split: train path: Burgers_Sols_Nu1.0/train-* - split: dev path: Burgers_Sols_Nu1.0/dev-* - config_name: Burgers_Sols_Nu2.0 data_files: - split: train path: Burgers_Sols_Nu2.0/train-* - split: dev path: Burgers_Sols_Nu2.0/dev-* - config_name: Burgers_Sols_Nu4.0 data_files: - split: train path: Burgers_Sols_Nu4.0/train-* - split: dev path: Burgers_Sols_Nu4.0/dev-* ---

原始信息汇总

数据集概述

数据集配置

Burgers_Sols_Nu0.001

• 特征:
  • tensor: 序列类型，包含 float32 数据
  • parameters: 字符串类型
  • window_t: 整数类型
• 分割:
  • train: 1025088000 字节，912000 个样本
  • dev: 26976000 字节，24000 个样本
• 下载大小: 166647309 字节
• 数据集大小: 1052064000 字节
• 数据文件路径:
  • train: Burgers_Sols_Nu0.001/train-*
  • dev: Burgers_Sols_Nu0.001/dev-*

Burgers_Sols_Nu0.002

• 特征:
  • tensor: 序列类型，包含 float32 数据
  • parameters: 字符串类型
  • window_t: 整数类型
• 分割:
  • train: 1025088000 字节，912000 个样本
  • dev: 26976000 字节，24000 个样本
• 下载大小: 165435526 字节
• 数据集大小: 1052064000 字节
• 数据文件路径:
  • train: Burgers_Sols_Nu0.002/train-*
  • dev: Burgers_Sols_Nu0.002/dev-*

Burgers_Sols_Nu0.004

• 特征:
  • tensor: 序列类型，包含 float32 数据
  • parameters: 字符串类型
  • window_t: 整数类型
• 分割:
  • train: 1025088000 字节，912000 个样本
  • dev: 26976000 字节，24000 个样本
• 下载大小: 166020172 字节
• 数据集大小: 1052064000 字节
• 数据文件路径:
  • train: Burgers_Sols_Nu0.004/train-*
  • dev: Burgers_Sols_Nu0.004/dev-*

Burgers_Sols_Nu0.01

• 特征:
  • tensor: 序列类型，包含 float32 数据
  • parameters: 字符串类型
  • window_t: 整数类型
• 分割:
  • train: 1024176000 字节，912000 个样本
  • dev: 26952000 字节，24000 个样本
• 下载大小: 163717898 字节
• 数据集大小: 1051128000 字节
• 数据文件路径:
  • train: Burgers_Sols_Nu0.01/train-*
  • dev: Burgers_Sols_Nu0.01/dev-*

Burgers_Sols_Nu0.02

• 特征:
  • tensor: 序列类型，包含 float32 数据
  • parameters: 字符串类型
  • window_t: 整数类型
• 分割:
  • train: 1024176000 字节，912000 个样本
  • dev: 26952000 字节，24000 个样本
• 下载大小: 156966616 字节
• 数据集大小: 1051128000 字节
• 数据文件路径:
  • train: Burgers_Sols_Nu0.02/train-*
  • dev: Burgers_Sols_Nu0.02/dev-*

Burgers_Sols_Nu0.04

• 特征:
  • tensor: 序列类型，包含 float32 数据
  • parameters: 字符串类型
  • window_t: 整数类型
• 分割:
  • train: 1024176000 字节，912000 个样本
  • dev: 26952000 字节，24000 个样本
• 下载大小: 151128437 字节
• 数据集大小: 1051128000 字节
• 数据文件路径:
  • train: Burgers_Sols_Nu0.04/train-*
  • dev: Burgers_Sols_Nu0.04/dev-*

Burgers_Sols_Nu0.1

• 特征:
  • tensor: 序列类型，包含 float32 数据
  • parameters: 字符串类型
  • window_t: 整数类型
• 分割:
  • train: 1023264000 字节，912000 个样本
  • dev: 26928000 字节，24000 个样本
• 下载大小: 143288196 字节
• 数据集大小: 1050192000 字节
• 数据文件路径:
  • train: Burgers_Sols_Nu0.1/train-*
  • dev: Burgers_Sols_Nu0.1/dev-*

Burgers_Sols_Nu0.2

• 特征:
  • tensor: 序列类型，包含 float32 数据
  • parameters: 字符串类型
  • window_t: 整数类型
• 分割:
  • train: 1023264000 字节，912000 个样本
  • dev: 26928000 字节，24000 个样本
• 下载大小: 135867087 字节
• 数据集大小: 1050192000 字节
• 数据文件路径:
  • train: Burgers_Sols_Nu0.2/train-*
  • dev: Burgers_Sols_Nu0.2/dev-*

Burgers_Sols_Nu0.4

• 特征:
  • tensor: 序列类型，包含 float32 数据
  • parameters: 字符串类型
  • window_t: 整数类型
• 分割:
  • train: 1023264000 字节，912000 个样本
  • dev: 26928000 字节，24000 个样本
• 下载大小: 119603616 字节
• 数据集大小: 1050192000 字节
• 数据文件路径:
  • train: Burgers_Sols_Nu0.4/train-*
  • dev: Burgers_Sols_Nu0.4/dev-*

Burgers_Sols_Nu1.0

• 特征:
  • tensor: 序列类型，包含 float32 数据
  • parameters: 字符串类型
  • window_t: 整数类型
• 分割:
  • train: 1023264000 字节，912000 个样本
  • dev: 26928000 字节，24000 个样本
• 下载大小: 81651569 字节
• 数据集大小: 1050192000 字节
• 数据文件路径:
  • train: Burgers_Sols_Nu1.0/train-*
  • dev: Burgers_Sols_Nu1.0/dev-*

Burgers_Sols_Nu2.0

• 特征:
  • tensor: 序列类型，包含 float32 数据
  • parameters: 字符串类型
  • window_t: 整数类型
• 分割:
  • train: 1023264000 字节，912000 个样本
  • dev: 26928000 字节，24000 个样本
• 下载大小: 46871093 字节
• 数据集大小: 1050192000 字节
• 数据文件路径:
  • train: Burgers_Sols_Nu2.0/train-*
  • dev: Burgers_Sols_Nu2.0/dev-*

Burgers_Sols_Nu4.0

• 特征:
  • tensor: 序列类型，包含 float32 数据
  • parameters: 字符串类型
  • window_t: 整数类型
• 分割:
  • train: 1023264000 字节，912000 个样本
  • dev: 26928000 字节，24000 个样本
• 下载大小: 29122386 字节
• 数据集大小: 1050192000 字节
• 数据文件路径:
  • train: Burgers_Sols_Nu4.0/train-*
  • dev: Burgers_Sols_Nu4.0/dev-*

搜集汇总

数据集介绍

构建方式

在计算流体力学与偏微分方程数值模拟的交叉领域中，Burgers方程作为非线性对流扩散问题的经典模型，其精确数值解对物理信息神经网络等数据驱动方法的训练至关重要。该数据集基于不同黏性系数（Nu值从0.001至4.0）下的Burgers方程数值解构建而成，共涵盖12个配置子集。每个配置子集包含912,000个训练样本与24,000个验证样本，样本以多维浮点张量形式存储时空演化场，并附带表征物理参数的字符串标识与时间窗口索引。数据通过高精度数值求解器生成，确保了不同扩散强度下解空间的丰富性与物理一致性。

使用方法

研究人员可通过HuggingFace Datasets库便捷加载该数据集，按需选择特定黏性系数的配置名称（如'Burgers_Sols_Nu0.001'）进行实例化。加载后的数据包含'tensor'、'parameters'与'window_t'三个字段，其中'tensor'可直接作为神经网络输入，'parameters'可用于条件生成或物理参数嵌入。典型应用场景包括训练物理信息神经网络求解正问题、构建数据驱动的代理模型，或验证算子学习框架在变参数条件下的表现。建议在训练时采用分配置加载策略，以控制实验变量并分析模型对不同扩散强度的适应性。

背景与挑战

背景概述

在计算流体力学与机器学习交叉融合的前沿领域，偏微分方程数值解的代理建模已成为加速科学计算的关键路径。Burgers方程作为非线性对流扩散现象的经典范式，其解空间随粘性系数ν的变化展现出从激波形成到平滑扩散的丰富动力学行为，为评估数据驱动模型对复杂物理系统的泛化能力提供了理想试验场。sogeeking/quantized_burgers_vq数据集由研究团队系统构建，旨在为基于向量量化的神经算子方法提供标准化训练与评估基准。该数据集覆盖了从ν=0.001至ν=4.0共12个粘性系数配置，每个配置包含912,000个训练样本与24,000个验证样本，样本以三维张量形式存储空间-时间演化序列，并附带参数信息。其发布推动了可量化物理信息嵌入与离散表示学习在流体模拟中的发展，为探索模型在不同物理参数下的鲁棒性与效率提供了规模化数据支撑。

当前挑战

该数据集所应对的核心领域挑战在于，传统数值求解器在精细网格与长时间积分下计算成本高昂，而现有数据驱动方法在跨参数泛化时常遭遇灾难性遗忘与相空间覆盖不足。Burgers方程中粘性系数的量级跨越四个数量级，导致解的光滑性与激波锐度剧烈变化，这对模型在低粘性高雷诺数区域捕捉间断、在高粘性区域保留扩散细节的能力构成严峻考验。构建过程中，精确数值解的生成需在每套参数下平衡离散精度与计算效率，确保训练数据在物理一致性上无偏；同时，将连续时空场量化为离散张量表示时，需设计合理的量化策略以在压缩数据体积的同时保留关键动力学特征，避免引入伪影或丢失小尺度结构，这对量化方案的选择与验证提出了极高要求。

常用场景

经典使用场景

在流体力学与非线性波动理论的交汇处，Burgers方程作为描述冲击波形成与粘性耗散相互作用的经典模型，其数值求解始终是计算物理领域的核心挑战。sogeeking/quantized_burgers_vq数据集通过提供覆盖从极低粘性（ν=0.001）到高粘性（ν=4.0）十二种不同雷诺数场景的数值解，为研究者搭建了一座连接理论模型与数据驱动方法的桥梁。该数据集最经典的使用场景在于训练基于深度学习的偏微分方程代理模型，特别是针对物理信息神经网络（PINNs）和神经算子（如FNO、DeepONet）的监督学习任务，其中每个样本包含完整时空张量及对应的粘性参数，使得模型能够习得从初始条件到长期演化的非线性映射关系。

解决学术问题

该数据集精准回应了计算力学中长期存在的两大学术困境：其一，传统数值方法（如有限差分法）在捕捉激波间断时面临的高计算成本与数值振荡问题；其二，现有公开的Burgers方程基准数据多局限于单一粘性参数，难以支撑跨参数泛化能力的研究。通过提供横跨三个数量级粘性系数的标准化训练-验证划分（训练集91.2万样本，验证集2.4万样本），该数据集使得研究者能够系统性地评估不同架构的神经算子对粘性参数的鲁棒性，并首次为量化模型在粘性趋近零时对激波形成过程的预测误差提供了大规模统计基础。其意义在于将偏微分方程求解从确定性数值计算范式推向概率性学习范式，为湍流模拟、气候预测等复杂系统建模开辟了新路径。

实际应用

在工业级流体仿真与数字孪生领域，该数据集正推动着实时预测技术的革新。工程实践中，传统CFD求解器在参数空间搜索（如管道流动的雷诺数优化）中往往需要数小时乃至数天的计算，而基于该数据集预训练的神经算子模型可在毫秒级完成对任意粘性参数下流场演化的预测。具体而言，在航空发动机燃烧室设计、血液动力学模拟以及城市污染物扩散预警系统中，该数据集支撑的模型能够替代部分高保真仿真环节，实现设计空间的快速遍历与异常流动状态的瞬态捕捉。此外，其包含的窗口时间参数（window_t）特性，使得模型可被灵活裁剪用于不同预测时域的需求，为边缘计算设备上的轻量化部署提供了数据基础。

数据集最近研究

最新研究方向

该数据集聚焦于Burgers方程在不同粘性系数下的数值解，为物理信息神经网络（PINNs）和算子学习等前沿方法提供了丰富的训练与验证资源。在湍流建模与非线性波动理论中，Burgers方程作为Navier-Stokes方程的简化模型，其高精度求解一直是计算流体力学（CFD）的核心挑战。近期研究趋势集中在利用该数据集训练神经算子（如DeepONet、FNO）以实现对粘性系数从0.001到4.0跨尺度参数空间的快速预测，这一方向与数字孪生和实时仿真等热点需求紧密相连。通过覆盖12种粘性配置、包含超90万时间窗口样本的庞大规模，该数据集显著推动了数据驱动方法在偏微分方程（PDE）求解中的泛化能力研究，为复杂物理系统的机器学习建模奠定了基准性基础。