Melhore os seus pipelines ParaView e VTK com Redes Neurais Artificiais

O Visualization Toolkit (VTK) expandiu recentemente as suas capacidades ao introduzir suporte para ONNX Runtime, um motor multiplataforma concebido para a execução eficiente de modelos de aprendizagem automática. Esta integração abre novas possibilidades para incorporar inferência de aprendizagem automática diretamente em fluxos de trabalho de visualização científica. A mesma funcionalidade está acessível no ParaView, uma aplicação open-source amplamente utilizada para análise e visualização de dados, através de um plugin oficial denominado ONNXPlugin.\n\nONNX, que significa Open Neural Network eXchange, é um formato de ficheiro padrão aberto que facilita a interoperabilidade entre diferentes frameworks de aprendizagem automática. Define um conjunto comum de operadores e assegura que modelos treinados em frameworks como PyTorch, TensorFlow ou Scikit-learn podem ser exportados e usados em outras plataformas compatíveis sem problemas de compatibilidade. O ONNX Runtime complementa isto ao servir como um motor de inferência eficiente capaz de executar modelos ONNX em diversos hardwares e sistemas operativos. Embora originalmente desenvolvido como uma biblioteca C++, suporta ligações para linguagens como Python, C# e JavaScript, ampliando assim a sua aplicabilidade.\n\nO novo módulo VTK utiliza o ONNX Runtime para permitir que os utilizadores executem modelos ONNX diretamente dentro dos pipelines VTK. Este filtro permite inferência em dados de células ou pontos dentro de qualquer conjunto de dados (DataSet) fornecido, independentemente da sua forma ou geometria, tratando-o como um contentor para a saída. Os utilizadores podem especificar os parâmetros de entrada para a rede neural como vetores, incluindo um parâmetro opcional dependente do tempo que aproveita as capacidades temporais do VTK e ParaView. O excerto da API Python demonstra como definir os dados de entrada, carregar o ficheiro do modelo ONNX, definir os parâmetros de entrada e executar o modelo para obter resultados de inferência, que são adicionados como novos dados de pontos ou células ao conjunto de dados.\n\nNo ParaView, o ONNXPlugin melhora a usabilidade ao introduzir interfaces dinâmicas Qt para o utilizador. Ao carregar uma descrição JSON dos parâmetros da rede, o plugin gera automaticamente elementos da interface, incluindo campos de entrada com intervalos válidos adaptados aos requisitos do modelo. Esta interface dinâmica simplifica a interação do utilizador com várias redes neurais, adaptando-se sem necessidade de desenvolvimento manual da interface.\n\nPara demonstrar aplicações práticas, um perceptron multicamada (MLP) foi treinado para servir como modelo substituto para replicar os resultados do Stress de Von-Mises (SVM) de uma simulação mecânica realizada com EasyFEA. Este modelo substituto aproxima a saída da simulação mas entrega resultados cerca de 2000 vezes mais rápido — 5 milissegundos comparados com 10 segundos da simulação real. Esta aceleração dramática facilita estudos rápidos de parâmetros, como avaliar o efeito da variação das propriedades do material, como a razão de Poisson, na distribuição do stress, o que seria de outra forma demorado e impraticável usando simulações tradicionais.\n\nAlém disso, a eficiência da inferência habilitada pelo ONNX abre possibilidades para resolver problemas inversos, onde as saídas ou resultados desejados são conhecidos mas os parâmetros de entrada correspondentes devem ser determinados. Por exemplo, usando a rede treinada, foi possível estimar rapidamente a força máxima aplicada a um objeto garantindo que o Stress de Von-Mises permanece abaixo de um limiar de segurança. Estes cálculos, que normalmente exigem numerosas avaliações diretas, foram concluídos em segundos, destacando o potencial para otimização acelerada e fluxos de trabalho de tomada de decisão em tempo real.\n\nEmbora a versão inicial do módulo VTK ainda não suporte certas funcionalidades avançadas, como usar dados de campo como entradas ou gerar novas geometrias, representa um passo significativo para a integração fluida da aprendizagem automática em pipelines de visualização e simulação. A funcionalidade está prevista para lançamento oficial no VTK 9.6.0 e ParaView 6.1, atualmente disponível na branch master do ParaView e requer compilação a partir do código-fonte. Utilizadores e organizações interessados em aproveitar esta capacidade podem contactar os especialistas da Kitware para orientação e possível colaboração para expandir funcionalidades de pós-processamento e visualização.\n\nEste desenvolvimento foi parcialmente financiado pela EDF e Kitware Europe, enfatizando o crescente interesse da indústria e o esforço colaborativo para avançar a visualização científica através de melhorias impulsionadas por IA.