Neural Fields for Interactive Visualization of Statistical Dependencies in 3D Simulation Ensembles

要約

大規模な 3D シミュレーション アンサンブルの異なる空間位置における物理変数の値間の統計的依存関係をコンパクトに表現することを学習し、効率的に再構築できる最初のニューラル ネットワークを紹介します。
線形依存関係を超えて、非線形依存性の尺度として相互情報量を考慮します。
1000 のメンバーで構成され、各メンバーが 250 x 352 x 20 のシミュレーション グリッドで複数の物理変数を保存する大規模な天気予報アンサンブルを使用した学習と再構成を示します。
実行時に計算集約型の統計推定を回避することで、主要な依存構造を再構築するためのメモリと計算の要件が大幅に削減されることを示します。
これにより、GPU で高速化されたダイレクト ボリューム レンダラーに推定器を埋め込み、選択したドメイン ポイントのすべての相互依存関係を対話的に視覚化することが可能になります。

要約(オリジナル)

We present the first neural network that has learned to compactly represent and can efficiently reconstruct the statistical dependencies between the values of physical variables at different spatial locations in large 3D simulation ensembles. Going beyond linear dependencies, we consider mutual information as a measure of non-linear dependence. We demonstrate learning and reconstruction with a large weather forecast ensemble comprising 1000 members, each storing multiple physical variables at a 250 x 352 x 20 simulation grid. By circumventing compute-intensive statistical estimators at runtime, we demonstrate significantly reduced memory and computation requirements for reconstructing the major dependence structures. This enables embedding the estimator into a GPU-accelerated direct volume renderer and interactively visualizing all mutual dependencies for a selected domain point.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google