# SII 仿星器构型数据集：合并后的统一格式

格式版本：`stellarator-1.1`。本文描述新生成的离线导出，不代表 Hugging Face 上的数据集已经替换。具体数量查看本次导出的 `report.json`，来源清单查看 `inventory.json`。上传和来源许可证审查是另外的步骤。

## 一行一个构型

主数据在 `main/*.parquet`，包含成功评估的可行与不可行点，以及明确标注状态未知的部分评估。`failed/*.parquet` 存储边界可识别的明确求解失败记录。两者不是训练/测试划分；英文卡片中的 HF `train` 只是加载命名，没有定义留出测试集。

NFP 和傅里叶系数数值相同的构型，在两部分中合计只保留一条。优先成功，其次状态未知，最后失败；然后优先有限指标更多的记录，最后按固定来源顺序选择。不把重复评估当作不同样本，也不拿另一条评估的指标补齐当前记录。

## 边界格式

| 列名 | 类型 | 含义 |
| --- | --- | --- |
| `configuration_id` | string | 规范化 NFP、模态网格和 float64 系数的 SHA-256 |
| `schema_version` | string | `stellarator-1.1` |
| `boundary.n_field_periods` | int64 | 正整数 NFP；NFP 不同视为不同构型 |
| `boundary.r_cos` | list[list[float64]] | 径向余弦系数，通常为 5 行 9 列 |
| `boundary.z_sin` | list[list[float64]] | 竖直方向正弦系数，与 r_cos 形状相同 |

对于 `(M, 2N+1)` 矩阵，行对应极向模态 `m=0..M-1`，列对应环向编号 `n=-N..N`。通常为 5 行 9 列，DP 还使用 8 行 15 列。按来源约定，`r_cos[0, n<0]` 和 `z_sin[0, n<=0]` 必须为零。只表示仿星器对称边界；非零 `r_sin`、`z_cos` 会拒收，不会静默丢弃。

不按大半径缩放系数，也不做模型特征标准化。已识别的较小、居中的奇数列矩阵补零到至少 5 行 9 列；更大的矩阵保留所有系数，并标记 `higher_fourier_modes_preserved`。长度 45 的向量按行重排。负零统一为零，其他 float64 数值精确保留，不用容差或四舍五入去重。

标准 5×9 网格的 ID 计算顺序为：小端 int64 NFP，随后按行展开的 `r_cos`，再随后按行展开的 `z_sin`，即 `struct.pack('<q90d', ...)`。因此 JSON 排版不同、等价的补零到标准网格不会制造重复构型。较大网格使用前缀 `b'higher-modes\x00'`，再接 NFP/int64、行数/int32、列数/int32，以及相同顺序的所有系数。不会为了匹配标准网格而四舍五入或丢弃高阶系数。

## 九项物理指标

均为可空 float64。null 表示未提供或非有限数值，不表示零。

| 列名 | 含义 / 旧池字段 |
| --- | --- |
| `metrics.aspect_ratio` | 展弦比 / `aspect_ratio` |
| `metrics.edge_rotational_transform_over_n_field_periods` | 边缘旋转变换除以 NFP / `iota_nfp` |
| `metrics.average_triangularity` | 平均三角度 / `triangularity` |
| `metrics.max_elongation` | 最大伸长度 / `elongation` |
| `metrics.edge_magnetic_mirror_ratio` | 边缘磁镜比 / `mirror` |
| `metrics.vacuum_well` | 真空磁阱 / `vac_well` |
| `metrics.minimum_normalized_magnetic_gradient_scale_length` | L_delta_b / `l_delta_b` |
| `metrics.qi` | QI 诊断值，不是 log10(QI) |
| `metrics.flux_compression_in_regions_of_bad_curvature` | 不利曲率区磁通压缩 / `flux_comp` |

保留来源的指标约定。原本带符号的 iota 不取绝对值；旧 BO 已丢失符号的数据保留绝对值并标注。其 `qi_log10` 用 `10**value` 反变换，标记 `qi_reconstructed_from_log10`，无法恢复历史截断之前的值。不用预测值、当前约束分数或新算的物理值冒充缺失诊断。

## 评估、来源和质量

| 列名 | 类型 / 解释 |
| --- | --- |
| `evaluation.success` | 可空 bool；null 表示无法确认原始状态 |
| `evaluation.error` | 可空 string；原始报错或明确的原始前向模型失败标记 |
| `evaluation.fidelity` | 可空 string；仅使用记录中已有精度 |
| `evaluation.solver_version` | 可空 string；优先已有执行版本，否则使用已有配置版本 |
| `evaluation.feasibility` | 可空 float64；来源分数，不代表统一可行性定义 |
| `source.name` | 导入器选定的来源类别 |
| `source.path` | 相对来源文件路径，不包含本机根目录 |
| `source.record` | Parquet 从 0 开始的行号；JSONL 从 1 开始的行号；嵌套记录附加位置路径 |
| `quality.iota_representation` | `signed`、`absolute_only` 或 `unknown` |
| `quality.metric_count` | 九项指标中有限值的数量 |
| `quality.flags` | 指标变换、无效值、状态推断等标记列表 |

缺失的求解器版本、精度和时间不从当前代码倒推填写。根据池的已有过滤规则推断成功时标记 `success_inferred_from_source`；完整但没有状态字段的历史指标可以标记 `success_inferred_from_complete_metrics`。状态不明的残缺记录标记 `evaluation_status_unknown`。无效标量指标标记 `nonfinite_or_invalid:<metric>`。iota 约定为 unknown 不代表符号一定被保留。指标齐全也不等于求解精度一致或物理约束可行。

## 读取与筛选

带 `higher_fourier_modes_preserved` 的数据需要下游模型支持变长模态网格。`legacy_boundary_text_precision` 表示 ExLLM 将边界存为打印后的近似数字，无法恢复丢失的小数位。DP 保留约束原值，但不假定其缩放目标就是原始 L_delta_b，并标记 `scaled_target_not_used_as_raw_ldb`。

```python
import pyarrow.dataset as ds

data = ds.dataset('main', format='parquet')
complete = data.to_table(filter=(ds.field('quality.metric_count') == 9)
                         & (ds.field('evaluation.success') == True))
# 仅选原来的 12 列，兼容已有下游程序。
core = complete.select([name for name in complete.column_names
                        if name.startswith(('boundary.', 'metrics.'))])
```

训练带符号 iota 时，还应要求 `quality.iota_representation == 'signed'`。只研究原始 QI 时，应排除带重建标记的记录。`failed` 用于失败分析，不能把缺失物理指标当作零标签。不能保证统一的 `feasibility <= 某阈值` 在所有来源中都成立。

## 覆盖与发布前检查

当前适配原始及清洗 Parquet、历代及当前优化池/CMA/sBO、早期 BO、传统 AL 最终结果、DP SQLite/NPZ 评估、ExLLM 已保存的测量，以及 FusionLeague QI/QI-frontier 评估。排除榜单参考、quadratic 测试、代理预测、仅潜变量的点，以及不透明的二进制模型或优化器状态。未支持的格式不冒充物理标签。

各源文件分别读取有边界的快照，不是全局同时冻结。损坏或不可用的记录在 `quarantine.jsonl` 定位，不虚构数据；保留源文件供追查。`report.json` 包含重复数、缺失指标、最终保留来源分布、读取统计和分片校验和。发布前需检查这些报告，并审查跨来源科学可比性与许可证；本导出不授予新的数据使用权限。