基于聚类引导的影视级天体物理数据可视化及其在月球形成类地合星体中的应用
天体物理仪器与方法
2020-06-02 v1 地球与行星天体物理
图形学
摘要
科学可视化工具目前尚未针对以科学传播为目的、从数值数据生成影视级制作质量表征进行优化。在我们的流水线 \texttt{Estra} 中，我们概述了从原始模拟到成品渲染的逐步流程，以此教导可视化领域的非专家如何自行实现制作质量的输出。我们展示了使用视觉特效软件 Houdini 进行影视级天体物理数据可视化的可行性，该方法由机器学习聚类算法引导。为演示该流水线的能力，我们使用了来自 \cite{Lock18} 的撞击后热平衡月球形成合星体（synestia）。我们的方法旨在识别“物理可解释”的聚类，其中在适当相空间（例如此处我们使用温度-熵相空间）中识别出的聚类对应于模拟数据内具有物理意义的结构。随后，聚类结果可通过在简化的 Houdini 软件着色网络中指导颜色映射过程来突出这些结构，其中不同的相空间聚类被映射到不同的颜色值以便于视觉识别。聚类信息也可通过 Houdini 的场景视图用于三维位置空间，以辅助物理聚类发现、模拟原型设计与数据探索。作为概念验证，我们将基于聚类的渲染与高级可视化实验室（AVL）团队为球幕秀“想象月球”所创建的渲染进行了比较。借助 \texttt{Estra}，科学家拥有了创建其自身制作质量、数据驱动可视化的工具。
引用
@article{arxiv.2006.00084,
title = {Clustering-informed Cinematic Astrophysical Data Visualization with Application to the Moon-forming Terrestrial Synestia},
author = {Patrick D. Aleo and Simon J. Lock and Donna J. Cox and Stuart A. Levy and J. P. Naiman and A. J. Christensen and Kalina Borkiewicz and Robert Patterson},
journal= {arXiv preprint arXiv:2006.00084},
year = {2020}
}
备注
19 pages, 16 figures, submitted to MNRAS