[论文解读] A Simple, General, and GPU Friendly Method for Computing Dual Mesh and Iso-Surfaces of Adaptive Mesh Refinement (AMR) Data

Ingo Wald|arXiv (Cornell University)|Apr 17, 2020

Computational Geometry and Mesh Generation被引用 5

一句话总结

本文提出了一种简单、通用且适合GPU的高效方法，用于从自适应动态加密（AMR）数据中计算无裂缝的等值面，通过使用确定性的整数标签方案，将对偶网格单元直接映射到AMR单元，从而避免了复杂的情况表或ε偏移的需要。该方法实现了快速、并行的高质量等值面提取——在NVIDIA RTX 8000 GPU上，仅用8.4秒便从6.26亿个AMR单元生成了1.3亿个三角面的等值面。

ABSTRACT

We propose a novel approach to extracting crack-free iso-surfaces from Structured AMR data that is more general than previous techniques, is trivially simple to implement, requires no information other than the list of AMR cells, and works, in particular, for different AMR formats including octree AMR, block-structured AMR with arbitrary level differences at level boundaries, and AMR data that consist of individual cells without any existing grid structure. We describe both the technique itself and a CUDA-based GPU implementation of this technique, and evaluate it on several non-trivial AMR data sets.

研究动机与目标

• 解决从复杂、非规则AMR数据（包括具有任意层次差异的八叉树和块结构格式）生成无裂缝等值面的挑战。
• 克服现有“拼接”方法对严格层次结构假设的依赖以及复杂情况表的限制。
• 提供一种通用解决方案，适用于非结构化AMR数据，包括存在“孔洞”或无固有网格层次结构的数据集。
• 实现高效、可轻松并行化的实现方式，适用于CPU和GPU架构，尤其利用CUDA实现高性能计算。
• 在大规模科学数据集上展示该方法的鲁棒性与可扩展性，包括来自NASA及其他高保真模拟的数据。

提出的方法

• 使用确定性的整数标签方案，通过一对一映射将每个AMR单元及其对应的对偶网格单元直接关联，避免了先前工作中使用的ε偏移技术。
• 用对已排序整数单元索引数组进行简单二分查找的机制，替代复杂的单元定位内核，从而实现快速且精确的对偶单元查找。
• 采用基于CUDA的实现，使每个AMR单元独立处理，支持GPU线程的天然并行化。
• 通过在对偶网格上应用标准情况表的Marching Cubes算法生成最终的等值面，确保拓扑一致性与无裂缝输出。
• 利用Thrust库原语（如device_vector、sort、lower_bound）高效管理内存，并在顶点与索引生成过程中执行并行归约操作。
• 将AMR数据中的“孔洞”视为自然边界，自动检测并正确处理，无需额外的特殊情况逻辑。

实验结果

研究问题

• RQ1 能否开发一种通用、简单且可并行化的通用方法，用于从任意AMR数据（包括具有任意层次差异的八叉树和块结构格式）中计算对偶网格？
• RQ2 消除复杂的情况表和基于ε的对齐是否能提升GPU加速等值面提取中的可实现性与性能？
• RQ3 该方法是否能无需额外工程工作，自然处理实际AMR数据集中的“孔洞”或无固有网格层次结构的情况？
• RQ4 该方法在现代GPU上对包含数亿个单元的大规模科学数据集的可扩展性如何？
• RQ5 在鲁棒性与实现简便性方面，该方法相较于现有“拼接”技术具有多大程度的优越性或通用性？

主要发现

• 该方法成功地在NVIDIA RTX 8000 GPU上，仅用8.4秒便从6.26亿个AMR单元的NASA Exajet模型中生成了1.3亿个三角面的无裂缝等值面。
• 该方法自然处理了数据中的“孔洞”（如Exajet模型中的内部空腔），将其自动识别为边界，无需特殊处理逻辑。
• 由于实现了天然并行化，该算法性能极高，CUDA实现能高效扩展至GPU线程，适用于大规模输入数据。
• 该方法在多种AMR格式下均表现出鲁棒性，包括非结构化的单个单元列表、具有任意层次差异的块结构AMR，以及八叉树AMR。
• 采用整数索引与二分查找机制，替代了复杂的单元定位内核与情况表，简化了实现过程，同时保持了正确性与高性能。
• 该方法的简洁性与通用性使其成为集成到可视化框架（如VTK-m）和基于AMR的体渲染管线中的强有力候选方案。