【动态】第九期可视化与可视分析国际学术报告成功举办

2022年1月20日，中国图象图形学学会可视化与可视分析专业委员会组织的第九期可视化与可视分析国际学术报告成功举行。 此次报告特邀日本京都大学计算与媒体研究中心Koji Koyamada教授担任讲者。 Koyamada教授是日本科学委员会成员，曾任日本可视化学会主席，日本仿真学会主席，于1998年获得IEMT/IMC优秀论文奖，2009年获得VSJ贡献奖，2010年获得VSJ优秀论文奖。 Koyamada教授分别于1983年、1985年和1994年在日本京都大学电子工程方向获学士、硕士和博士学位，于1985年至1998年在IBM日本工作，于1998 年至2001年在日本岩手县立大学任副教授，于2001年至2003年在日本京都大学担任副教授。

Koyamada教授带来了题为《Visual Analysis to Support the Derivation andSolution of PDEs UsingNeural Networks》（基于神经网络的偏微分方程求解过程的可视分析）的精彩报告。报告开始前，Koyamada教授祝愿北京2022年冬奥会顺利举行，并回忆了自己与中国可视化社区的合作交流，包括2019年在成都举行的ChinaVis大会。Koyamada教授从三个主题剖析了科学可视化研究与AI的关系，其一是AI-ehanced Visualization（AI4VIS），其二是Surrogate Model（代理模型），其三是Visualization-enhanced AI（VIS4AI）。Koyamada教授首先介绍了神经网络模型可视化的三种方法：第一种是规则网格的生成；第二种是基于粒子的体绘制，如图1所示；第三种在没有网格的基础上对神经网络模型实现光线追踪。针对上述神经网络模型可视化，Koyamada教授引入了第一个主题AI-ehanced Visualization，并介绍了团队在该领域的相关研究进展。第一项工作即3D书籍数据页面的切割与提取，该研究能实现对CT扫描的古籍页面信息进行数字化提取。Koyamada教授团队提出的方法将3D图片数据通过注释工具转化为点云数据并由神经网络模型生成页面体数据，最终经过等值提取映射出古籍页面信息，如图2所示。

图 1 基于粒子的体积渲染（PBVR）

图 2 古籍页面信息提取效果图

第二项工作即LHD型螺旋聚变反应堆中等离子体形状的可视化（Visualizationof Plasma Shape in the LHD-Type Helical Fusion Reactor），该研究被应用于研究核聚变反应堆与等离子体区域之间的关系。Koyamada教授团队提出的方法将磁导线通过注释工具转化为注释的点数据，点数据在横截面中的交点数据经过神经网络模型建模得到对应的Confine体数据以及Ergodic体数据，并基于两类数据构建等离子体区域数据。等离子体区域数据与聚变反应堆数据映射出等离子体形状的三维可视化，流程如图3所示。该研究使用自动微分法(Automatic Differentiation)对指定的函数导数进行估值。

图 3 等离子体区域可视化构建流程示意图

其次，Koyamada教授介绍了Surrogate Model（代理模型）。代理模型在工程模拟中常被用于替代结果不易被测量的模型。代理模型能结合神经网络模型及时预测结果，并通过超高速神经网络计算有效避免实际过程中相关资源短缺的问题。Koyamada教授也介绍了在自然科学领域中常用于描述磁场等现象的PDE（偏微分方程）以及NIVIDAMODULUS（SIMNET）——一种用于开发物理机器学习神经网络模型的框架。

接着，Koyamada教授介绍了团队在Visualization-enhancedAI中的相关研究——基于神经网络的PDE求解过程的可视分析。含有偏微分方程的可解释性模型对于研究包括新冠疫情在内的新特性数据具有关键性作用。Koyamada教授团队将时空数据经过PINN模型（Physics Informed Neural Network）以及自动微分法后得到偏微分项，然后经过正则化回归方程计算其系数结果，将残差作为其损失函数，从而实现偏微分方程推导（PDE Derivation）。团队针对于PDE推导过程设计了一个可视分析系统，如图4所示。用户可在可视分析系统中对神经网络模型进行优化，该系统包括了对神经网络的时空、参数空间和损失函数的可视化。Koyamada教授也针对面向超参数空间的残差可视化在偏微分方程推导的应用进行了介绍以及案例分析。Koyamada教授还介绍了有关PDE求解（PDE Solution）的研究工作，即在给定初始和边界条件中，在损失函数中加入初始和边界条件的误差项从而实现PDE的处理，并提出了其可视分析需求，介绍了EDM相关研究，如图5所示。

图 4 基于神经网络的偏微分方程（PDE）求解过程的可视分析系统

图 5 基于EDM的系统状态识别可视分析方法

最后，Koyamada教授对本次演讲内容进行了总结，并提出了研究展望。未来该部分的研究重点将会是神经网络体积的渲染（Rendering of a Neural Network Volume），主要包含两个方法：第一种是间接方法即将体积映射到网格之中，第二种是直接方法即使用自动整合的光线追踪（Ray-tracing）算法。在提问环节，在线观众积极发表自己的观点并参与讨论。大家踊跃地提出了自己的问题。对于非线性偏微分方程的处理中边界条件设置，Koyamada教授认为需结合PDE本身，并按照其特殊的需求进行设定。对于观众提出的点云数据存在大量噪声、遗失点和外部点，数据预处理阶段如何使用恰当的方法提高精度和渲染效果，Koyamada教授则认为需要结合不同应用程序的需求去实现噪声的处理。

本次活动由四川轻化工大学支持，可视化与可视分析专委会副秘书长吴亚东教授主持。下一期报告将于2022年2月10日晚上19:00-20:30举办，报告题目为《Immersive Analytics in a Connected World》，讲者是来自澳大利亚蒙纳士大学的Tim Dwyer教授。

来源：CSIG可视化与可视分析专委会

中国图象图形学学会关于组织开展科技成果鉴定的通知

CSIG图像图形中国行承办方征集中