“MOD-Net类脑算法”数据集

本数据集源于机器学习方法MOD-Net（Model-Operator-Data Network）在求解各类偏微分方程（PDE）过程中产生、使用的数据集合。MOD-Net是一种融合物理模型、算子表示与数据正则化的新型机器学习方法，用于高效求解PDE族而非单一特定方程。数据集主要通过数值实验生成，涵盖了Poisson方程、含不确定性/控制变量的构造方程、一维辐射传输方程（RTE）、一维Burgers方程和二维非线性方程等多种典型PDE。数据内容主要包括：1）用于训练MOD-Net的源项、边界条件参数采样；2）通过传统数值方法（如谱方法、迎风方案、Tailored Finite Point Method-TFPM）在粗细不同网格上计算得到的PDE解，作为标签数据或参考解；3）训练好的MOD-Net模型对测试参数下PDE的预测解。数据的时间范围为2021年至2022年，空间范围涉及一维区间、二维单位矩形区域及速度角域。数据精度与所采用的数值方法及网格分辨率相关。数据集经过与解析解或高精度数值解的对比验证，质量控制良好，具有较高的准确性和一致性。本数据集对计算数学、科学计算、物理信息机器学习及PDE数值解研究领域具有重要价值，可用于算法验证、比较、模型复现以及开发新的PDE机器学习求解器。本数据集包含MOD-Net方法求解多种PDE（Poisson, RTE, Burgers, 非线性方程等）过程中产生的参数、参考解、预测解等数据。数据集主要由多个压缩文件组成，每个对应一种PDE类型或特定实验的设置、输入参数、参考解（标签）、MOD-Net预测解及误差数据。数据格式主要为 .png/.npy/.npz，便于在Python环境中进行后续分析和可视化。数据集包含模拟数据、建模处理源代码、依赖库、示例输入数据、示例输出结果等文件共计132个，大小约248MB。