[论文解读] FTK: A High-Dimensional Simplicial Meshing Framework for Robust and Scalable Feature Tracking.

Hanqi Guo, David Lenz+8 more|arXiv (Cornell University)|Nov 17, 2020

Advanced Data Storage Technologies被引用 1

一句话总结

FTK 是一种高维单纯形网格化框架，将规则和非结构化网格推广为时空单纯形，实现了科学数据中稳健、可扩展且并行的特征追踪。它减少了特征提取中的歧义，通过符号扰动处理退化情况，并通过 VTK/ParaView 集成和开源可用性支持临界点、量子涡旋和等值面。

ABSTRACT

We present the Feature Tracking Kit (FTK), a framework that simplifies, scales, and delivers various feature-tracking algorithms for scientific data. The key of FTK is our high-dimensional simplicial meshing scheme that generalizes both regular and unstructured spatial meshes to spacetime while tessellating spacetime mesh elements into simplices. The benefits of using simplicial spacetime meshes include (1) reducing ambiguity cases for feature extraction and tracking, (2) simplifying the handling of degeneracies using symbolic perturbations, and (3) enabling scalable and parallel processing. The use of simplicial spacetime meshing simplifies and improves the implementation of several feature-tracking algorithms for critical points, quantum vortices, and isosurfaces. As a software framework, FTK provides end users with VTK/ParaView filters, Python bindings, a command line interface, and programming interfaces for feature-tracking applications. We demonstrate use cases as well as scalability studies through both synthetic data and scientific applications including Tokamak, fluid dynamics, and superconductivity simulations. We also conduct end-to-end performance studies on the Summit supercomputer. FTK is open-sourced under the MIT license: this https URL

研究动机与目标

• 解决在多样化科学数据中特征追踪存在的歧义性和退化性挑战。
• 实现在高维时空域中特征追踪算法的可扩展性和并行处理。
• 通过统一的几何基础，整合临界点、量子涡旋和等值面的特征追踪方法实现统一实现。
• 为最终用户提供生产就绪的软件框架，包含 VTK/ParaView 过滤器、Python 绑定和命令行工具。

提出的方法

• 该框架采用高维单纯形网格化方案，将时空划分为单纯形，推广了规则和非结构化空间网格。
• 通过将空间网格延伸至时间维度，构建时空单纯形，形成时空统一的几何表示。
• 在特征提取过程中应用符号扰动以解决退化问题，确保算法的稳健性和一致性。
• 通过在单纯形网格中编码其拓扑和几何特性，支持多种特征类型——临界点、量子涡旋和等值面。
• 实现包含 VTK/ParaView 过滤器、Python 绑定和命令行接口的软件栈，以实现广泛的可访问性和可扩展性。
• 在 Summit 超算机上使用合成和真实世界科学数据，对性能和可扩展性进行了评估。

实验结果

研究问题

• RQ1 如何使时空特征追踪在科学数据中退化和模糊配置下保持稳健？
• RQ2 单纯形网格化对特征追踪算法的可扩展性和并行化有何影响？
• RQ3 统一的几何框架能否有效支持临界点、量子涡旋和等值面等多样化特征类型？
• RQ4 该框架在现代高性能计算系统上的端到端工作负载中表现如何？

主要发现

• 单纯形时空网格化方法通过提供一致的拓扑基础，显著减少了特征提取中的歧义。
• 通过符号扰动简化了退化处理，提升了在多样化数据集上的算法稳定性。
• 该框架实现了特征追踪的可扩展和并行处理，已在 Summit 超算机上的性能研究中得到验证。
• 在合成和真实科学数据（包括托卡马克、流体动力学和超导性模拟）上验证了端到端可扩展性。
• 具有 VTK/ParaView 过滤器和 Python 绑定的开源 FTK 框架，促进了科学应用中的广泛采用和可扩展性。