月度存档: 七月 2017

ChinaVis 2017 – Day 2

ChinaVis 2017第二天的日程非常丰富,包括一个Keynote, 一个Panel,挑战赛专场,3个Paper Session,3个Special Session以及晚宴。

​图1 超级计算与可视分析

上午的 Keynote 和 Panel 围绕科学可视化展开。来自北京应用物理与计算数学研究所的莫则尧研究员做了题为《超级计算与可视分析》的特邀报告。可视分析是重大科学与工程超级计算研究的重要组成部分。超级计算规模和物理建模精细度的大幅提升对可视分析提出了更深入的研究要求。莫老师的报告从这个角度出发,结合实际应用和研究现状,阐述了可视分析发展的三个维度,包括表现(科学机理)、融合(数据复杂度)、扩展(数据规模),并说明了可视分析引擎中存在的数据建模、表现方法、并行流程与界面定制四个重要问题。

​图2 科学可视化的危机和挑战

Panel 由清华大学的陈莉老师主持,主题为科学可视化的危机与挑战。该专题邀请了北京应用物理与计算数学研究所的莫则尧研究员,国防科技大学的李思昆教授,北京大学的袁晓如研究员,中国海洋大学的贾东宁教授和中科院计算机网络信息中心的单桂华副研究员5位学者,与大家一起探讨科学可视化存在的危机和面临的挑战,以及我国科学可视化发展的方向与机遇。科学可视化是可视化领域发展最早的方向,但是近年来却呈现衰退之势。虽然我国高性能计算事业发展迅速,但是与之密切相关的科学可视化却发展缓慢,面临着严重的人才危机。本次ChinaVis 录用的23篇长文中,仅有5篇关于科学可视化。因此,学者们倡议在以后的ChinaVis 挑战赛中加入科学可视化相关数据,科研机构能够分享出相关数据,以此吸引更多的人参与到科学可视化的研究中。在问答环节,大家针对科学可视化的发展提出了自己的看法和疑问,学者们也对于大家的问题都给予了有启发性的看法和建议。

​图3 ChinaVis 挑战赛情况分析

在接下来的挑战赛专场中,中南大学的赵颖老师介绍了本次可视分析挑战赛的相关情况。本次挑战赛有两个题目,挑战1关于伪基站行为模式分析,挑战赛2关于网吧上网记录分析,共吸引了50多支参赛队伍参加,参赛队伍数量再创新高。最终,来自燕山大学和天津大学的两支队伍获得了挑战赛1的一等奖,来自东北大学参赛队获得了挑战赛2一等奖,他们也受邀到现场为大家做了报告。

​图4 “并行可视化”专题报告现场

下午主要是会议论文报告和专题报告。三个论文报告分别是“Urban Visual Analytics”,“Visual Analytics Applications”和“Text and Graph Visualization”;两个专题报告分别是“海洋信息可视化”和“并行可视化”。在“并行可视化”专题报告中,四位专家针对大规模科学与工程计算中的数据可视化、流场积分曲线的高性能计算和并行图像融合等方面分别进行了精彩的报告。其中,我们组的张江同学做了题为《高性能并行粒子追踪计算》的报告。为了解决并行粒子追踪中严重的I/O效率问题和负载不均问题,张江同学介绍了我们实验室科学可视化小组所做的一系列工作,包括应用细粒度的数据划分、并行键值存储和数据预取等技术的稀疏数据管理,高阶访问依赖在该数据管理方法中的进一步应用,以及一种基于带有约束的k-d树分解方法的动态负载平衡方法。这些方法在并行粒子追踪计算的性能和可扩展性上都取得了很好的效果,相关工作也都被PacificVis和SciVis等会议所接收。

在晚宴上,大家齐聚一堂,进行了热烈的交流。自我介绍环节上,大家纷纷走上台前,主动介绍自己,期待开展相关合作。今天,大会介绍了可视化在超级计算等其他领域的挑战和机遇,众多挑战赛参赛者也都作了精彩的工作汇报,让大家体会到了他们对竞赛和可视化的热情。明天上午将进行IndustryTalk,青年可视化学者成长之路专题,以及颁奖和闭幕式。敬请期待吧!

首届中日可视化研讨会7月24日在京举办

为了充分促进中国与日本的可视化与可视分析领域的研究与应用的交流,探讨两国在可视化与可视分析发展的最新方向和合作机遇,推动相关研究与应用的发展与进步,推进学科的发展,促进合作人才培养和交流,2017年首届中日可视化研讨会于7月24日在北京大学举行。本次会议日本代表包括来自东京御茶水女子大学的伊藤貴之 (Takayuki Itoh),京都大学的小山田耕二 (Koji Koyamada) 和庆应义塾大学的藤代一成 (Issei Fujishiro)。几位日方代表都是日本可视化领域的领军人物。中方代表包括北京大学、清华大学、天津大学、中科院等科研院所以及来自海云科技等企业的代表

图1 首届中日可视化研讨会顺利召开

会议中日各高校的教授学者们和合作企业对于如何建立中日可视化共同体、加强双方在可视化领域的交流合作,进行了热切的讨论。具体讨论的内容涵盖了资金募集、国际学生交换、课题合作内容、 深化合作的思路、共同体的规章制度等各方面细节。其中在资金募集和学生交换的议题上,双方学者纷纷提出了各自的需求、背景与资源,寻求通过不同的途径、促成两国高校之间的长久合作。此外,双方也确立了“自底向上、以点带面”的合作思路,希望在各高校合作的基础上不断扩大合作的范围与规模,上升至城市层面,乃至政府层面的学术合作。

图2 与会双方代表合照

而在合作内容方面学者们均表示在前沿课题上的技术交流、信息共享等等对双方开展学术研究工作有莫大的裨益。在座学者们就各个议题、纷纷给出了自己的见解与建议进行了充分的磋商并达成了一致共识。

除了合作讨论,研讨会上午安排了公开对外的日本可视化进展学术报告。来自日本御茶水女子大学的伊藤貴之教授报告的题目是《Key-node-separated graphclustering and visualization》。伊藤教授详细介绍他了关于图布局的两个工作。第一项工作是多类别属性图 (Multiple-Category Graph)的可视化 。除了一般图布局算法的优化目标外,这个工作通过利用层次聚类和树图布局进行图布局,不仅有效地利用了空间,而且能够展现更多的类别信息。另一项工作是最近发表的对图关键节点 (Key-node) 的研究。传统的图聚类和可视化方法往往将关键节点划分到某个聚类中,难以和其他节点区别开。而该工作则通过使用节点之间共点性 (commonality) 与属性值向量相似性对节点聚类,基于类间距离进行布局,从而将关键节点和其它节点区别开来。

图3 伊藤貴之教授作了关于图布局的的报告开

来自京都大学的小山田耕二教授曾担任日本可视化学会和日本模拟技术学会的主席。他提出人机协作在这个人工智能和大数据的时代的重要性。围绕在科学发现过程中可视化是否有作用的问题,他介绍了科学发现中的因果可视化的应用,并描述了在科学发现过程中人机如何协作探索未知的因果关系。其间,他介绍了如何在一组时间序列数据中发现因果关系的Granger因果关系法和收敛交叉映射法(Convergent Cross Mapping)。他着重介绍了使用可视因果关系探索技术寻找隐变量,包括生命科学中寻找基因型和表现型之间的隐变量等等。

图4 小山田耕二教授说明因果可视化在人工智能中的应用

随后,小山田耕二教授总结说明从使用因果可视分析的角度看,可视化在科学发现中非常有用;在科学发现过程中,利用可视化技术帮助形成假设,利用人工智能技术检验假设,可以实现很好的人机协作。

日本庆应义塾大学的藤代一成教授是日本可视化的领袖,对于日本可视化的发展居功至伟,他讲述了在参与领导政府的“通过深化稀疏建模实现高维度数据驱动科学计划”(类似国内973)的一系列可视化工作,其目的是将物理空间中的高维数据投影到指定的信息空间以帮助理解给定的高维数据的行为。为此,他们将通过稀疏建模获得的相对低维数据转换为二维、三维或四维空间,在结合用户的视觉反馈的基础上建立了一个交互式的模型,称为human-in-the-loop,以帮助用户分析基于稀疏建模的高维数据。

图5 藤代一成教授介绍了高维数据可视化

藤代一成教授介绍了基于光谱的可收缩平行坐标。为了解决平行坐标的视觉遮挡问题,他们首先计算维度之间的关联,并以图的形式进行编码表示,然后通过光谱图分析对轴进行重新排序和收缩。此外,他们进一步提出了一种双向聚类 (biclustering) 的方法,将数据维度和数据采样点同时进行聚类,能够更好地对关联子空间进行分析。之后,针对时变数据的可视化与可视分析,他们提出了一种TimeTubes的方法,将时变数据在时间维度上以管道的方式连接起来,再应用二维传递函数得到可视化结果,这也是一种非常新颖的对时变数据的可视化处理方法。最后,Issei Fujishiro 教授还透露了目前正在开展的工作,包括对多个观测得到的数据的融合,这些都是非常重要又亟待解决的问题。

听完报告,与会的听众和学者们进行了热烈的交流,学者们也给予了耐心而热情的解答。在随后开展的以“中日可视化的交流合作”为主题的panel中,来自中国的北京大学袁晓如研究员,清华大学刘世霞副教授和天津大学张加万教授,以及三位来自日本的学者阐述了对于中日可视化合作重要性以及必要性,并且发表了他们对于这一项活动自己的观点。

图6 与会听众与学者们热烈的交流

他们认为中日学生之间的交换十分方便。另外,两国学生不同的文化背景会带来更多的思维碰撞的火花。在各位老师的介绍下,中国在学校以及政府方面都有很多的留学基金申请,这也会大大帮助中国学生与日本学生交流。

图7 Panel结束学者们进行合照

随着ChinaVis会议的举办,近些年来中国可视化领域在学术界以及工业界都有了非常迅速的发展,本次会议中藤代一成作为日本可视化的创始人也介绍了可视化在日本的发展情况,他希望也日本可视化创立更为统一的学术团体推动整个领域的发展。

关于未来可视化的研究方向,大家讨论热烈。大家认为深度学习与可视化结合会是非常有用的研究热点,认为沉浸式的可视化意味着让更多的公众接触到可视化,感知到可视化的魅力。在回答一位学生参会者对于研究方向的提问事,北大袁晓如研究员指出真正的学术是要有充分的自由度,让研究者探索自己感兴趣的话题,只有真正自己感兴趣的才会带来足够的热情。

图8 研究学者们热烈讨论

时变集合模拟数据中的趋势特征可视分析 (Visual Trends Analysis in Time-Varying Ensembles)

图3:趋势图的构建

集合模拟数据是现今科学可视化领域中的重要挑战之一。对于同一个物理现象,使用多个物理模型或者同一模型多组不同参数进行模拟,产生的一组模拟结果就称之为集合模拟数据,每个单独的结果称之为集合成员。对集合模拟数据的研究,一方面可以对各个结果之间的相似性和相异性进行分析,另一方面可以用于进行模型参数的优化。而这个工作主要关注的对应两个问题就是:时变集合模拟数据中趋势特征和异常成员的识别,以及和参数空间的结合探索。

继续阅读 »