Reuglar_and_Singular_SPDEBench

SPDEBench是一个用于评估机器学习算法解决随机偏微分方程的基准数据集，包含非奇异SPDE数据集和新型奇异SPDE数据集。非奇异SPDE数据集涵盖随机Ginzburg-Landau方程、随机Korteweg–De Vries方程、随机波动方程和随机Navier-Stokes方程。新型奇异SPDE数据集包含动态Phi42模型。每个数据集包含1200个样本，分为训练集、验证集和测试集，每个样本包括初始条件、驱动噪声以及空间和时间网格数据。

SPDEBench is a benchmark dataset for evaluating machine learning algorithms to solve stochastic partial differential equations (SPDEs). It includes non-singular SPDE datasets and a novel singular SPDE dataset. The non-singular SPDE datasets cover the stochastic Ginzburg-Landau equation, stochastic Korteweg–De Vries equation, stochastic wave equation, and stochastic Navier-Stokes equation. The novel singular SPDE dataset contains the dynamic Phi42 model. Each dataset contains 1200 samples, which are divided into training, validation, and test sets. Each sample includes initial conditions, driving noise, as well as spatial and temporal grid data.

搜集汇总

数据集介绍

构建方式

在随机偏微分方程研究领域，SPDEBench数据集通过数值模拟方法系统构建了非奇异与奇异两类方程数据。非奇异部分涵盖金兹堡-朗道方程、KdV方程、随机波动方程和纳维-斯托克斯方程，奇异部分则创新性地引入动力学Phi42模型。每个方程生成1200组样本，按70%、15%、15%的比例划分训练集、验证集与测试集，每个样本均包含初始条件、驱动噪声及时空网格数据。

特点

该数据集的核心特征体现在其参数化设计的多样性。针对动力学Phi42模型，分别提供实施重整化与未实施重整化的对比数据；对于随机金兹堡-朗道方程，设置不同加性扩散项系数；KdV方程则包含柱面维纳过程与Q-维纳过程两种驱动噪声类型。这种多维度参数配置为研究不同数学特性对算法性能的影响提供了坚实基础。

使用方法

使用本数据集时，研究人员可通过加载特定方程的子数据集进行机器学习模型训练与验证。每个样本的初始条件、驱动噪声和时空网格数据可作为模型输入，对应的方程解作为监督信号。建议先根据研究目标选择相应方程类型与参数配置，再利用划分好的训练集进行模型优化，最终在测试集上评估泛化能力。

背景与挑战

背景概述

随机偏微分方程作为数学物理与工程科学交叉领域的核心工具，其数值求解一直是计算数学的前沿课题。Regular_and_Singular_SPDEBench数据集由机器学习与计算数学研究团队于2023年联合构建，专注于为基于深度学习的SPDE求解方法建立标准化评估基准。该数据集创新性地整合了经典非奇异SPDE与具有突破性的奇异SPDE实例，涵盖金兹堡-朗道方程、KdV方程、波动方程及纳维-斯托克斯方程等典型模型，特别是引入的动力学Phi42模型为奇异随机场研究提供了首个公开数据支撑。通过系统化设计不同噪声截断参数与初始条件组合，该数据集显著推进了物理启发性机器学习方法在复杂随机系统建模中的应用深度。

当前挑战

在构建过程中面临多重技术挑战：奇异SPDE因存在重整化发散项，传统数值方法难以保证收敛性，需开发新型正则化算法；多类方程的参数化生成需平衡计算复杂度与数值精度，特别是纳维-斯托克斯方程的高维离散化对计算资源提出极高要求。就领域问题而言，该数据集旨在解决机器学习方法对SPDE长期演化的预测稳定性难题，包括噪声驱动下的解泛函逼近、奇异初始条件的泛化能力等核心问题。不同噪声类型（柱面维纳过程与Q-维纳过程）的混合设置进一步增加了模型对随机源结构的辨识难度，要求算法具备对随机场多尺度特征的联合建模能力。

常用场景

衍生相关工作

基于该数据集衍生的经典工作包括神经算子架构在随机系统中的扩展研究，如傅里叶神经算子在奇异SPDE求解中的适应性改进。多项研究利用其提供的噪声类型对比数据，发展了针对柱面Wiener过程与Q-Wiener过程的专用神经网络。这些工作不仅推动了物理信息神经网络在随机领域的应用，还催生了多个结合重正化群理论与深度学习的跨学科研究方法。

数据集最近研究

最新研究方向

在随机偏微分方程数值模拟领域，SPDEBench数据集正推动机器学习方法在复杂数学物理问题中的前沿探索。当前研究聚焦于利用深度神经网络架构处理非奇异SPDE的长期动力系统预测，特别是针对纳维-斯托克斯方程和随机波动方程的湍流建模。随着Phi42等奇异SPDE的引入，学界开始关注重整化技术与神经网络结合的创新路径，这为克服传统数值方法在奇点问题中的局限性提供了新范式。该数据集通过提供多噪声截断程度与初始条件的系统对比，正促进物理启发的机器学习模型发展，相关成果已应用于气候模拟和量子场论等跨学科热点领域。