宇宙數值模擬中可視化方法概述①

李 觀, 張逸涵, 蘆旭熠, 張天馳, 單桂華, 陸忠華

1(中國科學院 計算機網絡信息中心, 北京 100190)

2(中國科學院大學, 北京 100049)

3(中國科學院 國家天文臺, 北京 100101)

數值模擬是宇宙學中重要的研究方法, 它既可以幫助科學家驗證理論模型和了解宇宙演化過程, 也可以與觀測數據對比來完善理論模型以加深對宇宙的了解. 因此, 數值模擬為天文研究和天文觀測提供了有力的數值實驗方法和理論驗證工具, 并已經成為現代天體物理研究中不可缺少的基本研究方法[1].

科學可視化作為一種高效的數據分析手段, 在科學模擬數據的分析中越來越重要. 科學可視化的正式提出是在20世紀80年代, 它利用圖形學相關方法來幫助用戶理解科學概念和了解科學數據. 傳統的統計分析方法常常是分析宇宙模擬數據中各種結構的總體屬性, 例如結構的質量、密度、狀態和形態等, 但這種方式難以高效形象地了解和利用數值模擬數據. 科學可視化可以直觀地將模擬數據中的多個物理量(例如密度、溫度、壓力、速度等)和特征結構展現給科學家, 同時還可以探索多個物理量之間的相互關系, 并允許科學家進行交互式分析, 這極大地提高了數據分析的效率. 此外, 針對模擬數據的時序分析, 可視化所生成的時序演化動畫可以詳細展示模擬中每個特征的演化過程和不同物理屬性的動態變化, 這是傳統的統計分析方法無法達到的.

超級計算機的發展使得計算能力快速地增長, 這同時也推動了宇宙數值模擬研究的發展. 科學家可以使用更大規模的數據進行更高精度的宇宙數值模擬,隨著模擬規模的增長, 模擬產生的數據也呈現爆炸式增長. 例如, 當前最大的宇宙學N體數值模擬所使用的數據規模達到為2萬億粒子, 模擬過程中每次數據的保存需要大約130 TB的存儲空間, 通常保存單次宇宙數值模擬的數據需要PB級別的存儲空間[2]. 此外, 宇宙模擬的空間跨度也越來越大. 早期模擬的焦點主要集中在宇宙大尺度結構[3], 之后銀河系尺度和星系團尺度的單個暗物質暈模擬應運而生[4], 當前已經發展出從星系團到地球尺度暗物質暈的20個數量級的高精度模擬[5]. 越來越大規模的宇宙數值模擬和越來越復雜的模擬內容對科學可視化提出了新的要求也帶來了新的挑戰. 科學可視化不僅需要幫助科學家將模擬數據轉換成圖像, 同時還需要幫助和輔助專家針對不同任務進行數據分析和數據探索.

科學可視化領域發展出了多種可視化技術以應對復雜多樣的可視化任務. 初期的可視化研究主要關注如何將數據展示, 即數據的繪制, 這是宇宙數值模擬數據可視化分析的基礎. 近些年來, 由于數據量的劇增和數據內容的復雜多樣, 通常采用多種技術與可視化相結合的方法來滿足數據可視化分析的需求. 概括來說, 針對宇宙數值模擬可視化的研究以模擬數據的繪制為基礎, 以模擬數據規模的增長和數據分析研究的發展為推動, 在近些年來呈現出以下幾個方面的研究主題:

1) 交互可視化: 利用交互技術輔助用戶對可視化內容進行交互式分析, 以實現特定任務分析為目的.

2) 并行可視化: 利用并行計算或者GPU計算加速對數據的處理并提高數據繪制效率, 以達到分析或者繪制大規模模擬數據的目的.

3) 原位可視化: 利用原位處理方法, 在模擬的計算節點上對數據進行原位處理, 解決I/O瓶頸和存儲限制的問題, 以達到超大規模數據可視化與分析的目的.

4) 機器學習與可視化: 利用機器學習的相關算法對數值模擬數據進行處理和分析, 然后進行可視化分析, 以提高數據分析的能力和效率.

本文首先介紹了宇宙數值模擬的數據結構和發展趨勢, 然后對當前所使用的模擬數據繪制算法進行總結. 在此基礎上, 介紹了當前主要研究主題下的多個研究案例, 歸納了不同研究主題下的研究主線, 最后進行了總結和展望.

1 宇宙數值模擬程序與模擬數據

宇宙數值模擬起源于20世紀70年代, 最早的宇宙數值模擬為Peebles等[6]使用了大約300個粒子的N體模擬對星系團進行研究. 隨著超級計算機的發展和宇宙學研究的深入, 宇宙數值模擬的數據規模不斷增長, 模擬的數據規模增加速度與“摩爾定律”大致相符, 即每間隔大約18個月數據量就增加一倍. 時間與模擬規模的增長關系如圖1所示, 圖中線為“摩爾定律”曲線, 從圖中可以看出粒子增長速度與“摩爾定律”大致相符. 隨著E級計算的到來, 宇宙數值模擬的規模將會更大, 對模擬的精度也會更高, 對宇宙的分析也會越來越精確, 同時伴隨著更多的大規模巡天觀測結果的出現, 宇宙模型也將更加準確. 因此, 從宇宙數值模擬的規模發展趨勢上來說, 模擬所使用的數據量會繼續增加, 并且模擬的精度也會越來越高.

圖1 年代-數值模擬數據規模示意圖[2,6-27]

宇宙數值模擬程序所使用的模擬數據結構可以簡單分為兩類, 即網格數據和離散數據. 網格數據中又分為均勻網格和非均勻網格, 網格數據是將三維模擬空間劃分為網格, 每個格點記錄相關的物理變量. 模擬程序在使用網格數據進行計算時, 引力的計算以網格為基本單位, 模擬所保存的模擬數據格式為網格數據. 離散數據即粒子數據, 使用大量的粒子數據來覆蓋三維模擬空間, 粒子屬性包含位置、速度、質量、加速度等多個物理量. 模擬程序在使用粒子數據進行模擬的過程中, 引力的計算以粒子或者網格為基本單位, 模擬所保存的模擬數據格式為粒子數據.

2 宇宙數值模擬數據的繪制

數值模擬程序所保存的數據無法直觀地展示, 需要進行數據處理和繪制, 模擬數據的繪制是可視化分析的基礎. 數據的繪制方法從對原始數據的操作上可以分為3類, 即直接映射繪制、光滑核處理繪制和數據重組織繪制. 本章節將介紹每種繪制算法的基本原理, 并且給出在同一數據集下每種算法的可視化展示圖像.

2.1 直接映射

直接映射即數據不經過處理, 直接映射到圖像完成繪制. 直接映射繪制是出現最早的繪制方法, 早在20世紀初, Whiting[28]就采用此方法將星球繪制成圖像來展示星系圖用于天文學生的教學, 并且此方法也是目前常用的繪制方法之一.

對于數值模擬為網格數據的2D圖像繪制, 僅需要將三維的網格數據處理成二維網格, 然后根據圖像大小進行映射即可完成數據的繪制, 過程示意圖如圖2所示.

圖2 網格映射示意圖

對于離散數據的2D圖像繪制, 需要將粒子數據進行轉換, 轉換為均勻網格數據然后進行映射以完成粒子數據的繪制. 如圖3所示, 展示的是粒子數據常用的兩種轉換方法. 每個粒子數據根據空間坐標屬性映射到對應的均勻網格上, 所在網格的頂點將會增加相應的屬性值.

圖3 粒子映射示意圖

對于3D圖像的繪制, 網格數據可以轉換成體數據然后采用體繪制, 而粒子數據3D圖像繪制也是將粒子轉換成空間網格數據然后進行體繪制. 直接映射的可視化效果的2D圖像和3D圖像如圖4(a)和圖4(d)所示. 直接映射是最簡單且效率最高的繪制方法, 但繪制圖像的效果一般.

圖4 不同繪制算法效果展示圖

2.2 光滑核處理

數據直接映射的繪制效果一般, 為了提高繪制效果, 通常采用光滑核處理, 常用的光滑核為高斯光滑,高斯分布函數公式如式(1)所示.

在使用過程中, 可以通過控制高斯分布函數中的標準差σ 來調整光滑效果.

使用光滑核函數對數據進行處理時, 針對于網格數據通常是對原始數據進行處理, 經過處理后的數據再經過直接映射然后完成數據的繪制. 針對于粒子數據, 采用的方式是將空間中的每個粒子轉換成空間高斯分布函數, 然后再進行均勻網格的轉換. 此外, 當把粒子轉換成空間高斯分布函數時, 也可以采用拋雪球算法[29], 即將每個代表粒子的空間高斯分布直接拋到圖像上進行繪制. 圖4(b)和 圖4(e)展示的為光滑核處理后的可視化圖像結果, 從圖像上可以看出光滑核處理后的繪制圖像在結構表現上更加豐富, 可視化效果優于直接映射.

2.3 數據重組織

數據重組織繪制通常用于天文模擬中粒子數據的繪制, 即將粒子數據重組成其他形態再進行映射和繪制. 目前最常使用的方法是Kaehler等[30]提出的可視化方法, 將粒子組建成四面體網格然后進行繪制.

四面體網格算法是在模擬的初始時刻, 根據粒子的位置進行劃分, 即空間上相鄰8個粒子組成一個六面體, 然后將六面體切分成6個四面體, 每個四面體之間沒有相交, 四面體的構建示意圖如圖5所示. 由于每個粒子會出現在8個六面體的頂點上, 因此在切分后,每個粒子會出現在多個四面體的頂點, 空間內四面體通過頂點粒子相連接而構造成了四面體空間網格.

圖5 四面體構建示意圖[30]

在初始時刻完成四面體網格構造后, 記錄每個四面體的粒子組成, 保持模擬過程中四面體組成粒子的不變, 每次繪制時以四面體為基本單位. 圖4(c)和圖4(f)展示的為四面體網格的繪制效果圖, 從圖像上可以看出四面體網格繪制效果非常好, 對宇宙特征結構展現的非常清晰, 可視化效果優于其他兩種方法. 但是, 此方法也存在一定的限制, 即此方法僅限于對天文粒子數據的繪制, 并且繪制的時間遠大于其他兩種方法.

3 宇宙模擬數據可視化分析

在模擬數據渲染的基礎上和多種可視化任務的推動下, 發展出了多個可視化研究方向. 本節將依次探討交互可視化、并行可視化、原位可視化和機器學習與可視化這些近年來的可視化研究熱點, 并進行歸納和總結.

3.1 交互可視化

交互可視化分析技術是使用交互式技術幫助用戶進行模擬數據的分析, 其主要優勢是通過交互完成特定的分析任務. 對于宇宙數值模擬的交互可視化分析根據分析的內容可以分為兩類, 一類是對模擬數據的全局屬性和參數進行分析, 另一類是對宇宙特定的結構進行分析.

對模擬數據的屬性和參數進行交互分析, 主要是對模擬數據的展示維度、展示區域、展示內容和時序屬性等進行交互. 早期交互主要是對數據展示維度和時空位置等進行交互式分析, 例如Swayne等[31]設計了一個數據可視化系統用于展示高維空間中粒子數據并且允許用戶進行旋轉、區域選擇和顏色調整等操作.此外, Teuben等[32]和Price等[33]也實現類似工作, 即使用鍵盤和鼠標作為交互設備, 通過用戶的交互操作對數據展示維度、展示區域和顏色映射等進行調整.

早期的交互式分析著重于對展示內容維度和展示區域的交互, 以幫助科學家更快的了解模擬數據. 隨著研究的發展, 一些工作開始關注于對數據進行時序屬性的分析. Haroz等[34]通過可視化系統來對不同的模擬的多個屬性的時序差異進行分析. 如圖6所示, 用戶可以通過平行坐標軸來實時選擇重要特征進而深入分析.此外, Zhao等[35]通過一種交互粒子的圖像生成算法展示模擬數據中高質量時序圖像, 用來分析數據的時序特征. 從總體上來說, 對全局屬性交互分析的主要目標是幫助用戶了解數據并發現全局屬性的異常特征.

圖6 不同模擬間的多屬性時序差異分析[34]

另一類是對宇宙特定的結構進行分析, 通常分析的目標結構集中在暗暈. 暗暈是模擬中由于粒子聚合而形成的密度高點, 是物質的三維塌縮而形成的. 對于暗暈的分析, 根據交互對象可以分為分析區域的選擇和分析目標的選擇. 分析區域的交互選擇即用戶通過交互操作對展示的目標區域進行選擇[36-39]. 例如Shan等[36]通過開發可視化系統分析暗暈的合并演化歷史,如圖7所示. 用戶通過2D的交互操作選取目標分析區域, 系統基于交互參數來生成目標區域的暗暈3D的演化過程. Rapp等[39]通過概率密度函數來擬合大規模宇宙模擬數據, 進而可以有效地對結構進行表示, 通過對概率模擬函數的可視化和交互來達到對區域數據交互式分析的目的. 分析目標的交互選擇, 即用戶通過交互操作來顯示單個暗暈的演化過程和物理屬性[40-42]. 例如Almryde等[40]通過可視化展示了暗物質暈的合并樹的演化歷史, 允許用戶通過交互操作從合并樹中選擇單獨的暗暈來分析單個暗暈的屬性. 從總體上來說,對宇宙特定結構交互分析的主要目標是幫助用戶分析單個或者區域的暗暈演化過程, 進而利用可視化圖像更加深入直觀的了解演化過程. 此外, Hanula等[41]通過構建一個沉浸式的可視化軟件來對宇宙模擬數據進行交互和分析, 該軟件通過多個分析視圖的交互和聯動展示, 幫助領域專家對模擬數據進行時序結構演化分析. 同時, 還可以幫助專家對特定暗暈的形成和演化進行交互和探索.

圖7 區域暗暈交互式分析流程圖[36]

3.2 并行可視化

計算機硬件的發展為并行計算提供了有力的支撐, 并行計算的發展也為可視化提供了新的技術. 為了處理和繪制大規模的模擬數據, 越來越多研究中采用了并行計算. 根據并行加速的內容, 可以將并行可視化分為兩類,第一類是并行的數據處理, 第二類是并行的數據繪制.

對于并行的數據處理, 即通過并行計算對大規模數據進行快速預處理, 將處理后的數據進行可視化展示. 例如Woodring等[43]基于ParaView[44]可視化軟件設計了一個并行的數據處理模塊, 并行的運行暗暈尋找算法和實時的暗暈分布展示, 利用并行計算可以極大提高數據處理的速度, 加速對暗暈的分析過程. 此外,Jin等[45]利用由多個GPU和CPU組成的超算, 使用了MPI[46]和OpenMP[47]框架對數據的坐標轉換、歸一化、旋轉等操作進行加速處理. Tallada等[48]介紹了一款基于Hadoop的Web應用CosmoHub, 可以對大量宇宙數據集進行交互式探索和分發. 它正在為幾個大型國際合作項目提供數據支持, 如歐幾里得空間任務、暗能量調查(DES)、加速宇宙調查(PAUS)和馬勒斯特姆科學研究所(MICE)的數值模擬等. 目前, 對109大小數據集的在線探索可以在幾十秒的時間尺度內完成. 總體來說利用并行計算對數據進行處理的目標是通過并行的數據處理算法快速生成可視化的數據,以達到可以處理和分析大規模數據的目的.

對于并行的數據繪制, 即利用并行技術對數據的繪制進行加速. 例如Kaehler等[49]設計實現了基于GPU的輔助光線投射算法, 利用GPU的并行加速生成局部精細網格, 該算法可以獲得高質量體繪制結果. Dykes等[50]設計實現了基于GPU的Splotch方法, 通過將粒子數據進行分組使CPU和GPU可以同時對數據進行并行處理以加速Splotch的繪制過程. Rizzi等[51]實現了一種基于GPU的點繪制技術, 通過對粒子進行層次重組并使用動態的繪制任務分解, 用以加速大規模粒子數據的繪制. 此外, 也有許多相關的研究利用并行計算來加速渲染過程[52,53]. 利用并行計算對繪制進行加速的目標是能夠對大規模數據進行繪制, 不僅提高繪制效率也可以獲得高質量的圖像.

3.3 原位可視化

隨著超級計算機的發展, 模擬的規模越來越大, 但存儲能力的增長卻難以滿足大規模模擬的數據存儲要求. 由于存儲資源的限制, 無法將所需的全部模擬數據進行保存、分析和可視化. 原位可視化是解決這種問題的最有效的方法. 原位可視化即在模擬運行的過程中, 在模擬的計算節點上對數據進行原位處理, 將處理后的數據進行保存以供事后的可視化分析. 原位可視化與傳統后處理形式的可視化在流程上的對比如圖8所示[54]. 原位可視化中數據在內存中就被可視化程序所處理, 處理后保存的數據量遠小于原始數據, 因此可以解決I/O瓶頸的問題和存儲限制的難點, 為可視化分析超大規模模擬的數據提供有效的方法. 原位可視化從原位處理的方式上可以分為3類, 即原位數據壓縮處理、原位的圖像渲染處理和原位特征提取處理.

圖8 傳統可視化與原位可視化對比圖[54]

原位數據壓縮處理是通過使用壓縮或者采樣算法在原位進行處理以降低數據量, 進而可以保存更多的數據. 例如Woodring等[55]使用層次化的隨機采樣算法對超大規模的模擬數據進行原位采樣處理, 算法通過KD樹在每個計算節點對粒子數據進行分塊, 在塊內采用隨機采樣, 同時通過控制每個塊的大小來調整壓縮率. 此算法在計算節點之間不需要進行通信, 具有很高的并行效率和可擴展性, 通過層次化的隨機采樣可以極大降低數據的存儲, 為大規模數據的可視化和分析提供了有力的支持. 但算法也存在一些限制, 隨機采樣丟失了許多細節, 使得高精度的分析誤差較大, 并且由于粒子時序關系的丟失, 時序分析和時序可視化也需要額外的處理. Hazarika等[56]提出了一種抽樣策略, 通過使用多個跨空間域的PCA模型獲取全局多元關系可以在降低存儲多變量模擬數據占用的同時保護多變量之間的關系. 也有一些研究探討了壓縮算法在原位的有效性, Zeyen等[57]比較了多種最新的壓縮算法, 探討了原位可視化中壓縮算法的有效性, 他們通過對230個粒子數據的壓縮實驗, 測試了多個最先進的有損壓縮算法和無損壓縮算法的效果和效率. 通過對比,他們指出在天文專家認可的最大誤差下, 這些算法中SZ壓縮算法[58]的壓縮率最高, 可以達到46.72%. 壓縮算法雖然可以保證數據的質量, 但其壓縮率還是難以滿足超大規模的原位處理要求.

原位的圖像渲染處理是模擬運行過程中, 在原位階段運行數據繪制算法, 將原始數據直接可視化, 僅需要存儲或者傳輸圖像數據, 從而極大地降低數據量.Whitlock等[59]通過對可視化工具VisIt進行擴展, 在模擬過程中渲染模塊與模擬程序同時進行運行, 并在用戶控制下實時地對數據進行渲染和傳輸. 這種原位的圖像渲染方式, 可以處理超大規模的模擬數據, 解決了I/O的瓶頸和存儲的限制. 但僅存儲和使用圖像數據而丟棄原始數據, 使得用戶難以進行后續的交互式探索和數據統計分析計算.

原位特征提取處理是通過使用數據分析或處理算法, 將專家最關心的特征進行提取和保存, 減少不必要的存儲以達到超大規模原位可視化分析的目的. Li等[60]采用了概率密度模型在原位階段對粒子數據進行特征提取, 該算法通過KD樹對每個計算節點內數據進行劃分, 劃分后使用高斯混合模型對劃分后的數據進行特征提取, 并使用模型評估、模型優化等手段提高特征數據的質量. 經過原位處理后, 僅需要保存高斯混合模型的參數, 并且可以通過蒙特卡洛算法重構粒子數據以支持數據可視化和物理屬性計算. 該方法在原位處理時, 計算節點之間相互獨立, 不需要額外的通信,所以可擴展性較高. 同時算法的壓縮率可達到1.3%,并在此壓縮率下可以重構高質量的數據用以可視化分析. 圖9中展示了基于模型參數重構后粒子數據與原始數據的對比可視化結果, 從可視化效果可以看出, 重構數據可視化圖像幾乎與原始數據可視化圖像一致.類似地, Takle等[61]的工作也是采用了原位特征提取方法, 在模擬過程中追蹤暗暈的演化歷史并在模擬過程中完成合并樹的建立. 通過這種特征追蹤的方法可以高效地對暗暈結構進行分析和可視化. 原位特征提取處理的方式可以非常有效地解決I/O的瓶頸和存儲的限制, 但此類研究通常針對特定的問題, 所以算法的通用性有待提高.

圖9 原始數據與特征提取算法的對比可視化[60]

3.4 機器學習與可視化

機器學習作為一種有效的數據處理和分析手段,已經應用在越來越多的領域. 隨著深度學習研究發展,極大的推動了其他領域深度學習相關應用研究的產生.在宇宙數值模擬可視化研究中, 機器學習算法的應用也逐漸成為一個熱點.

Preston等[62]研究了基于聚類算法合并樹的數據可視化方法, 利用可視化技術分析在天文數據中應用聚類算法的效果, 幫助使用者對聚類結果更加了解, 提高數據分析的準確性和發現異常特征的能力. Wang等[63]提出了統計超分辨率方法來提高大規模宇宙數值模擬數據中分析和可視化的能力, 并且可以解決超大規模數據的傳輸和保存等數據處理瓶頸. 算法使用高斯混合模型對數據進行表達, 并利用小規模的模擬數據來構建先驗知識, 然后通過算法來建立從低分辨率到高分辨率數據的映射關系. 在數據可視化時, 利用映射關系從低分辨率的數據中構建高分辨率的數據以獲得高質量的可視化效果.

He等[64]提出了一個基于深度學習神經網絡的模擬替代模型InSituNet, 它可以為科學家快速探索和預估不同模擬參數下的模擬結果. InSituNet使用了生成式對抗網絡(GAN)[65]來處理模擬數據, 神經網絡利用多組科學模擬數據學習模擬參數和可視化參數到可視化結果的映射關系. 用戶可以使用訓練后深度學習模型來仿真在不同的可視化參數和模擬參數下的可視化圖像, 這可以減少不必要的模擬并節約超算的計算資源. 此外, 通過燃燒模擬、海洋模擬和宇宙數值模擬的多組數據測試, InSituNet表現出了良好的效果. 圖10展示的為InSituNet可視化軟件界面, 用戶可以通過對左側參數視圖進行參數調整, 右側可視化視圖會實時展示設定參數下對應的可視化預測結果.

圖10 InSituNet可視化軟件界面[64]

總體來說, 機器學習算法作為數據分析和數據處理的手段, 支撐了可視化分析. 通過機器學習算法和可視化技術的結合, 極大提高數據分析效率.

4 研究趨勢與挑戰

超級計算機的發展使得數值模擬的規模會繼續增加, 特別是E級超級計算機的到來為科學數據的可視化分析帶來新的機遇和挑戰, 可視化作為分析超大規模數值模擬數據最有效的手段在未來的作用也將越來越突出. 在數據分析需求的推動下, 宇宙數值模擬可視化研究將會呈現新的發展趨勢.

深度學習相關的研究在許多領域已嶄露頭角, 特別是近些年來深度神經網絡的發展和應用, 極大的提高數據分析的能力與效率. 當前已經出現了一些將深度神經網絡用于天文數據可視化分析的探索, 并取得非常好的效果. 未來在天文數據可視化中的應用會越來越多, 例如可視化技術結合深度神經網絡對天文數據中特征結構的識別、追蹤、分類和預測等將會是一個重要的研究方向.

超大規模數據分析的需求使得原位可視化研究越來越迫切, 隨著E級計算的到來, 大規模數據分析的挑戰會日益突出. 原位可視化作為一種有效分析超大規模數據的手段已經取得了多項研究成果, 但目前仍存在一些問題. 例如, 如何實現在原位可視化分析中基于原位的時序數據分析方法, 以及如何設計通用性的原位分析框架. 此外, 數據分析算法的發展(如數據挖掘算法、深度神經網絡、并行數據處理等)也為原位可視化分析提供了新的數據分析思路.

在可視化交互方面, 目前還是多以鼠標和鍵盤的方式進行交互, 新型的交互設備將會為交互分析提供新的方法, 例如增強現實設備和虛擬現實設備的出現為科學數據的展示和交互提供了新的工具. 增強現實設備和虛擬現實設備提供的三維沉浸式環境適合展示科學模擬數據, 特別是天文模擬中模擬對象本就是三維空間, 這種三維沉浸式環境可以更加真實的展示模擬對象的演化特征, 并且帶來的交互方式提高了數據分析的效率. 因此, 交互式設備的發展為科學數據分析中的交互方法帶來新的研究內容.

5 結語

本文首先介紹了宇宙數值模擬的發展和目前常用的數據繪制方法, 并在此基礎上根據近年來宇宙數值模擬可視化研究的內容討論了當前主要的可視化研究方向: 交互可視化、并行可視化、原位可視化、機器學習與可視化. 通過展示每個研究方向的具體案例, 歸納總結了當前的研究狀態, 并根據發展趨勢討論了下一步研究的方法和方向.

可視化作為最有效的數據分析手段, 在宇宙模擬數據分析中已經取得了大量的研究成果, 但目前該領域仍存在許多需求和挑戰, 仍需進一步的研究和發展.