用人工神经网络增强您的ParaView和VTK管线

可视化工具包（VTK）最近通过引入对ONNX Runtime的支持扩展了其功能，ONNX Runtime是一种跨平台引擎，旨在高效执行机器学习模型。这一集成为在科学可视化工作流中直接嵌入机器学习推理开辟了新途径。相同功能可通过ParaView中的官方插件ONNXPlugin获得，ParaView是一款广泛使用的开源数据分析和可视化应用。\n\nONNX，即开放神经网络交换，是一种开放标准文件格式，促进不同机器学习框架之间的互操作性。它定义了一套通用操作符，确保在PyTorch、TensorFlow或Scikit-learn等框架中训练的模型可以导出并在其他兼容平台上使用，无兼容性问题。ONNX Runtime作为高效的推理引擎，能够在多种硬件和操作系统上运行ONNX模型。虽然最初作为C++库开发，但它支持Python、C#和JavaScript等语言绑定，拓宽了其适用范围。\n\n新的VTK模块利用ONNX Runtime允许用户在VTK管线中直接运行ONNX模型。该过滤器支持对任何DataSet输入中的单元或点数据进行推理，无论其形状或几何结构如何，均将其视为输出容器。用户可以将神经网络的输入参数指定为向量，包括利用VTK和ParaView时间处理能力的可选时间相关参数。Python API示例展示了如何设置输入数据、加载ONNX模型文件、设置输入参数并执行模型以获得推理结果，结果作为新的点或单元数据附加到数据集中。\n\n在ParaView中，ONNXPlugin通过引入动态Qt用户界面提升了可用性。通过加载网络参数的JSON描述，插件自动生成UI元素，包括带有模型需求有效范围的输入字段。该动态界面简化了用户与各种神经网络的交互，无需手动开发UI。\n\n为展示实际应用，训练了一个多层感知器（MLP）作为代理模型，复制使用EasyFEA进行的机械模拟的Von-Mises应力（SVM）结果。该代理模型近似模拟输出，但速度快约2000倍——5毫秒对比实际模拟的10秒。这种显著加速促进了快速参数研究，例如评估材料属性如泊松比变化对应力分布的影响，传统模拟耗时且不切实际。\n\n此外，ONNX支持的高效推理为解决逆问题提供了可能，即已知输出或期望结果但需确定对应输入参数。例如，利用训练网络，能够快速估计施加于物体的最大力，同时确保Von-Mises应力低于安全阈值。此类通常需大量正向评估的计算在几秒内完成，凸显了加速优化和实时决策工作流的潜力。\n\n尽管初始VTK模块版本尚不支持某些高级功能，如使用场数据作为输入或生成新几何体，但它代表了机器学习与可视化和模拟管线无缝集成的重要一步。该功能计划在VTK 9.6.0和ParaView 6.1中正式发布，目前在ParaView主分支可用，需从源码编译。感兴趣的用户和组织可联系Kitware专家，寻求指导和潜在合作，扩展后处理和可视化功能。\n\n该开发部分由EDF和Kitware Europe资助，强调了业界对通过AI驱动的增强推进科学可视化的日益关注和合作努力。