Le projet VINCI-4D fait suite à l’ap­pel à projets « Soutien aux projets et infra­struc­tures de recherche de pointe ». Il est dirigé par le Centre Image et mené en colla­bo­ra­tion avec le LICIIS, ROMEO et le labo­ra­toire ICude de l’Uni­ver­sité de Stras­bourg.
Nous présen­te­rons la réali­sa­tion des ‘Work Packa­ge’ 1 et 2 au sein de l’in­fra­struc­ture MESONET sur lequel repose une partie du projet, et dont le but est d’of­frir aux cher­cheurs une solu­tion de visua­li­sa­tion distante et sécu­ri­sée de leurs données sur les serveurs MESONET.

Dans cette présen­ta­tion nous détaille­rons une approche de scala­bi­lité pour de la visua­li­sa­tion inter­ac­tive de série tempo­relle de Maillages à Raffi­ne­ment Adap­ta­tif (AMR) massives.
Nous pouvons défi­nir une donnée AMR comme un format de quadrillage dyna­mique de cellules raffi­nées hiérar­chique­ment à partir d’un domaine de calcul décrit dans cette étude comme une grille carté­sienne régu­lière.
Cette carac­té­ris­tique adap­ta­tive est essen­tielle pour suivre des phéno­mènes évolu­tifs dépen­dant du temps et fait du format AMR une repré­sen­ta­tion essen­tielle pour la simu­la­tion numé­rique 3D.
Cepen­dant, la visua­li­sa­tion des données de simu­la­tion numé­rique met en évidence un problème critique: l’aug­men­ta­tion signi­fi­ca­tive de l’em­preinte mémoire des données géné­rées, qui atteint des péta­oc­tets, dépas­sant ainsi large­ment les capa­ci­tés mémoire des cartes graphiques les plus récentes.
La ques­tion est donc de savoir comment accé­der à ces données massives – les séries tempo­relles AMR en parti­cu­lier – pour de la visua­li­sa­tion inter­ac­tive sur un simple poste de travail.
Afin de répondre à cette problé­ma­tique majeure, nous présen­tons une archi­tec­ture out-of-core basée GPU.
Notre propo­si­tion est un système de cache basé sur un bricking ad-hoc iden­ti­fié par une indexa­tion Space-Filling Curve (SFC) et gérée par une table de pagi­na­tion basée GPU qui charge les données AMR requises à la volée depuis le disque vers la mémoire du GPU.

une approche de scala­bi­lité pour de la visua­li­sa­tion inter­ac­tive de série tempo­relle de Maillages à Raffi­ne­ment Adap­ta­tif (AMR) massives.
Nous pouvons défi­nir une donnée AMR comme un format de quadrillage dyna­mique de cellules raffi­nées hiérar­chique­ment à partir d’un domaine de calcul décrit dans cette étude comme une grille carté­sienne régu­lière.
Cette carac­té­ris­tique adap­ta­tive est essen­tielle pour suivre des phéno­mènes évolu­tifs dépen­dant du temps et fait du format AMR une repré­sen­ta­tion essen­tielle pour la simu­la­tion numé­rique 3D.
Cepen­dant, la visua­li­sa­tion des données de simu­la­tion numé­rique met en évidence un problème critique: l’aug­men­ta­tion signi­fi­ca­tive de l’em­preinte mémoire des données géné­rées, qui atteint des péta­oc­tets, dépas­sant ainsi large­ment les capa­ci­tés mémoire des cartes graphiques les plus récentes.
La ques­tion est donc de savoir comment accé­der à ces données massives – les séries tempo­relles AMR en parti­cu­lier – pour de la visua­li­sa­tion inter­ac­tive sur un simple poste de travail.
Afin de répondre à cette problé­ma­tique majeure, nous présen­tons une archi­tec­ture out-of-core basée GPU.
Notre propo­si­tion est un système de cache basé sur un bricking ad-hoc iden­ti­fié par une indexa­tion Space-Filling Curve (SFC) et gérée par une table de pagi­na­tion basée GPU qui charge les données AMR requises à la volée depuis le disque vers la mémoire du GPU.

Les indus­tries tendent de plus en plus à déve­lop­per des jumeaux numé­riques afin de simu­ler préci­sé­ment et en temps inter­ac­tif des maquettes virtuelles pour favo­ri­ser la prise de déci­sion.
Le proto­ty­page physique d’ap­pa­rence reste cepen­dant toujours favo­risé, pour­tant coûteux écono­mique­ment, écolo­gique­ment et en temps. Si les simu­la­tions sont commu­né­ment accep­tées pour les phéno­mènes physiques, elles restent margi­nales pour la concep­tion d’ap­pa­rence. Un frein prin­ci­pal à son inté­gra­tion reste cepen­dant dans le domaine indus­triel est majo­ri­tai­re­ment dû à ses contraintes de temps de simu­la­tion.
Pour pallier cette contrainte de temps, nous propo­sons d’uti­li­ser des méthodes de machine lear­ning sur des moteurs de simu­la­tion optique. Notre contri­bu­tion se concentre prin­ci­pa­le­ment sur une répar­ti­tion adap­ta­tive des calculs simu­lant au mieux les phéno­mènes lumi­neux et en mini­mi­sant le temps de proto­ty­page.