Esculturas de redes de realidad aumentada

Esculturas de red aumentadas

Agoston Nagy || Startup




Su artículo presenta una colaboración continua entre la Universidad de Arte y Diseño Moholy-Nagy (Budapest, H) y Barabasi Lab (Boston, EE. UU.). El objetivo del proyecto es unir redes espaciales físicas impresas en 3D con sus correspondientes capas de información de fondo utilizando la realidad aumentada. Dado que un modelo virtual está alineado con la escultura de red impresa real, la audiencia puede revelar capas de información navegando sobre diferentes capas de la realidad: interactuando con un dispositivo móvil táctil en su pantalla, pero también, navegando en el espacio real moviéndose El dispositivo alrededor. Usando los sensores de movimiento integrados, el giroscopio y la imagen de la cámara en tiempo real, el resultado es una experiencia de realidad mixta, donde la información digital en capas se conecta a la escultura de red física real.

Un taller

Después de una lluvia de ideas inicial con el científico de redes László Albert Barabási, comenzamos el proyecto con un taller en el campus MOME con Mihály Minkó, donde se invitó a diseñadores, artistas, ingenieros y personas de diferentes campos de las humanidades. Estábamos investigando formas de cómo podemos mezclar el lenguaje de la realidad aumentada con los problemas de visualización de la red. Se dieron dos conferencias teóricas como punto de partida, que abordan las taxonomías de la realidad aumentada (y sus correspondientes modelos cognitivos de las diferentes modalidades del espacio) y la topología de la red: visualización, comprensión de las estructuras de redes complejas y sin escala.


Algunas diapositivas de la conferencia.

El pensamiento colaborativo, los ajustes y la cultura del bricolaje también son una parte crucial de la metodología de nuestro taller, por lo que obtuvimos algunos componentes de plástico que consisten en bloques de construcción simples para ensamblar diferentes sistemas moleculares, y los participantes tuvieron que construir redes simplificadas por su cuenta. Las instrucciones se basaron en algunos datos extremadamente filtrados y limitados que obtuvieron en sus manos, sentados alrededor de una mesa, construyendo el objeto juntos, independientemente de sus antecedentes profesionales. Esta forma de diseño colaborativo abre conversaciones significativas, invoca varias preguntas sobre el tema que el grupo está investigando. Como resultado del taller, obtuvimos algunas ideas interesantes sobre los conceptos de navegación dentro de la realidad aumentada, también tuvimos una experiencia de primera mano sobre cómo se pueden crear redes, nodos y sus enlaces.

Diferentes conceptos espaciales para la realidad aumentada portátil

Dado que las redes son estructuras abstractas en sí mismas, visualizarlas en otro modelo abstracto (realidad aumentada) es aún más desafiante, estamos construyendo algo que ninguno de nosotros había experimentado antes.

Hasta aquí todo bien. Parece que

Los métodos de comprensión de redes y relaciones complejas se pueden aprender y comprender mejor si tenemos experiencia práctica con respecto a una estructura (construcción, combinación, reestructuración de partes y piezas) además de leer teorías y conceptos abstractos solamente.

Colocar contenido virtual en una red física simple

La realidad aumentada es un campo emergente de comunicación visual, que tiene mucho potencial, lo que significa que también necesita mucha experimentación práctica. Como el paradigma computacional donde la fusión del espacio real y los algoritmos comenzaron con la navegación náutica, nuestro tiempo también está lidiando con el mismo paradigma con nuevos métodos. Hoy en día, las personas tienen que combinar el espacio físico real con capas de contenido virtual: estos son los conceptos básicos de la computación consciente del espacio, donde tenemos que construir el lenguaje para la próxima era del diseño computacional.

Contar historias significativas dentro de este espacio híbrido es un concepto muy novedoso para creadores de contenido, diseñadores e ingenieros. Comprender el contexto de estos escenarios complejos involucra a personas de diferentes profesiones, incluidos ingenieros, humanidades (literatura, semiótica, etc.), científicos cognitivos, expertos en visualización y, lo que es más importante, expertos que se ocupan de las consecuencias éticas y biológicas de la tecnología, como como inteligencia artificial y diferentes capas de realidad.

Taller de Realidad Aumentada y Ciencia de Redes (MOME, 2019)

Un prototipo

El objetivo de la colaboración entre los dos institutos es encontrar y construir visualizaciones significativas para estas interrelaciones conceptuales entre el espacio, los datos y su representación. Es un viaje interesante para crear una nueva estética basada en datos y redes, donde los conceptos científicos son más fáciles de comprender para las personas que están fuera de los círculos académicos de diseño o comunidades científicas.

Comenzamos a construir un prototipo de iOS en C ++ (OpenFrameworks) que se basa en la plataforma de realidad aumentada de Apple, ARKit. Estamos utilizando puntos de características de la alimentación de la cámara del dispositivo para construir, cargar y guardar coordenadas mundiales que están conectadas a la escultura de la red física. También utilizamos la misma aplicación para representar contenido virtual en la pantalla, usando OpenGL combinado con el Metal de Apple como el procesador gráfico.


Proceso de calibración en el prototipo.

La interfaz de usuario y el ciclo de vida de la aplicación se basan en componentes personalizados, no hay elementos y módulos integrados específicos del sistema operativo que se utilicen, lo que conduce a una portabilidad más fácil y una estrategia de desarrollo multiplataforma a prueba de futuro. El prototipo más tarde se puede portar a la plataforma ARCore de Android u otros sistemas operativos de la próxima industria de realidad montada en la cabeza.

El uso de la aplicación está destinado a ser "consciente del espacio", lo que significa que está utilizando algunos conceptos especiales más allá de las rutinas de navegación convencionales (como tocar, deslizar, pellizcar, etc.). La distancia del objeto físico real juega un papel extremadamente importante en la experiencia.

El concepto de aplicación, transformación de datos, diseño y desarrollo se realiza junto con Mihály Minkó. La aplicación está a punto de ser lanzada en 2020 como una parte integrada de las próximas exhibiciones de diferentes redes y esculturas generativas hechas por Barabasi Lab, esta publicación se actualizará, en consecuencia.

Pajek: Análisis y visualización de comunidades (2/2)

Visualizando Comunidades

Parte 2/2

Pajek

2. Visualizando comunidades usando 2D Pivot MDS

El algoritmo de diseño rápido Pivot MDS se implementa en Pajek 3.03 o posterior.
El Pivot MDS nos permite visualizar redes mucho más grandes que los springs embedders.
Redes que contienen aprox. 100.000 vértices se pueden visualizar en pocos segundos.

Secuencia de pasos en Pajek

Visualizando usando pivotes aleatorios (sin tomar en cuenta a las comunidades)

 Ejecute Layout/Pivot MDS/Random Pivots/2D para el diseño en un plano.
En el caso de redes grandes (y pantallas pequeñas), las comunidades obtenidas ocupan un área demasiado amplia. Podemos aplicar Options/Transform/Resize Cluster Area con un factor de tamaño menor a 1 (0.1 parece estar bien) para hacerlo más pequeño.

Diseño obtenido (25069 vértices, 100 pivotes aleatorios, tiempo necesario para calcular el diseño = 1 segundo)

Diseño obtenido (25069 vértices, 500 pivotes aleatorios, tiempo necesario para calcular el diseño = 15 segundos)

Diseño obtenido (25069 vértices, 500 pivotes aleatorios, líneas ocultas)

Diseño obtenido (25069 vértices, 500 pivotes aleatorios, líneas ocultas, ampliación)

Visualizar usando pivots computados (tomando en cuenta a las comunidades)

Pero podemos mejorarlo teniendo en cuenta las comunidades obtenidas por el método de Louvain. En lugar de tomar pivotes aleatorios, podemos usar representantes de las comunidades como pivotes. En nuestro caso, obtuvimos 500 comunidades, y podemos seleccionar aleatoriamente un vértice de cada comunidad para su representante:
Aplicar Partition/Make Cluster/Random Representatives of each Cluster en la partición de la comunidad obtenida.
Como resultado obtenemos un nuevo Cluster con 500 vértices (representantes de la comunidad).
Luego calcule el diseño ejecutando: Layout/Pivot MDS/Pivots from Cluster/2D
Finalmente aplique Options/Transform/Resize Cluster Area para reducir el área de clusters.

Diseño obtenido (25069 vértices, 500 representantes de la comunidad como pivotes, tiempo necesario para calcular el diseño = 16 segundos)

Diseño obtenido (25069 vértices, 500 representantes de la comunidad como pivotes, líneas ocultas)

Diseño obtenido (25069 vértices, 500 representantes de la comunidad como pivotes, líneas ocultas, ampliación)

3. Visualizar comunidades usando 3D Pivot MDS

Descargar archivo de red de muestra (15606 vértices, 45878 enlaces).

Aplique

• Layout / Pivot MDS / Random Pivots / 3D usando diferentes números de pivotes aleatorios
• Layout/Pivot MDS/Pivots from Cluster/3D usando representantes de la comunidad como pivotes

Diseño 3D obtenido (15606 vértices, 5 pivotes aleatorios, tiempo necesario para calcular el diseño = 0 segundos)

Diseño 3D obtenido (15606 vértices, 10 pivotes aleatorios, tiempo necesario para calcular el diseño = 0 segundos)

Diseño 3D obtenido (15606 vértices, 100 pivotes aleatorios, tiempo necesario para calcular el diseño = 0 segundos)

Diseño 3D obtenido (15606 vértices, 500 pivotes aleatorios, tiempo necesario para calcular el diseño = 8 segundos)

Diseño 3D obtenido (15606 vértices, 1097 representantes de la comunidad como pivotes, tiempo necesario para calcular el diseño = 35 segundos)

Mapeo de la red cerebral de una mosca

El primer mapeo 3-D de la red cerebral de una mosca de la fruta
MIT Technology Review

Mapeo de la estructura de la red 3-D del cerebro de una mosca es un gran paso adelante. Pero tuvieron que pasar 1.700 horas-hombre para completar, lo que significa que el trabajo humano será un importante cuello de botella para futuros avances.

Emerging Technology from the arXiv

Un objetivo importante de la neurociencia es comprender la estructura de enlaces entre las neuronas que componen el cerebro: en otras palabras, para construir un preciso mapa en 3-D de la red neuronal del cerebro.

Los investigadores han hecho progresos significativos con diversos tipos de técnicas de imagen de alta resolución. Por ejemplo, unir moléculas fluorescentes en las neuronas puede mostrar su estructura, y las imágenes del microscopio electrónico de secciones del cerebro también puede revelar la estructura a nivel neuronal.

Todas estas técnicas tienen una limitación importante. Las imágenes muestran que producen cambios en la intensidad de la imagen. Pero estas variaciones a continuación deben interpretarse para inferir la posición y forma de las neuronas reales. Este último paso es una tarea difícil cuando las neuronas y las conexiones entre ellas se cuentan por miles y millones.





Lo que se necesita es una mejor manera de crear un diagrama de cableado en 3-D del cerebro, una especie de esqueleto de las conexiones neuronales.

Hoy en día, que se hace posible gracias a la labor de Ryuta Mizutani y amigos de la Universidad de Tokai, en Japón. Estos chicos han reutilizado una técnica para producir modelos de esqueleto similar al de las moléculas y lo utilizó para mapear las neuronas en el cerebro de una mosca de la fruta. El resultado es el primer modelo en 3-D de esta red de neuronas.

El trasfondo de todo esto radica en la bioquímica. Los bioquímicos se enfrentan a un problema similar cuando crean modelos en 3D de moléculas complejas. Comienzan mediante la creación de un cristal de la molécula de interés. Luego zap con rayos X y medir el patrón de difracción de esta forma, una técnica conocida como cristalografía de rayos x.

Pero hay un problema. Los rayos X son difractados por la nube de electrones que rumores en torno a los átomos en la molécula. Así que los datos reflejan los cambios en la densidad de electrones dentro de la molécula. Las posiciones reales de los átomos tienen que inferirse de estos datos. Cuando la estructura es compleja, esto no es una tarea simple.

Los químicos tienen una gran cantidad de experiencia con esto. Desde hace algunos años, se han utilizado un enfoque de modelado por computadora para resolver el problema. Funciona mediante la estimación de la posición de un átomo en el espacio de tres dimensiones, la colocación de un nodo en ese lugar en el modelo, y luego conectarlo por un alambre virtual a la posición estimada de la siguiente átomo, y así sucesivamente. De este modo, el software se acumula un modelo de alambre virtual de la molécula.

Ahora Mizutani ha reutilizados este software para determinar la posición 3-D y la forma de las neuronas. Esto es más complicado debido a que las neuronas no son objetos puntuales como los átomos, sino objetos en forma de líneas que se pueden torcer y curva de manera compleja.

El equipo recoge sus datos utilizando una técnica llamada tomografía de rayos x. Ellos pickle un cerebro de la mosca en un tinte de plata, bombardear con rayos X, y luego medir la forma en que los rayos X son dispersados ​​en varias direcciones. Esto produce un mapa en 3-D intensidad de la imagen de la forma de plata en las neuronas absorber los rayos x.

El siguiente paso es la clave: el uso de los datos para estimar la posición y forma de las neuronas reales. Mizutani y lugar co los datos en un espacio de tres dimensiones de 840 por 1.250 por 1.200 voxels. Utilizan las intensidades de absorción de rayos x para estimar si una neurona está presente en particular voxel. Luego se construyen un modelo de alambre mediante la estimación de la forma en la neurona se extiende hacia cualquiera de los voxels adyacentes.

Por supuesto, el modelo tiene que comprobar que la red resultante es compatible con la que dos neuronas adyacentes no se interpretan como una sola neurona prolongado, por ejemplo. Así que el software comprueba continuamente la naturaleza de la red resultante, en busca de posibles anomalías. Cualquier anomalía que no puede resolver se deja por un operador humano para solucionarlo.

Este modelo tiene una resolución de alrededor de 600 nanómetros, y muestra unas 100.000 neuronas, que el modelo se resuelve en unos 15.000 huellas. Fue un esfuerzo importante para el equipo. "Se necesitaron 1.700 horas-hombre para construir el modelo de esqueleto", dicen.

Pero los resultados son claramente vale la pena. La técnica produce el primer modelo de alambre de 3-D de un hemisferio del cerebro de la mosca en el que la posición y la forma de cada neurona se asignan mediante coordenadas cartesianas en 3-D.

Este modelo muestra una amplia gama de estructuras neuronales conocidas-el modelo de trazado 360 procesos neuronales separadas. Pero también reveló una serie de estructuras desconocidas que son claramente importantes. "Estos resultados sugieren que las neuronas que no se pueden clasificar en grupos estructurales deben desempeñar un papel importante en las funciones del cerebro, aunque sus estructuras casi no han sido investigados," decir Mizutani y co.

Esto apunta a algún trabajo interesante por delante, tal vez con menor longitud de onda de rayos X que producen datos de mayor resolución.

Sin embargo, los datos adicionales no serán fáciles de manejar, dado que el lote actual requiere tanto trabajo. "La reconstrucción de [a mayor resolución] red cerebral parece ser prohibitivamente costoso en términos de carga de trabajo humana," decir Mizutani y co.

El análisis de datos es un importante cuello de botella, y se necesitan desesperadamente mejores técnicas automatizadas de construcción de modelos. Una clara oportunidad para los científicos de la computación con un poco de tiempo en sus manos.

Ref: arxiv.org/abs/1609.02261 : Three-Dimensional Network of Drosophila Brain Hemisphere

1609 02261

Lire plus de publications sur Calaméo

Herramienta para percolación tridimensional de agrupamientos

Accesibilidad a clúster de percolación 3D
Un clúster de percolación tridimensional con sitios coloreado de acuerdo a su accesibilidad a la difusión de los caminantes al azar

David A. Adams
Leonard M. Sander
Departamento de Física
Universidad de Michigan
Ann Arbor, Michigan
Robert M. Ziff
Departamento de Ingeniería Química
Universidad de Michigan
Ann Arbor, Michigan
Accesibilidad 3D percolación Cluster



Los fractales son auto-similares, ellos tienen el mismo aspecto en muchas escalas, y se producen con frecuencia en la naturaleza por lo que son objeto de interés teórico, experimental y estética sostenida.
Una propiedad importante de un fractal es la facilidad con las que diminutas partículas de polvo pueden llegar a diferentes partes del objeto. Esta propiedad se llama la medida armónica y es importante para aplicaciones tales como la forma en que crece un catalizador áspero y lo resistente catalizadores son ásperas al ser contaminados por moléculas no reactivos. La medida de armónicos es con frecuencia difícil de obtener debido a que las partes más íntimas de un objetos fractales típicamente tienen probabilidades más pequeño que uno en un billón de billones de ser golpeado por las partículas de polvo.
Hemos desarrollado una herramienta para medir esos extremadamente pequeñas probabilidades de objetos fractales tridimensionales simulados llamados cúmulos de percolación. Las imágenes muestran un pequeño grupo de percolación con los sitios en el clúster de color de acuerdo a sus portabilidades de ser golpeado por las partículas de polvo.

APS Physics

Nuevo plugin 3D para Gephi

Force Atlas 3D: Nuevo plugin para visualizar los gráficos en 3D con Gephi

Gephi



Hola, Sólo publicado hoy un plugin para visualizar sus redes en 3D con Gephi: Fuerza Atlas 3D. Encuentrelo aquí, picbut puede instalarlo directamente desde Gephi, siguiendo estas instrucciones.

Sus redes 2D ahora se visualizan en el espacio 3D. Efectos de la profundidad y la perspectiva de que sea más fácil de percibir la estructura de su red.

"¿Qué nodo es más central" puede obtener una nueva respuesta, visualmente: nodos "anidadas" dentro de la red son, sin duda interesante de ver.

Este plugin fue escrito en la parte superior de la Fuerza Atlas 2 plugin, desarrollado por Mathieu Jacomy et al. y que usted puede encontrar instalado por defecto en Gephi ya. Gracias a ellos por este gran trabajo!

Ok eso es básicamente la misma. La siguiente es sólo un par de reflexiones sobre el uso del 3D en DataViz.

Hay una gran cantidad de comentarios que hay en la forma en 3D en DataViz es una forma barata para comprar la atención (por ejemplo, aquí), a costa de la calidad del saber. Creo que los diseños 3D para las redes son un caso en que la utilidad de la vista 3D compensa sus costos (oclusión visual desde los nodos se pueden ocultar detrás de la otra, y los posibles sesgos debido a la perspectiva).

En la fase de análisis exploratorio, cuando usted busca patrones y la estructura de la red, añadiendo una dimensión extra realmente ayuda a estos patrones emergen. La centralidad de un nodo se visualiza de una mejor manera, gracias a su posición "anidado" en 3D, con el resto de la red enroscada alrededor.

Otra ventaja interesante es la mejor percepción de las relaciones entre las comunidades de nodos: mientras que en 2D se pueden observar dos comunidades que son vecinos, ya que se tocan entre sí, el cambio a 3D podemos revelar patrones más complejos. Por ejemplo, podrían ser tumbados en dos planos paralelos en la parte superior de la otra, con pocas conexiones entre ellos en realidad.

Sería muy agradable tener movimientos de cámara que permite al espectador a cambiar la red alrededor, dando mejores vistas desde ángulos convenientes. Estoy en contacto con los desarrolladores principales Gephi para ver si eso es posible.

Por último, lo bueno de este plugin es que le permite elegir: interruptor en el 3D, pero cambia de nuevo a la vista 2D cuando quieras. Sólo hay que ver por ti mismo.