Anomalous Diffusion (AnDi) Challenge datasets

github2020-10-02 更新2024-05-31 收录

下载链接：

https://github.com/gorkamunoz/ANDI_datasets

下载链接

链接失效反馈

官方服务：

资源简介：

此仓库包含生成Anomalous Diffusion (AnDi) Challenge轨迹数据集的必要功能。`andi-datasets`包允许根据各种扩散模型生成一维、二维或三维的轨迹数据集。

This repository contains the necessary functionalities for generating the trajectory dataset for the Anomalous Diffusion (AnDi) Challenge. The `andi-datasets` package enables the generation of one-dimensional, two-dimensional, or three-dimensional trajectory datasets based on various diffusion models.

创建时间：

2020-03-25

原始信息汇总

Anomalous Diffusion (AnDi) Challenge Datasets Summary

Data Generation Package

Package Name: andi-datasets
Installation: pip install andi-datasets
Usage: Import the package in a Python3 environment using import andi

Data Generation Class

Class Name: ANDI
Functions: Generate, save, and load trajectories generated with various diffusion models.
Purpose: Generate datasets similar to those used in the AnDi challenge, adaptable to user needs.

Available Models

Models Organization: Organized into three subclasses based on dimensions (oneD, twoD, threeD).
Included Models:
- One Dimension:
  - Continuous time random walk
  - Fractional Brownian motion
  - Lévy walk
  - Annealead transit time
  - Scaled Brownian motion
- Two Dimensions:
  - Continuous time random walk
  - Fractional Brownian motion
  - Lévy walk
  - Annealead transit time
  - Scaled Brownian motion
- Three Dimensions:
  - Continuous time random walk
  - Fractional Brownian motion
  - Lévy walk
  - Annealead transit time
  - Scaled Brownian motion

Model Properties

Compulsory Inputs:
- T: Length of the trajectory.
- alpha: Anomalous exponent.
Output:
- trajectory: numpy.array of size 1x(d.T), where d is the number of dimensions.
Additional Constraints:
- Trajectories must represent the position of a particle at regular times.
- All trajectories must start at 0.
- Models must be added to the corresponding dimension subclass.

搜集汇总

数据集介绍

构建方式

Anomalous Diffusion (AnDi) Challenge数据集通过`andi-datasets`包生成，该包允许用户根据多种扩散模型生成一维、二维或三维的轨迹数据。数据集的构建基于`ANDI`类，该类不仅能够生成与ANDI挑战赛相似的轨迹数据集，还能根据用户需求生成不同类型的轨迹数据。扩散模型被组织在`diffusion_models`类中，并按照维度分为`oneD`、`twoD`和`threeD`三个子类。每个模型通过函数生成，函数具有固定的输入参数，如轨迹长度`T`和异常扩散指数`alpha`，输出为表示粒子位置的轨迹数组。

使用方法

使用Anomalous Diffusion (AnDi) Challenge数据集时，首先需通过`pip install andi-datasets`安装`andi-datasets`包，并在Python环境中导入`andi`模块。用户可通过`ANDI`类生成、保存和加载轨迹数据，具体操作示例可在`examples_andi.ipynb`文件中查看。生成轨迹时，用户需指定轨迹长度`T`和异常扩散指数`alpha`，并根据需求选择不同的扩散模型。生成的轨迹数据可用于分析异常扩散行为、验证模型或进行其他相关研究。

背景与挑战

背景概述

Anomalous Diffusion (AnDi) Challenge数据集由国际研究团队于2020年创建，旨在解决异常扩散现象在复杂系统中的建模与分类问题。该数据集由多个研究机构共同开发，涵盖了从一维到三维的多种扩散模型，如连续时间随机游走、分数布朗运动和Lévy行走等。这些模型广泛应用于生物物理学、材料科学和金融工程等领域，为研究者提供了一个标准化的基准平台，推动了异常扩散理论的发展与应用。

当前挑战

AnDi数据集面临的挑战主要集中在两个方面。首先，异常扩散现象的复杂性使得模型的准确分类和参数估计变得极为困难，尤其是在高维空间中，扩散行为的多样性和非线性特征增加了分析的难度。其次，在数据集的构建过程中，如何确保生成的轨迹符合物理规律并保持一致性是一个关键问题。例如，轨迹的起始点必须为零，且采样时间必须均匀分布，这些约束条件增加了数据生成的复杂性。此外，如何扩展数据集以涵盖更多现实世界中的扩散场景，也是未来研究的重要方向。

常用场景

经典使用场景

Anomalous Diffusion (AnDi) Challenge数据集在复杂系统中的粒子扩散研究中具有重要应用。该数据集通过生成一维、二维和三维的扩散轨迹，模拟了多种扩散模型，如连续时间随机游走、分数布朗运动和Lévy行走等。这些轨迹数据为研究者提供了丰富的实验材料，用于分析和验证不同扩散模型的特性。特别是在生物物理学和材料科学领域，该数据集被广泛用于研究粒子在复杂介质中的运动行为，帮助揭示扩散过程中的异常现象。

解决学术问题

AnDi数据集解决了异常扩散领域中的多个关键学术问题。通过提供多种扩散模型的轨迹数据，研究者可以系统地比较不同模型的扩散特性，如扩散指数和轨迹形态。此外，该数据集还支持对扩散过程的定量分析，帮助研究者验证理论模型的准确性。这些数据为理解复杂系统中粒子运动的非马尔可夫性和长程相关性提供了重要支持，推动了异常扩散理论的进一步发展。

实际应用

AnDi数据集在实际应用中展现了广泛的潜力。在生物医学领域，该数据集可用于模拟细胞内分子的扩散行为，帮助研究药物输送和细胞信号传导的机制。在环境科学中，它可用于模拟污染物在土壤或水体中的扩散过程，为污染治理提供理论依据。此外，该数据集还可应用于纳米材料的设计与优化，通过模拟纳米颗粒的扩散行为，提升材料的性能和应用效果。

数据集最近研究