ConStellaration

ConStellaration数据集是一个包含约15.8万个类似QI的恒星器等离子体边界形状及其理想磁流体动力学（MHD）平衡和性能指标的开放数据集。该数据集由普罗克西马聚变公司创建，旨在通过提供标准化的优化问题和数据集，以促进数据驱动的方法在恒星器设计中的应用。数据集的创建过程包括采样各种QI场并优化相应的恒星器等离子体边界，以及使用VMEC++代码计算理想MHD平衡。数据集的应用领域包括优化和机器学习研究，旨在降低参与恒星器设计的门槛，并加速跨学科进步，以实现将聚变能源输送到电网的目标。

The ConStellation dataset is an open dataset containing approximately 158,000 quasi-isodynamic (QI)-like stellarator plasma boundary shapes, along with their ideal magnetohydrodynamic (MHD) equilibria and performance metrics. This dataset was created by Proxima Fusion, with the aim of promoting the application of data-driven methods in stellarator design by providing standardized optimization problems and datasets. The dataset creation process involves sampling various QI fields, optimizing the corresponding stellarator plasma boundary shapes, and using the VMEC++ code to compute ideal MHD equilibria. The application areas of this dataset include optimization and machine learning research, and it aims to lower the barrier to entry for stellarator design and accelerate interdisciplinary progress toward the goal of delivering fusion energy to the power grid.

原始信息汇总

数据集概述：ConStellaration

数据集简介

• 目的：提供多样化的准等动力（QI）恒星器边界形状及其性能指标、理想磁流体动力学（MHD）平衡数据，以及生成这些数据的设置。
• 应用领域：磁约束聚变能研究，特别是恒星器设计优化和机器学习应用。
• 数据集特点：包含高维优化问题的解决方案，旨在降低聚变能研究门槛。

数据集详情

数据集结构

数据集包含两个主要部分，通过plasma_config_id关联：

1. default

   • 内容：
     • 等离子体边界信息
     • 理想MHD指标
     • 用于等离子体边界采样的全生场和目标
     • 多种方法（DESC、VMEC、QP初始化、近轴展开）的采样设置
     • 采样或指标计算过程中可能出现的错误信息
   • 数据格式：每个组件包含标识符列（.id）、JSON字符串列及嵌套JSON结构的叶子节点列。

2. vmecpp_wout

   • 内容：每个等离子体边界的VMEC输出文件（"WOut"）的JSON字符串表示。
   • 用途：可转换为VMEC2000输出文件。

数据集规模

• default：
  • 样本数量：182,222
  • 大小：约1.24 GB
  • 下载大小：约610 MB
• vmecpp_wout：
  • 样本数量：324
  • 大小：约1.37 GB
  • 下载大小：约956 MB

数据集字段

主要字段

• metrics：包含等离子体的各项物理指标，如纵横比、平均三角形度、磁镜比等。
• boundary：描述等离子体边界的几何特性，如对称性、傅里叶系数等。
• omnigenous_field_and_targets：全生场及其目标的详细参数。
• optimization_settings：不同优化方法的设置，包括初始猜测、目标设置和优化器配置。

使用示例

python import datasets import torch

ds = datasets.load_dataset( "proxima-fusion/constellaration", split="train", num_proc=4, )

示例：筛选特定字段周期的数据

ds = ds.filter( lambda x: x == 3, input_columns=["boundary.n_field_periods"], num_proc=4, )

许可与引用

• 许可证：MIT
• 维护者：Proxima Fusion
• 代码仓库：https://github.com/proximafusion/constellaration

搜集汇总

数据集介绍

构建方式

ConStellaration数据集的构建采用了多阶段优化方法，结合了物理启发式启发式模型和近轴展开模型。首先，通过采样多样化的准等动力学（QI）磁场目标，利用DESC或VMEC++框架进行等离子体边界优化。每个优化过程均基于理想磁流体动力学（MHD）平衡计算，并通过高保真前向模型验证。数据集最终包含约158,000个QI类恒星器等离子体边界形状及其相关性能指标。

特点

ConStellaration数据集的特点在于其多样性和标准化。数据集涵盖了不同场周期数（1至5）的等离子体边界，每个配置均通过高保真理想MHD平衡计算验证。此外，数据集提供了三个复杂度递增的优化基准，包括几何优化、简单构建QI恒星器和多目标理想MHD稳定QI恒星器，每个基准均配有参考代码和基线结果。

使用方法

ConStellaration数据集的使用方法包括优化基准测试和生成模型训练。用户可以通过提供的参考代码和评估脚本，对三个优化基准进行系统测试和比较。此外，数据集支持基于学习的生成模型训练，无需依赖昂贵的物理模拟即可生成新的可行配置。所有数据和代码均公开在Hugging Face和GitHub平台，便于社区使用和扩展。

背景与挑战

背景概述

ConStellaration数据集由Proxima Fusion团队于2025年发布，旨在解决准等动力（QI）仿星器设计中的高维优化问题。仿星器作为磁约束核聚变装置，其设计涉及复杂的三维等离子体边界优化，传统方法依赖昂贵的物理模拟和深厚的领域知识。该数据集包含约15.8万组QI类等离子体边界形状及其理想磁流体动力学（MHD）平衡状态，填补了该领域标准化基准和数据驱动方法的空白。通过公开数据集与优化基准，研究团队试图降低跨学科研究门槛，加速商业化聚变能源开发进程。

当前挑战

ConStellaration数据集面临的核心挑战体现在两方面：领域问题层面，需解决准等动力仿星器设计中磁阱形状精确控制、高能粒子约束优化等复杂物理问题；构建过程层面，受限于有限计算资源，生成的数据集仅能近似QI条件，且等离子体边界参数化需平衡高维自由度与物理可行性。此外，缺乏统一的评估协议和线圈系统兼容性数据，进一步增加了下游应用的复杂性。

常用场景

经典使用场景

ConStellaration数据集在磁约束聚变装置优化领域具有广泛的应用价值。该数据集收录了约15.8万种准等动力学（QI）仿星器等离子体边界形状及其理想磁流体动力学（MHD）平衡状态，为研究人员提供了丰富的基准测试样本。在经典使用场景中，该数据集常被用于验证新型优化算法的有效性，例如通过比较不同参数化方法在几何约束下的收敛性能。数据集中的三维等离子体边界傅里叶级数参数化方案，为研究磁面拓扑结构与约束性能的关联提供了标准化分析框架。

衍生相关工作

该数据集已催生多项创新研究：Landreman等人基于数据驱动的降维方法，开发了等离子体边界的低维流形表示；Giuliani团队利用生成对抗网络实现了QI配置的端到端设计；Kappel提出的磁梯度尺度长度理论通过数据集验证了线圈复杂度预测模型。在开源社区，SIMSOPT和DESC等框架已集成数据集接口，支持自动微分优化与多物理场耦合分析。这些衍生工作共同推动了数据驱动与物理模型融合的下一代仿星器设计范式。

数据集最近研究

最新研究方向

随着聚变能源研究的深入，准等动力（QI）仿星器因其对电流驱动扰动的固有弹性而成为商业聚变的有力候选者。ConStellaration数据集的发布填补了该领域标准化优化问题和基准数据的空白，为数据驱动方法提供了坚实基础。该数据集包含多样化的QI仿星器等离子体边界形状及其理想磁流体动力学（MHD）平衡和性能指标，为优化和机器学习研究者提供了丰富资源。前沿研究方向包括：利用深度学习优化等离子体边界参数化、探索多目标优化中紧凑性与线圈复杂度之间的权衡，以及开发无需昂贵物理模拟的生成模型来高效产生新配置。这些进展有望显著降低仿星器设计的门槛，加速聚变能源的跨学科研究进程。

相关研究论文

• ConStellaration: A dataset of QI-like stellarator plasma boundaries and optimization benchmarks

  普罗克西马聚变 · 2025年