Stability_Landscapes

Kuramoto-Stability-Landscape (KSL)数据集包含由第二阶Kuramoto模型生成的合成振荡器网络拓扑。这个数据集有两个集合，每个集合包含10000个独特的网络拓扑，分别是20个节点的网络和100个节点的网络。每个网络拓扑都配有SNBS热图，提供每个节点的详细空间稳定性信息。数据集适用于图到图像回归的机器学习任务，可以用于单节点稳定性概率预测和动态网络的稳定性分析及鲁棒性评估。

原始信息汇总

数据集概述：Kuramoto-Stability-Landscape (KSL)

基本信息

• 名称: Stability-Landscape
• 许可证: CC-BY-4.0
• 语言: 英语
• 标签: 图神经网络、Kuramoto振荡器、盆地稳定性、电网、物理、长程依赖
• 规模: 100M < n < 1B
• 任务类别: 图机器学习、其他

数据集内容

• 来源: 合成数据
• 描述: 数据集包含从二阶Kuramoto模型生成的合成振荡器网络拓扑，用于分析复杂系统（如电网和神经元网络）中的同步动态。

数据集组成

• dataset20: 包含10,000个网络拓扑，每个网络有20个节点。
• dataset100: 包含10,000个网络拓扑，每个网络有100个节点。

数据结构

• 文件格式: HDF5
• 目录结构: text num_sections_20/ ├── ds20/ │ ├── heatmap_grid_00001.h5 │ ├── heatmap_grid_00002.h5 │ └── ... └── ds100/ ├── heatmap_grid_00001.h5 ├── heatmap_grid_00002.h5 └── ...

数据详情

子数据集	图数量	节点/图	文件数量	热图/文件	分辨率
dataset20	10,000	20	10,000	40	20×20
dataset100	10,000	100	10,000	200	20×20

• 热图类型:
  • basin_heatmap_i: 动态稳定性强度（值在[0, 1]之间）。
  • samples_heatmap_i: 每个热图单元的蒙特卡洛扰动样本数。

任务与应用

• 主要任务: 图到图像回归，直接从图拓扑和节点属性预测SNBS热图景观。
• 下游应用: 单节点盆地稳定性概率预测、动态网络的稳定性分析和鲁棒性评估。

数据划分

• 训练集: 70%
• 验证集: 15%
• 测试集: 15%

生成方法

• 基础模型: 二阶Kuramoto振荡器。
• 扰动: 蒙特卡洛采样扰动(φ, φ̇)应用于每个节点。
• 热图计算: 从原始模拟结果中计算每20×20空间箱的稳定性状态和扰动密度。
• 计算资源: 超过500,000 CPU小时。

使用方法

1. 解压.tar文件: bash tar -xvf num_sections_20.tar

2. 加载.h5文件: python import h5py import numpy as np

   with h5py.File(num_sections_20/ds20/heatmap_grid_00001.h5, r) as f: basin_heatmap_node1 = np.array(f[basin_heatmap_1]) samples_heatmap_node1 = np.array(f[samples_heatmap_1]) print(basin_heatmap_node1.shape) # (20, 20)

搜集汇总

数据集介绍

构建方式

该数据集基于二阶Kuramoto模型构建，该模型常用于分析复杂系统（如电网和神经元网络）中的同步动力学。数据集包含两个集合，分别由20节点和100节点的网络拓扑组成，每个集合包含10,000个独特的网络拓扑。通过蒙特卡洛采样扰动方法，生成每个节点的稳定性热图，计算了20x20空间分箱中的连续稳定性值和扰动密度。整个构建过程消耗了超过500,000个CPU小时的计算资源。

使用方法

使用该数据集时，首先需解压提供的.tar文件，随后可通过HDF5格式读取热图数据。例如，在Python中使用h5py库加载文件，提取每个节点的basin_heatmap和samples_heatmap。数据集适用于图到图像的回归任务，如预测单节点盆地稳定性（SNBS）概率，以及动态网络的稳定性分析和鲁棒性评估。其结构化和预划分特性使其成为机器学习和复杂系统研究的理想基准。

背景与挑战

背景概述

Kuramoto-Stability-Landscape (KSL)数据集由研究复杂系统同步动力学的学者团队创建，基于二阶Kuramoto模型生成合成振荡器网络拓扑结构。该数据集专注于分析电力网络和神经元网络等复杂系统中的同步动态特性，为研究动态稳定性提供了重要工具。数据集包含20节点和100节点两种规模的网络拓扑各10,000个，每个拓扑均关联了详细的单节点盆地稳定性(SNBS)热图，为复杂系统的稳定性分析提供了丰富的数据支持。其创新性地将图神经网络与动态系统稳定性研究相结合，推动了复杂网络稳定性预测方法的发展。

当前挑战

该数据集面临的主要挑战体现在两个方面：在领域问题层面，如何准确预测复杂动态网络的稳定性仍是一个开放性问题，特别是处理长程依赖和非线性动力学行为时存在显著困难；在构建过程层面，数据集生成需要大量计算资源（超过50万CPU小时），且蒙特卡洛扰动采样和热图计算过程涉及复杂的数值模拟和数据处理。此外，将高维图结构数据映射到精细稳定性热图的回归任务对机器学习模型提出了极高的要求，需要有效捕捉图拓扑特征与动态稳定性之间的复杂关系。

常用场景

经典使用场景

在复杂系统动力学研究中，Stability_Landscapes数据集为分析同步现象提供了关键工具。该数据集通过二阶Kuramoto模型生成的合成振荡器网络拓扑，结合单节点盆地稳定性（SNBS）热图，为研究者提供了丰富的动态稳定性信息。经典使用场景包括预测复杂网络中的同步行为，特别是在电力网络和神经元网络等实际系统中，研究者可利用该数据集训练图神经网络，直接从拓扑结构预测稳定性热图，为系统鲁棒性分析提供量化依据。

解决学术问题

该数据集有效解决了复杂系统稳定性量化分析的学术难题。传统方法依赖耗时的数值模拟计算单节点盆地稳定性，而该数据集通过预计算的20×20分辨率热图，将动态稳定性强度以连续值形式呈现，显著提升了研究效率。其包含的20节点和100节点两个规模的数据集，为研究网络规模对稳定性的影响提供了对比基准，填补了图到图像回归任务在动力学系统领域的空白。

实际应用

在电力系统安全评估领域，该数据集具有重要应用价值。电网运营商可利用训练好的模型快速预测不同拓扑结构下的稳定性热图，识别网络中的脆弱节点。神经科学研究中，该数据集有助于理解大规模神经元集群的同步机制，为癫痫等疾病的研究提供新视角。数据集包含的蒙特卡洛扰动样本信息，为实际系统的容错性设计提供了数据支撑。

数据集最近研究

最新研究方向

在复杂系统动力学研究领域，Stability_Landscapes数据集为探索同步现象提供了重要支持。该数据集基于二阶Kuramoto模型生成，包含20节点和100节点两种规模的网络拓扑结构，为研究电力网络和神经元网络的稳定性分析提供了丰富资源。前沿研究主要集中在图神经网络在动态稳定性预测中的应用，特别是图到图像的回归任务，旨在直接从网络拓扑和节点属性预测详细的SNBS热图景观。这一方向与当前复杂网络系统的鲁棒性评估需求高度契合，为理解长程依赖关系和非线性动力学行为开辟了新途径。数据集的大规模特性（超过500,000 CPU小时生成）也为机器学习模型在物理启发的复杂任务中的表现评估提供了基准平台。