Linear-Radiation-Transport

Linear Radiation Transport (Lattice + Hohlraum) 是一个用于最终时间二维线性辐射传输方程（RTE）的点云代理建模数据集。它包含两个互补的基准测试：Lattice基准和Hohlraum基准，旨在评估神经代理模型在不同方面的泛化能力。Lattice基准包含707个模拟样本（494个训练，106个验证，107个测试），几何结构固定为7×7方块阵列，变化参数为白色背景区域的散射系数和蓝色吸收块的吸收截面，关注物理量为最终时刻在吸收块区域上的吸收积分。Hohlraum基准包含846个模拟样本（592个训练，126个验证，128个测试），各区域材料截面固定，变化由8个几何参数控制，关注物理量为最终时刻在三个材料区域上的吸收积分。数据通过KiT-RT求解器生成，采用离散坐标角离散化、非结构化网格上的有限体积格式和显式SSP Runge-Kutta时间积分器，整理为PhysicsNeMo `Mesh`内存映射格式。数据集总共有1,553个模拟，每个样本为非结构化三角网格（点云），包含约70k至81k个单元，每个单元数据包括单元面积、吸收截面、散射截面、总截面、源项、材料属性、标量通量（初始和最终时刻快照），以及单元中心坐标和全局元数据。该数据集适用于训练、评估和基准测试点云/网格基础的神经代理模型，用于线性辐射传输的最终时间预测，两个基准提供互补压力测试：Lattice测试模型在固定几何下对材料参数的泛化能力，Hohlraum测试模型在固定材料参数下对几何的泛化能力，适用于图神经网络、神经算子、点云回归器及相关研究。

Linear Radiation Transport (Lattice + Hohlraum) is a point-cloud surrogate modeling dataset for the final-time two-dimensional linear radiative transfer equation (RTE). It consists of two complementary benchmark suites: the Lattice benchmark and the Hohlraum benchmark, designed to evaluate the generalization capabilities of neural surrogate models across different scenarios. The Lattice benchmark contains 707 simulation samples (494 for training, 106 for validation, 107 for testing), with a fixed 7×7 square array geometry. The varying parameters are the scattering coefficient of the white background region and the absorption cross-section of the blue absorbing blocks, and the target physical quantity is the absorption integral over the absorbing block regions at the final time. The Hohlraum benchmark contains 846 simulation samples (592 for training, 126 for validation, 128 for testing), with fixed material cross-sections across all regions, and the variations are controlled by 8 geometric parameters. The target physical quantity is the absorption integral over the three material regions at the final time. The dataset is generated using the KiT-RT solver, which adopts discrete ordinates angular discretization, finite volume scheme on unstructured grids, and explicit SSP Runge-Kutta time integrator, and is formatted into the PhysicsNeMo `Mesh` memory-mapped format. In total, the dataset contains 1,553 simulations. Each sample is an unstructured triangular mesh (point cloud) with approximately 70,000 to 81,000 cells. The data for each cell includes cell area, absorption cross-section, scattering cross-section, total cross-section, source term, material properties, scalar flux (snapshots at initial and final times), as well as cell center coordinates and global metadata. This dataset is suitable for training, evaluating, and benchmarking point-cloud/mesh-based neural surrogate models for final-time prediction of linear radiation transport. The two benchmark suites provide complementary stress tests: the Lattice benchmark tests a model's generalization ability to material parameters under fixed geometry, while the Hohlraum benchmark tests generalization to geometry under fixed material parameters, and is applicable to graph neural networks, neural operators, point cloud regressors, and related research.

原始信息汇总

数据集概述：Linear Radiation Transport (Lattice + Hohlraum)

该数据集是由 NVIDIA 公司于 2026 年 5 月创建，基于 CC BY 4.0 许可发布，专注于二维线性辐射传输方程（RTE）的终态点云代理建模。数据集包含 1,553 个仿真样本，覆盖两个互补的基准测试问题。

1. 数据集构成与基准测试

数据集由两个子集构成，分别测试模型在不同参数下的泛化能力：

• Lattice 基准（707 个样本）：固定 7 × 7 块几何结构，每个样本变化白色背景散射系数（σ_s ∈ [0.1, 10.1]）和蓝色吸收体截面（σ_a ∈ [5, 105]）。目标量（QoI）为吸收块上终态吸收积分 (int_B sigma_a, phi, dx)。
• Hohlraum 基准（846 个样本）：固定区域截面，每个样本变化 8 个几何参数（ulr, llr, urr, lrr, hlr, hrr, cx, cy），控制两个壁锚红色条带的内边缘和 y 范围以及中心插入物的 (x, y) 偏移。目标量（QoI）为三个材料区域（中心插入物、垂直条带、水平条带）上的终态吸收积分 (int_S sigma_a, phi, dx)。

两个子集共享训练/验证/测试划分（Lattice: 494/106/107；Hohlraum: 592/126/128）。

2. 数据生成与格式

• 生成方法：使用 KiT-RT 求解器，采用离散纵坐标（S_N）角离散、非结构网格有限体积格式和显式 SSP Runge-Kutta 时间积分器，生成高保真仿真数据。所有数据均为合成数据，无人为标注。
• 数据格式：
  • 模态：二维点云 / 非结构网格，每个样本包含逐单元张量和标量元数据。
  • 存储容器：每个样本以 PhysicsNeMo 的 Mesh（基于 tensordict 的 memmap 存储）形式打包为 <name>.pmsh.tar.gz 压缩包。
  • 逐单元字段：cell_areas (float32)、sigma_a、sigma_s、sigma_t (float32)、Q (float32)、material_properties (int64)、scalar_flux (float32, 形状 (N, 2)，含初态和终态快照)。
  • 单元中心坐标：Mesh.points (float32, 形状 (N, 2)，因是 2-D 模拟，无 z 列)。
  • 逐仿真元数据（Mesh.global_data）：sim_times、timesteps、wall_times、flux_statistics、global_metrics 及展平的 attr__* 参数。
• 辅助文件：
  • 数据划分：splits/{lattice,hohlraum}_splits.json 文件。
  • 示意图：docs/images/ 下的 PNG 图表。
  • 转换清单：mesh/{lattice,hohlraum}/conversion_manifest.json。

3. 数据集规模与统计

• 样本总数：1,553 个仿真（Lattice 707 + Hohlraum 846）。
• 每样本单元数：Lattice 约 79.9k（固定）；Hohlraum 约 70k–81k。
• 每样本特征：7 个逐单元字段 + 2-D 坐标 + 逐仿真元数据。
• 总存储：解压后 .pmsh/ 目录约 6.0 GB；Hugging Face Hub 上的 .pmsh.tar.gz 压缩包约 2.4 GB。

4. 预期用途与适用场景

• 核心用途：训练、评估和基准测试基于点云/网格的神经代理模型（如图神经网络、神经算子、点云回归器），用于终态线性辐射传输。
• 互补测试设计：Lattice 基准测试模型在固定几何下对材料参数的泛化能力；Hohlraum 基准测试模型在固定材料参数下对几何的泛化能力。
• 扩展应用：适用于基于 KiT-RT 参考解的多保真度/不确定性量化研究。

5. 引用与许可

• 参考论文：
  • Schotthöfer, S., & Hauck, C. (2025). "Reference solutions for linear radiation transport: the Hohlraum and Lattice benchmarks." arXiv preprint arXiv:2505.17284.
  • Kusch, J., et al. (2023). "KiT-RT: An extendable framework for radiative transfer and therapy." ACM Transactions on Mathematical Software, 49(4), 1–24.
• 求解器链接：KiT-RT GitHub 仓库
• 许可协议：CC BY 4.0

搜集汇总

数据集介绍

构建方式

Linear-Radiation-Transport数据集依托高保真度的数值模拟生成，采用先进的KiT-RT求解器对二维线性辐射输运方程进行离散求解。求解过程中，利用离散纵标法（S_N）进行角度离散，并结合有限体积法处理非结构化网格，同时引入显式SSP Runge-Kutta时间积分器确保时间推进的稳定性。模拟结果被精心整理为符合PhysicsNeMo Mesh格式的张量字典内存映射存储（memmap），每个样本对应一个包含逐单元标量通量、材料属性及区域吸收积分等关键物理量的点云数据容器，最终以压缩归档形式托管于HuggingFace平台。

使用方法

数据集不直接支持HuggingFace Datasets库的标准加载方式，需通过huggingface_hub的snapshot_download函数将完整仓库下载至本地，随后利用Python的tarfile模块批量解压每个样本的.pmsh.tar.gz归档文件。解压后所得的.pmsh目录可直接经由PhysicsNeMo框架的Mesh API加载，获取逐单元张量数据与全局标量元数据。此外，数据集中提供了JSON格式的训练/验证/测试划分文件，便于用户按预设拆分组织模型训练与评估流程，适用于图神经网络、神经算子及点云回归器等科学机器学习研究。

背景与挑战

背景概述

在计算科学与工程领域，辐射传输方程的数值求解是核工程、天体物理和惯性约束聚变等众多前沿研究的核心基石。然而，传统的高保真数值模拟（如离散纵标法结合有限体积格式）计算成本高昂，严重制约了参数化研究和不确定性量化分析的发展。为突破这一瓶颈，NVIDIA公司于2026年5月推出了Linear-Radiation-Transport数据集，旨在为科学机器学习驱动的代理建模提供标准化的基准测试平台。该数据集由Schotthöfer与Hauck等人基于KiT-RT求解器生成，涵盖两个互补的经典基准问题：Lattice基准固定几何构型而变化材料参数，Hohlraum基准固定材料属性而变化几何构型。这一精心设计的数据集不仅为图神经网络、神经算子和点云回归器等代理模型提供了高质量的训练与评估资源，更填补了辐射传输领域标准代理建模数据集的空白，对推动科学机器学习在辐射传输中的应用具有里程碑意义。

当前挑战

该数据集致力于应对两大核心挑战。在领域问题层面，辐射传输方程的代理建模面临物理与几何双轴变化的耦合复杂性：传统数值方法虽精度高但计算耗时，难以支撑大规模参数扫描和实时预测；而机器学习模型需同时泛化到材料参数和几何构型的变化，这对模型的物理一致性和外推能力提出了严峻考验。在构建过程中，数据生成面临高分辨率的非结构网格模拟挑战——每个样本需在包含约7至8万个单元的三角形网格上，采用离散纵标法（S_N）和显式SSP龙格-库塔时间积分进行求解，计算资源消耗巨大。同时，数据存储与格式转换也颇具挑战：需要将3.5GB的原始模拟结果转换为PhysicsNeMo专用的高维张量字典（tensordict）内存映射格式，并压缩为2.4GB的归档文件，以确保在Hugging Face平台上的高效分发与加载。

常用场景

经典使用场景

Linear-Radiation-Transport数据集专为科学机器学习中的辐射传输问题所设计，尤其聚焦于二维线性辐射输运方程（RTE）的最终时刻点云代理建模。该数据集包含两个经典基准——Lattice与Hohlraum，前者在固定几何构型下遍历材料参数（如散射系数和吸收截面），后者则在固定材料属性下变化几何参数（如内边界与偏移量），从而分别检验代理模型对不同物理特性的泛化能力。因此，它最常见的用途是作为图神经网络、神经算子以及点云回归器在辐射输运代理建模中的训练、验证与性能评估平台，支持研究者系统性地比较不同架构在低数据量、高维参数空间下的表现。

解决学术问题

辐射输运方程的数值求解在核工程、天体物理和等离子体物理中具有核心地位，但传统离散纵标法或蒙特卡罗方法计算代价高昂，难以满足实时或大规模参数扫描的需求。该数据集通过提供高保真参考解，首次系统性地支持基于数据驱动的代理模型来近似辐射输运的正向映射，解决了两方面关键问题：一是如何从稀疏的点云表征中回归区域吸收积分量，二是如何分离几何与材料参数变化对解的影响，从而为多尺度多物理耦合中的快速替代建模提供了验证基准。其发布推动了科学机器学习中物理先验嵌入与数据高效学习的交叉研究，显著降低了辐射输运代理建模的入门门槛。

实际应用

在实际工程场景中，该数据集支撑的代理模型可直接应用于惯性约束聚变靶设计的快速迭代优化，以及核反应堆屏蔽计算中的不确定性量化。例如，在Hohlraum几何参数空间中，基于图神经网络的代理模型能够在毫秒级预测不同内嵌插入件偏移和壁面条带尺寸下的吸收通量，从而替代耗时的高精度数值模拟，使设计人员能更高效地探索数百万种候选构型。此外，该数据集也适用于医学放射治疗中的剂量计算加速，特别是针对复杂解剖结构的点云表示，有望结合物理信息损失函数实现治疗计划的实时再优化。

数据集最近研究

最新研究方向

该数据集聚焦于基于点云与无结构网格的神经代理模型在二维线性辐射输运方程求解中的前沿研究。通过构建Lattice与Hohlraum两类互补基准，分别探究神经网络在固定几何下跨材料参数泛化及在固定物性下跨几何构型泛化的能力。得益于KiT-RT高保真离散纵标有限体积仿真数据的支撑，该数据集为图神经网络、神经常微分算子以及混合保真度不确定性量化研究提供了标准化测试平台，启发了科学机器学习领域对稀疏采样与高维参数空间高效建模的深层探索，其辐射输运背景亦与核能工程、天体物理及医学放射治疗中的热点数值模拟需求紧密相连。