Mejore sus flujos de trabajo en ParaView y VTK con Redes Neuronales Artificiales

El Visualization Toolkit (VTK) ha ampliado recientemente sus capacidades al introducir soporte para ONNX Runtime, un motor multiplataforma diseñado para la ejecución eficiente de modelos de aprendizaje automático. Esta integración abre nuevas vías para incorporar inferencia de aprendizaje automático directamente dentro de los flujos de trabajo de visualización científica. La misma funcionalidad está disponible en ParaView, una aplicación de código abierto ampliamente utilizada para análisis y visualización de datos, a través de un plugin oficial llamado ONNXPlugin.\n\nONNX, que significa Open Neural Network eXchange, es un formato de archivo estándar abierto que facilita la interoperabilidad entre diferentes frameworks de aprendizaje automático. Define un conjunto común de operadores y asegura que los modelos entrenados en frameworks como PyTorch, TensorFlow o Scikit-learn puedan exportarse y usarse en otras plataformas compatibles sin problemas de compatibilidad. ONNX Runtime complementa esto al servir como un motor de inferencia eficiente capaz de ejecutar modelos ONNX en diversas configuraciones de hardware y sistemas operativos. Aunque originalmente desarrollado como una biblioteca en C++, soporta enlaces para lenguajes como Python, C# y JavaScript, ampliando así su aplicabilidad.\n\nEl nuevo módulo de VTK utiliza ONNX Runtime para permitir a los usuarios ejecutar modelos ONNX directamente dentro de los flujos de trabajo de VTK. Este filtro habilita la inferencia sobre datos de celdas o puntos dentro de cualquier conjunto de datos (DataSet) dado, independientemente de su forma o geometría, tratándolo como un contenedor para la salida. Los usuarios pueden especificar los parámetros de entrada para la red neuronal como vectores, incluyendo un parámetro opcional dependiente del tiempo que aprovecha las capacidades de procesamiento temporal de VTK y ParaView. El fragmento de la API de Python demuestra cómo establecer los datos de entrada, cargar el archivo del modelo ONNX, configurar los parámetros de entrada y ejecutar el modelo para obtener resultados de inferencia, que se añaden como nuevos datos de puntos o celdas al conjunto de datos.\n\nEn ParaView, el ONNXPlugin mejora la usabilidad al introducir interfaces de usuario dinámicas en Qt. Al cargar una descripción JSON de los parámetros de la red, el plugin genera automáticamente elementos de UI, incluyendo campos de entrada con rangos válidos adaptados a los requisitos del modelo. Esta interfaz dinámica simplifica la interacción del usuario con diversas redes neuronales, adaptándose sin necesidad de desarrollo manual de UI.\n\nPara mostrar aplicaciones prácticas, se entrenó un perceptrón multicapa (MLP) para servir como modelo sustituto que replica los resultados de esfuerzo de Von-Mises (SVM) de una simulación mecánica realizada con EasyFEA. Este modelo sustituto aproxima la salida de la simulación pero entrega resultados aproximadamente 2000 veces más rápido — 5 milisegundos comparados con 10 segundos de la simulación real. Esta aceleración dramática facilita estudios rápidos de parámetros, como evaluar el efecto de variar propiedades del material como la relación de Poisson en la distribución de esfuerzos, lo que de otro modo sería lento e impráctico usando simulaciones tradicionales.\n\nAdemás, la eficiencia de la inferencia habilitada por ONNX abre posibilidades para abordar problemas inversos, donde se conocen las salidas o resultados deseados pero deben determinarse los parámetros de entrada correspondientes. Por ejemplo, usando la red entrenada, fue posible estimar rápidamente la fuerza máxima aplicada a un objeto asegurando que el esfuerzo de Von-Mises permanezca por debajo de un umbral de seguridad. Tales cálculos, que típicamente requieren numerosas evaluaciones hacia adelante, se completaron en segundos, destacando el potencial para optimización acelerada y flujos de trabajo de toma de decisiones en tiempo real.\n\nAunque la versión inicial del módulo VTK aún no soporta ciertas funcionalidades avanzadas, como usar datos de campo como entradas o generar nuevas geometrías, representa un paso significativo hacia la integración fluida del aprendizaje automático en flujos de visualización y simulación. La característica está programada para su lanzamiento oficial en VTK 9.6.0 y ParaView 6.1, actualmente disponible en la rama master de ParaView y requiriendo compilación desde el código fuente. Usuarios y organizaciones interesados en aprovechar esta capacidad pueden contactar a los expertos de Kitware para orientación y posible colaboración para expandir funciones de post-procesamiento y visualización.\n\nEste desarrollo fue parcialmente financiado por EDF y Kitware Europe, enfatizando el creciente interés industrial y el esfuerzo colaborativo en avanzar la visualización científica mediante mejoras impulsadas por IA.