{"id":1105,"date":"2026-08-19T09:48:37","date_gmt":"2026-08-19T09:48:37","guid":{"rendered":"https:\/\/matforge.org\/?p=1105","raw":"https:\/\/matforge.org\/?p=1105"},"modified":"2026-08-19T09:48:37","modified_gmt":"2026-08-19T09:48:37","slug":"in-situ-vs-post-processing-decision-guide","status":"publish","type":"post","link":"https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/","title":{"rendered":"Visualizaci\u00f3n in situ frente a procesamiento posterior: un marco de decisi\u00f3n","raw":"Visualizaci\u00f3n in situ frente a procesamiento posterior: un marco de decisi\u00f3n"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 14<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><h2>Comida clave<\/h2>\n<ul>\n<li><strong>Visualizaci\u00f3n in situ<\/strong> procesa datos en memoria durante la simulaci\u00f3n; <strong>Postprocessing<\/strong> guarda los datos sin procesar en el disco y luego los vuelve a leer para el an\u00e1lisis.<\/li>\n<li>El in situ puede reducir el consumo total de energ\u00eda <strong>~43%<\/strong> eliminando el tiempo de inactividad del sistema, no solo sobre la sobrecarga de E\/S.<\/li>\n<li>In-Situ sirve como un <strong>sistema de alerta temprana<\/strong> para la divergencia num\u00e9rica, la inestabilidad y las anomal\u00edas antes de perder las horas centrales.<\/li>\n<li>La <strong>Estrategia h\u00edbrida<\/strong> (Reducci\u00f3n in situ \u2192 Ahorro selectivo \u2192 Posprocesamiento en datos reducidos) es el est\u00e1ndar moderno para los flujos de trabajo de HPC.<\/li>\n<li>El postprocesamiento todav\u00eda gana para las necesidades de <strong>an\u00e1lisis exploratorio<\/strong>, <strong>peque\u00f1os conjuntos de datos<\/strong> y <strong>archival\/re-analysis<\/strong>.<\/li>\n<li>Su elecci\u00f3n debe ir m\u00e1s all\u00e1 del \u00abtama\u00f1o de datos\u00bb: considere la suficiencia de E\/S, la cuota de almacenamiento, la resoluci\u00f3n temporal, la previsibilidad del an\u00e1lisis, la contenci\u00f3n de recursos y las necesidades de archivo.<\/li>\n<\/ul>\n<hr>\n<h2>Introduccion<\/h2>\n<p>Cuando ejecuta una simulaci\u00f3n, ya sea un caso de din\u00e1mica de fluidos computacional (CFD), un modelo de campo de fase o una ejecuci\u00f3n de din\u00e1mica molecular, eventualmente necesita visualizar los resultados. Tiene dos estrategias principales: <strong>Visualizaci\u00f3n in situ<\/strong>, donde analiza los datos mientras la simulaci\u00f3n a\u00fan se est\u00e1 ejecutando, o <strong>Procesamiento posterior<\/strong>, donde guarda el conjunto de datos completo en el disco y luego lo analiza.<\/p>\n<p>Elegir entre ellos no es solo un detalle t\u00e9cnico: afecta el rendimiento de su simulaci\u00f3n, el consumo de energ\u00eda, la capacidad de depuraci\u00f3n y la flexibilidad que tiene para el an\u00e1lisis futuro. La mayor\u00eda de los investigadores se encuentran con esta decisi\u00f3n al principio de su carrera de HPC y toman una decisi\u00f3n basada en la intuici\u00f3n o en la convenci\u00f3n del equipo en lugar de un marco estructurado.<\/p>\n<p>Para obtener una cobertura t\u00e9cnica profunda de la infraestructura, herramientas y patrones de implementaci\u00f3n in situ, consulte nuestra gu\u00eda de <a href=\"https:\/\/matforge.org\/in-situ-visualization-integration-computation\/\" target=\"_blank\" rel=\"nofollow noopener\">visualizaci\u00f3n in situ<\/a>. Aqu\u00ed, estamos tomando un \u00e1ngulo diferente: un marco de decisi\u00f3n pr\u00e1ctico que responde \u00ab\u00bfCu\u00e1ndo debo usar cada enfoque?\u00bb e introduce dos dimensiones que la mayor\u00eda de los art\u00edculos de comparaci\u00f3n fallan: el argumento del ahorro de energ\u00eda y el caso de uso de depuraci\u00f3n.<\/p>\n<hr>\n<h2>La comparaci\u00f3n cl\u00e1sica<\/h2>\n<p>Antes de sumergirnos en las nuevas dimensiones, establezcamos la diferencia de referencia entre los dos enfoques, ya que esta comparaci\u00f3n fundacional ya est\u00e1 bien cubierta en nuestra gu\u00eda de visualizaci\u00f3n in situ.<\/p>\n<p><strong>Visualizaci\u00f3n in situ<\/strong> Ejecuta el c\u00f3digo de visualizaci\u00f3n y an\u00e1lisis en el mismo espacio de memoria que tu simulaci\u00f3n. Los datos nunca tocan el disco: fluyen desde el solucionador de simulaci\u00f3n directamente a una canalizaci\u00f3n de visualizaci\u00f3n. Esto elimina la E\/S de archivo por completo para la ruta de visualizaci\u00f3n.<\/p>\n<p><strong>Post-Processing<\/strong> funciona de manera opuesta. Su simulaci\u00f3n escribe conjuntos de datos completos en el disco a intervalos regulares (o en hitos de convergencia). Despu\u00e9s de que se completa la simulaci\u00f3n, carga esos archivos en una herramienta de visualizaci\u00f3n separada (paraView, Visit o similar) y explora los datos de forma interactiva.<\/p>\n<p>La compensaci\u00f3n cl\u00e1sica es simple:<\/p>\n<table>\n<thead>\n<tr>\n<th>Dimensi\u00f3n<\/th>\n<th>in-situ<\/th>\n<th>postprocesamiento<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Lugar de datos<\/td>\n<td>en memoria durante la simulaci\u00f3n<\/td>\n<td>Guardado en disco<\/td>\n<\/tr>\n<tr>\n<td>Impacto de E\/S<\/td>\n<td>Cero para la ruta de visualizaci\u00f3n<\/td>\n<td>Conjunto de datos completo escrito varias veces<\/td>\n<\/tr>\n<tr>\n<td>Sincronizaci\u00f3n<\/td>\n<td>Tiempo real durante la simulaci\u00f3n<\/td>\n<td>Despu\u00e9s de que se completa la simulaci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>flexibilidad de an\u00e1lisis<\/td>\n<td>Solo canalizaciones predefinidas<\/td>\n<td>interactivo, exploratorio<\/td>\n<\/tr>\n<tr>\n<td>Contenci\u00f3n de recursos<\/td>\n<td>Calcular acciones con simulaci\u00f3n<\/td>\n<td>Se ejecuta en hardware separado<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Esta comparaci\u00f3n ha sido bien documentada por Moreland (2016) en \u00abLas tensiones de la visualizaci\u00f3n in situ\u00bb, que establece las compensaciones fundamentales en torno a la contenci\u00f3n de recursos, la p\u00e9rdida de datos y la complejidad del acoplamiento. Nuestra gu\u00eda de visualizaci\u00f3n in situ recorre los patrones de implementaci\u00f3n, las comparaciones de herramientas y las estrategias de integraci\u00f3n en profundidad.<\/p>\n<p>Sin embargo, la decisi\u00f3n no es obvia solo en esta tabla. Aqu\u00ed es donde las cosas se ponen interesantes.<\/p>\n<hr>\n<h2>La dimensi\u00f3n de energ\u00eda y verdor<\/h2>\n<p>Esta es la idea de la mayor\u00eda de los art\u00edculos en este espacio Miss. La visualizaci\u00f3n in situ no solo acelera su flujo de trabajo, sino que reduce significativamente el consumo de energ\u00eda y los ahorros son mayores de lo que cabr\u00eda esperar.<\/p>\n<h3>de donde provienen los ahorros de energ\u00eda<\/h3>\n<p>M\u00faltiples estudios de Virginia Tech (en particular Adhinarayanan et al. 2015 y el estudio de caracterizaci\u00f3n de seguimiento en 2017) midieron el poder y la energ\u00eda de las tuber\u00edas de visualizaci\u00f3n y encontraron que los enfoques <strong>in situ consumen aproximadamente un 43% menos total energ\u00eda<\/strong> que los flujos de trabajo tradicionales de procesamiento posterior.<\/p>\n<p>Aqu\u00ed est\u00e1 el detalle cr\u00edtico que la mayor\u00eda de las fuentes no explican claramente: la mayor\u00eda de estos ahorros no provienen de evitar las escrituras de E\/S. Vienen de <strong>eliminando el tiempo de inactividad del sistema<\/strong>.<\/p>\n<p>Cuando ejecuta el procesamiento posterior en un sistema HPC, los nodos de c\u00e1lculo finalizan su simulaci\u00f3n y se quedan inactivos mientras el subsistema de almacenamiento procesa los datos volcados. Esos nodos inactivos a\u00fan generan poder, potencia potencialmente significativa, sin hacer nada productivo. La visualizaci\u00f3n in situ evita esto por completo porque el an\u00e1lisis ocurre simult\u00e1neamente con el c\u00e1lculo, manteniendo todos los nodos funcionando.<\/p>\n<p>El estudio \u00abIn situ basado en im\u00e1genes\u00bb consciente de la energ\u00eda (2024) ampl\u00eda a\u00fan m\u00e1s este an\u00e1lisis, mostrando que <strong> las opciones de par\u00e1metros de representaci\u00f3n dentro de los flujos de trabajo in situ afectan el consumo de energ\u00eda<\/strong>. La selecci\u00f3n de algoritmos de renderizado eficientes, por ejemplo, el procesamiento de volumen basado en part\u00edculas optimizado en lugar de una fundici\u00f3n de rayos pesados, genera un ahorro de energ\u00eda adicional. La elecci\u00f3n \u00abverde\u00bb es importante incluso dentro de las tuber\u00edas in situ.<\/p>\n<h3>Por qu\u00e9 es importante esto para su flujo de trabajo<\/h3>\n<p>Si est\u00e1 ejecutando simulaciones en recursos compartidos de HPC, el consumo de energ\u00eda afecta directamente a:<\/p>\n<ul>\n<li><strong>Tiempo de reloj de pared<\/strong> \u2014 Las simulaciones m\u00e1s r\u00e1pidas se completan antes, reduciendo el tiempo de c\u00e1lculo desperdiciado<\/li>\n<li><strong>Asignaci\u00f3n de recursos<\/strong> \u2014 Muchos centros de HPC asignan tiempo en funci\u00f3n de las horas de nodo consumidas<\/li>\n<li><strong>Impacto ambiental<\/strong> \u2014 Las grandes simulaciones pueden consumir megavatios-horas de energ\u00eda<\/li>\n<\/ul>\n<p>Para los PIS que gestionan los presupuestos de subvenciones y los administradores de HPC que eval\u00faan la utilizaci\u00f3n de recursos, el argumento Energy es una raz\u00f3n leg\u00edtima para considerar in situ incluso cuando los tama\u00f1os de datos son manejables.<\/p>\n<blockquote>\n<p><strong>Lo que recomendamos<\/strong>: si su simulaci\u00f3n supera unos pocos gigabytes de producci\u00f3n por ejecuci\u00f3n, los ahorros de energ\u00eda por s\u00ed solos hacen un caso para el in-situ. Para los trabajos de HPC a gran escala, el ahorro de ~43% es lo suficientemente importante como para tener en cuenta el dise\u00f1o de su flujo de trabajo, no solo un agradable de tener.<\/p>\n<\/blockquote>\n<hr>\n<h2>In-situ como herramienta de depuraci\u00f3n y alerta temprana<\/h2>\n<p>Aqu\u00ed es donde nuestro art\u00edculo presenta un territorio genuinamente nuevo que las gu\u00edas existentes no cubren bien. La visualizaci\u00f3n in situ no se trata solo de ver los resultados m\u00e1s r\u00e1pido, es una <strong>estrategia de depuraci\u00f3n<\/strong> para simulaciones num\u00e9ricas.<\/p>\n<h3>Atrapar la divergencia antes de que te cueste<\/h3>\n<p>Cuando una simulaci\u00f3n diverge, ya sea por inestabilidad num\u00e9rica, desajustes de par\u00e1metros f\u00edsicos o problemas de calidad de malla, el costo se agrava con cada paso de tiempo. Si est\u00e1 guardando datos para el procesamiento posterior y descubre la divergencia despu\u00e9s de que se hayan consumido 50 d\u00edas centrales, ese es un resultado devastador.<\/p>\n<p>La visualizaci\u00f3n in situ le brinda <strong>retroalimentaci\u00f3n visual inmediata<\/strong>. Puede detectar divergencias, inestabilidad o anomal\u00edas en el momento en que se desarrollen y detengan la simulaci\u00f3n antes de que desperdicie millones de horas centrales. El informe DAG de Bennett (2019) sobre la visualizaci\u00f3n in situ describe esto como el concepto de \u00abpanel de simulaci\u00f3n\u00bb, utilizando la visualizaci\u00f3n en tiempo real para la depuraci\u00f3n visual, la programaci\u00f3n conjunta y la direcci\u00f3n.<\/p>\n<p>Varios estudios refuerzan este patr\u00f3n:<\/p>\n<ul>\n<li>Los ejemplos pr\u00e1cticos de CFD de Kitware (2024) describen la \u00abdetecci\u00f3n de errores tempranos a trav\u00e9s de la retroalimentaci\u00f3n visual inmediata\u00bb como un beneficio central<\/li>\n<li>El trabajo de monitoreo de defectos impulsado por ML de Sandia (Shaaban 2026, Shead 2023) utiliza tuber\u00edas in situ para la detecci\u00f3n de anomal\u00edas<\/li>\n<li>La Gu\u00eda de Mejores Pr\u00e1cticas de Excellerat (2022) enmarca la visualizaci\u00f3n en tiempo real como una herramienta de prevenci\u00f3n de errores para los flujos de trabajo de ExaScale<\/li>\n<\/ul>\n<h3>Casos pr\u00e1cticos de uso de depuraci\u00f3n<\/h3>\n<p>Aqu\u00ed hay escenarios en los que la visualizaci\u00f3n in situ vale la pena como una herramienta de depuraci\u00f3n:<\/p>\n<ul>\n<li><strong>Simulaciones de f\u00edsica acopladas<\/strong> \u2014 Detectar infracciones de energ\u00eda o de conservaci\u00f3n de masas antes de que se agraven<\/li>\n<li><strong>Refinamiento de malla adaptativa (AMR)<\/strong> \u2014 Verificando la calidad de la malla y la l\u00f3gica de refinamiento a medida que se desarrolla<\/li>\n<li><strong>Turbulencia y CFD<\/strong> \u2014 Detecci\u00f3n de oscilaciones no f\u00edsicas, artefactos de choque o difusi\u00f3n num\u00e9rica<\/li>\n<li><strong>Reacci\u00f3n-difusi\u00f3n y campo de fase<\/strong> \u2014 Identificaci\u00f3n de interfaces inestables o deriva de par\u00e1metros<\/li>\n<\/ul>\n<p>La informaci\u00f3n clave: no est\u00e1 esperando hasta que la simulaci\u00f3n termine de saber si se est\u00e1 comportando correctamente. Ya sabes <strong>mientras<\/strong> se est\u00e1 ejecutando.<\/p>\n<blockquote>\n<p><strong>Lo que recomendamos<\/strong>: si su simulaci\u00f3n es computacionalmente costosa (m\u00e1s de unas pocas horas en varios nodos) o se acopla f\u00edsicamente, ejec\u00fatela in situ con al menos una visualizaci\u00f3n de diagn\u00f3stico: un corte a trav\u00e9s de una variable clave, un gr\u00e1fico de historial de tiempo o un Isosuperficie. Incluso una sola parcela in situ puede ahorrarle d\u00edas de tiempo inform\u00e1tico desperdiciado.<\/p>\n<\/blockquote>\n<hr>\n<h2>Marco de decisi\u00f3n: 6 criterios para guiar su elecci\u00f3n<\/h2>\n<p>El marco cl\u00e1sico de \u00abtama\u00f1o de datos\u00bb como el factor decisivo est\u00e1 incompleto. La Gu\u00eda de mejores pr\u00e1cticas de Excellerat (2022) y los estudios de flujo de trabajo de HPC m\u00faltiples sugieren un conjunto m\u00e1s rico de criterios. Aqu\u00ed hay seis factores para sopesar al elegir entre el procesamiento in situ y el posprocesamiento.<\/p>\n<h3>1. Suficiencia de ancho de banda de E\/S<\/h3>\n<p><strong>Pregunta<\/strong>: \u00bfTiene su sistema suficiente ancho de banda de E\/S para escribir sus conjuntos de datos completos en la frecuencia que necesita?<\/p>\n<table>\n<thead>\n<tr>\n<th>Si esto es&#8230;<\/th>\n<th>Recomendaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Limitado (almacenamiento compartido, sistema de archivos congestionado)<\/td>\n<td>Apoye hacia <strong>in-situ<\/strong> \u2014 Evite escribir conjuntos de datos completos<\/td>\n<\/tr>\n<tr>\n<td>Abundante (almacenamiento dedicado de alta velocidad, E\/S a rayas)<\/td>\n<td><strong>Postprocessing<\/strong> es factible y m\u00e1s flexible<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Por qu\u00e9<\/strong>: si su simulaci\u00f3n ya est\u00e1 saturada de E\/S, agregar conjuntos de datos de visualizaci\u00f3n completa puede causar contenci\u00f3n de E\/S que ralentiza la simulaci\u00f3n en s\u00ed. In-situ pasa por alto la ruta de E\/S completamente para la visualizaci\u00f3n.<\/p>\n<h3>2. Restricciones de cuota de almacenamiento<\/h3>\n<p><strong>Pregunta<\/strong>: \u00bfEst\u00e1 limitado por las pol\u00edticas de almacenamiento o cuota de almacenamiento?<\/p>\n<table>\n<thead>\n<tr>\n<th>Si esto es&#8230;<\/th>\n<th>Recomendaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Cuota ajustada (asignaci\u00f3n de almacenamiento limitado, pol\u00edticas estrictas)<\/td>\n<td>Incl\u00ednate hacia <strong>in-situ<\/strong> \u2014 reduce la huella del disco<\/td>\n<\/tr>\n<tr>\n<td>Amplia cuota (asignaci\u00f3n generosa, pol\u00edticas flexibles)<\/td>\n<td><strong>Posprocesamiento<\/strong> sigue siendo viable<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Por qu\u00e9<\/strong>: Las grandes simulaciones pueden generar terabytes de salida. Si su cuota de almacenamiento es fija, in-situ reduce la cantidad que necesita ahorrar mientras conserva los conocimientos que necesita.<\/p>\n<h3>3. Necesidades de resoluci\u00f3n temporal<\/h3>\n<p><strong>Pregunta<\/strong>: \u00bfNecesita observar fen\u00f3menos temporales de grano fino (por ejemplo, autoignici\u00f3n en combusti\u00f3n, propagaci\u00f3n de ondas, cascadas de turbulencia)?<\/p>\n<table>\n<thead>\n<tr>\n<th>Si esto es&#8230;<\/th>\n<th>Recomendaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Fen\u00f3menos de alta frecuencia (escalas de tiempo breves, eventos r\u00e1pidos)<\/td>\n<td>Apoyarse hacia <strong>in-situ<\/strong> \u2014 CAN An\u00e1lisis de salida a alta frecuencia<\/td>\n<\/tr>\n<tr>\n<td>Fen\u00f3menos m\u00e1s gruesos (procesos lentos, estado estacionario)<\/td>\n<td><strong>Posprocesamiento<\/strong> es suficiente<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Por qu\u00e9<\/strong>: El ejemplo de convergencia\/combusti\u00f3n de Kitware (2024) demuestra c\u00f3mo in-situ puede salvar las superficies de temperatura y gradiente de presi\u00f3n a alta frecuencia, capturando fen\u00f3menos que se perder\u00edan si el conjunto de datos completo se escribiera a una frecuencia m\u00e1s baja. El conjunto de datos completo de ese caso fue de ~100 GB, pero in situ redujo los datos guardados a ~100 MB mientras se conservan las caracter\u00edsticas cr\u00edticas.<\/p>\n<h3>4. Previsibilidad del an\u00e1lisis<\/h3>\n<p><strong>Pregunta<\/strong>: \u00bfSabes lo que quieres visualizar de antemano o explorar\u00e1s libremente?<\/p>\n<table>\n<thead>\n<tr>\n<th>Si esto es&#8230;<\/th>\n<th>Recomendaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Predeterminado (campos espec\u00edficos, cortes, isosuperficies, estad\u00edsticas)<\/td>\n<td>Incl\u00ednate hacia <strong>in-situ<\/strong> \u2014 Pipelines predefinidos Excel<\/td>\n<\/tr>\n<tr>\n<td>Exploratorio (desconocido lo que necesitar\u00e1, iterando en el an\u00e1lisis)<\/td>\n<td>Apoye hacia <strong>Postprocessing<\/strong> \u2014 Ganancias de exploraci\u00f3n interactiva<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Por qu\u00e9<\/strong>: las canalizaciones in situ se definen antes o durante la ejecuci\u00f3n de la simulaci\u00f3n. No puedes cambiarlos de forma interactiva. Si est\u00e1 descubriendo nuevos fen\u00f3menos o iterando en los par\u00e1metros de visualizaci\u00f3n, el procesamiento posterior le brinda la flexibilidad.<\/p>\n<h3>5. Tolerancia a la contenci\u00f3n de recursos<\/h3>\n<p><strong>Pregunta<\/strong>: \u00bfPuedes tolerar los recursos inform\u00e1ticos consumidos por la visualizaci\u00f3n que se ejecutan junto con la simulaci\u00f3n?<\/p>\n<table>\n<thead>\n<tr>\n<th>Si esto es&#8230;<\/th>\n<th>Recomendaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Baja tolerancia a la contenci\u00f3n (horarios restringidos y restringidos de recursos)<\/td>\n<td>Apoye hacia <strong>Posprocesamiento<\/strong> \u2014 Los recursos separados evitan la contenci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>Programaci\u00f3n flexible (puede compartir recursos, tener espacio libre)<\/td>\n<td>Incl\u00ednate hacia <strong>in-situ<\/strong> \u2014 El an\u00e1lisis se ejecuta al mismo tiempo<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Por qu\u00e9<\/strong>: la visualizaci\u00f3n in situ comparte recursos de c\u00f3mputo con la simulaci\u00f3n. Si su simulaci\u00f3n ya est\u00e1 restringida por recursos, agregar c\u00f3digo de visualizaci\u00f3n puede ralentizarla. El an\u00e1lisis de tensi\u00f3n de Moreland (2016) cubre esta compensaci\u00f3n en detalle.<\/p>\n<h3>6. Necesidades de archivo y rean\u00e1lisis<\/h3>\n<p><strong>Pregunta<\/strong>: \u00bfNecesitar\u00e1 volver a analizar este conjunto de datos m\u00e1s adelante con nuevos filtros o diferentes par\u00e1metros de visualizaci\u00f3n?<\/p>\n<table>\n<thead>\n<tr>\n<th>Si esto es&#8230;<\/th>\n<th>Recomendaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>S\u00ed \u2014 Se espera un nuevo an\u00e1lisis de archivo o futuro<\/td>\n<td><strong>Posprocesamiento<\/strong> Conserva los datos completos para mayor flexibilidad<\/td>\n<\/tr>\n<tr>\n<td>No, extraer\u00e1 lo que necesita ahora y archivar\u00e1 datos reducidos<\/td>\n<td><strong>in-situ<\/strong> es apropiado; Ya has extra\u00eddo las representaciones necesarias<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Por qu\u00e9<\/strong>: Esta es la compensaci\u00f3n m\u00e1s com\u00fanmente pasada por alto. Cuando in-situ descarta datos sin procesar despu\u00e9s de producir representaciones reducidas (bases de datos de cine, isosuperficies, estad\u00edsticas), pierde la capacidad de volver a analizar con nuevos filtros. Los usuarios que cambian a in-situ sin planificar el archivo a menudo se arrepienten de no conservar los datos sin procesar.<\/p>\n<blockquote>\n<p><strong>Lo que recomendamos<\/strong>: Ejecute este marco de decisi\u00f3n contra su simulaci\u00f3n espec\u00edfica. Si los criterios de 4+ se inclinan hacia el in situ, es probable que sea la elecci\u00f3n correcta. Si 4+ se inclina hacia el posprocesamiento, siga el flujo de trabajo tradicional. Si los criterios se dividen de manera uniforme, la estrategia h\u00edbrida (siguiente secci\u00f3n) puede ser su mejor camino.<\/p>\n<\/blockquote>\n<hr>\n<h2>La estrategia h\u00edbrida: est\u00e1ndar moderno<\/h2>\n<p>El est\u00e1ndar emergente para los flujos de trabajo de HPC maduros no es \u00abin situ versus postprocesamiento\u00bb, es <strong>ambos<\/strong>.<\/p>\n<p>El patr\u00f3n es sencillo: realice la reducci\u00f3n de datos y la extracci\u00f3n de caracter\u00edsticas <strong>in situ<\/strong>, luego genere la visualizaci\u00f3n <strong>in-transit<\/strong> en los datos reducidos. El ejemplo can\u00f3nico es el flujo de trabajo Catalyst-Adios2: Catalyst realiza una reducci\u00f3n de datos in situ (extracci\u00f3n de isossuperficies, estad\u00edsticas de c\u00e1lculo, generaci\u00f3n de bases de datos de cine) y ADIOS2 transporta los conjuntos de datos reducidos a los nodos de visualizaci\u00f3n para la exploraci\u00f3n post-hoc.<\/p>\n<p>Este enfoque captura los beneficios de ambos mundos:<\/p>\n<ul>\n<li><strong>Reducci\u00f3n in situ<\/strong> Elimina los cuellos de botella de E\/S y el tiempo de inactividad (ahorro de energ\u00eda)<\/li>\n<li><strong>Exploraci\u00f3n en tr\u00e1nsito<\/strong> Conserva la flexibilidad para el an\u00e1lisis iterativo<\/li>\n<li><strong>Ahorro selectivo<\/strong> significa que solo escribes los datos que realmente necesitas<\/li>\n<\/ul>\n<p>La descripci\u00f3n general de HPC m\u00e1s amplia de Kitware 2025 lo enmarca como el patr\u00f3n predeterminado para los flujos de trabajo \u00abpreparados a ExaScale\u00bb. El documento ARXIV 2024 \u00abAn\u00e1lisis h\u00edbrido in situ en tr\u00e1nsito con Catalyst-Adios2\u00bb describe en detalle el patr\u00f3n moderno t\u00edpico.<\/p>\n<h3>Flujo de trabajo h\u00edbrido<\/h3>\n<ol>\n<li><strong>Definir<\/strong> Pipelines de visualizaci\u00f3n y an\u00e1lisis antes de que comience la simulaci\u00f3n (scripts de catalizador, recetas de ascenso)<\/li>\n<li><strong>Ejecutar<\/strong> La simulaci\u00f3n con reducci\u00f3n de datos in situ: extraiga las funciones que necesita mientras se ejecuta<\/li>\n<li><strong>Monitor<\/strong> a trav\u00e9s de parcelas o instant\u00e1neas en tiempo real para la depuraci\u00f3n y la direcci\u00f3n<\/li>\n<li><strong>Guardar<\/strong> solo los conjuntos de datos reducidos (no el estado de simulaci\u00f3n completo)<\/li>\n<li><strong>Postprocess<\/strong> sobre los datos reducidos utilizando Paraview, Visit o su herramienta preferida<\/li>\n<\/ol>\n<p>Esto es lo que recomienda la Gu\u00eda de Mejores Pr\u00e1cticas de Excellerat (2022) como el patr\u00f3n de \u00abmejores pr\u00e1cticas\u00bb para la visualizaci\u00f3n de Exaescale a escala.<\/p>\n<blockquote>\n<p><strong>Lo que recomendamos<\/strong>: si est\u00e1 ejecutando simulaciones a gran escala (m\u00e1s de 100 GB por ejecuci\u00f3n, multinodo o ejecuciones de cl\u00faster HPC), adopte la estrategia h\u00edbrida como predeterminada. Le brinda los beneficios de rendimiento y energ\u00eda de in situ sin sacrificar la flexibilidad anal\u00edtica del posprocesamiento. Solo el procesamiento posterior puro tiene sentido cuando sus conjuntos de datos son lo suficientemente peque\u00f1os como para que la sobrecarga de E\/S sea insignificante.<\/p>\n<\/blockquote>\n<hr>\n<h2>Cuando el posprocesamiento todav\u00eda gana<\/h2>\n<p>El in situ recibe mucha atenci\u00f3n, pero el posprocesamiento sigue siendo la elecci\u00f3n correcta en varios escenarios importantes. No lo abandone por completo, \u00faselo estrat\u00e9gicamente.<\/p>\n<h3>an\u00e1lisis exploratorio<\/h3>\n<p>Si est\u00e1 desarrollando nuevas t\u00e9cnicas de visualizaci\u00f3n, probando canalizaciones de an\u00e1lisis o simplemente explorando un conjunto de datos sin saber lo que necesitar\u00e1, el procesamiento posterior es incomparable. Puede cargar los datos, aplicar filtros arbitrarios e iterar. Las canalizaciones in situ no pueden ofrecer esta flexibilidad, requieren una l\u00f3gica predefinida.<\/p>\n<h3>Peque\u00f1os conjuntos de datos<\/h3>\n<p>Si su simulaci\u00f3n produce menos de unos pocos gigabytes por ejecuci\u00f3n y se ejecuta en un solo nodo o en un grupo peque\u00f1o, es probable que la sobrecarga de E\/S del procesamiento posterior sea insignificante. La flexibilidad del posprocesamiento supera el menor costo de rendimiento.<\/p>\n<h3>Desarrollo de algoritmos<\/h3>\n<p>Cuando est\u00e1 desarrollando nuevos m\u00e9todos num\u00e9ricos, probando tasas de convergencia o iterando en par\u00e1metros del solucionador, necesita una fidelidad completa de datos. El postprocesamiento conserva cada paso de tiempo y cada campo. Reducci\u00f3n in situ descarta informaci\u00f3n que luego puede arrepentirse de perder.<\/p>\n<h3>Archivo y reproducibilidad<\/h3>\n<p>Si su simulaci\u00f3n es parte de un estudio publicado o de un flujo de trabajo reproducible, el procesamiento posterior le brinda una pista de auditor\u00eda clara: los archivos de datos sin procesar, los scripts de procesamiento posterior, las visualizaciones resultantes. La compensaci\u00f3n de \u00abp\u00e9rdida de datos\u00bb de in-situ (descarte el estado de simulaci\u00f3n sin procesar despu\u00e9s de la extracci\u00f3n) hace que la reproducibilidad sea m\u00e1s dif\u00edcil cuando necesita volver a analizar con nuevos m\u00e9todos.<\/p>\n<h3>Cu\u00e1ndo elegir el procesamiento posterior sobre el in situ<\/h3>\n<p>Utilice el procesamiento posterior cuando:<\/p>\n<ul>\n<li>Su conjunto de datos es lo suficientemente peque\u00f1o como para que la sobrecarga de E\/S sea aceptable<\/li>\n<li>Necesitas an\u00e1lisis iterativo y exploratorio<\/li>\n<li>est\u00e1s desarrollando o probando nuevas t\u00e9cnicas de visualizaci\u00f3n<\/li>\n<li>La reproducibilidad y el archivo requieren una conservaci\u00f3n completa de los datos<\/li>\n<li>No tiene acceso a herramientas compatibles con las herramientas o la experiencia de integraci\u00f3n<\/li>\n<\/ul>\n<hr>\n<h2>Resumen de paisaje de herramientas<\/h2>\n<p>No necesita construir infraestructura in situ desde cero. Varias herramientas maduras hacen que la integraci\u00f3n sea sencilla.<\/p>\n<h3>Catalizador de paravista<\/h3>\n<p>La biblioteca in situ m\u00e1s ampliamente adoptada. Paraview Catalyst proporciona una API peque\u00f1a y estable para c\u00f3digos de simulaci\u00f3n para exponer estructuras de datos en la memoria al motor de procesamiento de ParaView. Una vez instrumentado con Catalyst, un c\u00f3digo de simulaci\u00f3n puede aprovechar las capacidades completas de an\u00e1lisis y visualizaci\u00f3n de ParaView.<\/p>\n<ul>\n<li><strong>Mejor para<\/strong>: Simulaciones de CFD a gran escala, combusti\u00f3n y multif\u00edsica<\/li>\n<li><strong>Ejemplo<\/strong>: Converge CFD utiliza catalizador para el an\u00e1lisis de combusti\u00f3n in situ (Kitware 2024)<\/li>\n<li><strong>Complejidad de integraci\u00f3n<\/strong>: Moderado: requiere instrumentaci\u00f3n inicial, luego ejecuta scripts de Catalyst como canalizaciones predefinidas<\/li>\n<\/ul>\n<h3>Ascenso<\/h3>\n<p>Un marco in situ ligero de Kitware dise\u00f1ado para una f\u00e1cil integraci\u00f3n. Ascent proporciona un lenguaje de recetas basado en YAML para definir canalizaciones in situ sin un conocimiento profundo de C++.<\/p>\n<ul>\n<li><strong>Lo mejor para<\/strong>: equipos que desean una r\u00e1pida integraci\u00f3n in situ sin cambios de c\u00f3digo profundos<\/li>\n<li><strong>Complejidad de integraci\u00f3n<\/strong>: baja \u2014 Recetas YAML, necesaria integraci\u00f3n de C++ m\u00ednima<\/li>\n<li><strong>limitaci\u00f3n<\/strong>: ecosistema m\u00e1s peque\u00f1o que el catalizador; Menos maduro para implementaciones de ExaScale<\/li>\n<\/ul>\n<h3>Visita Libsim<\/h3>\n<p>La biblioteca in situ para visitar. Similar al catalizador pero integrado con el ecosistema de visita.<\/p>\n<ul>\n<li><strong>Lo mejor para<\/strong>: equipos ya invertidos en el ecosistema de visitas<\/li>\n<li><strong>Complejidad de integraci\u00f3n<\/strong>: moderado: requiere instrumentaci\u00f3n libsim<\/li>\n<\/ul>\n<h3>dama<\/h3>\n<p>Un marco in situ m\u00e1s nuevo y basado en est\u00e1ndares dise\u00f1ado para la portabilidad en las herramientas de visualizaci\u00f3n. Damaris utiliza una API estandarizada que desacopla la simulaci\u00f3n de los backends de visualizaci\u00f3n espec\u00edficos.<\/p>\n<ul>\n<li><strong>Lo mejor para<\/strong>: implementaciones multiecosistema (que desea utilizar varias herramientas de visualizaci\u00f3n)<\/li>\n<li><strong>Complejidad de integraci\u00f3n<\/strong>: superior: cadena de herramientas m\u00e1s nueva y menos establecida<\/li>\n<li><strong>Notable<\/strong>: ganar tracci\u00f3n en las comunidades europeas de HPC<\/li>\n<\/ul>\n<h3>Gu\u00eda de selecci\u00f3n de herramientas<\/h3>\n<table>\n<thead>\n<tr>\n<th>Si necesitas&#8230;<\/th>\n<th>Recomendar<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>El ecosistema m\u00e1s grande, la mayor\u00eda de los ejemplos<\/td>\n<td><strong>Catalizador de paraview<\/strong><\/td>\n<\/tr>\n<tr>\n<td>Integraci\u00f3n r\u00e1pida, C++ m\u00ednimo<\/td>\n<td><strong>Ascenso<\/strong><\/td>\n<\/tr>\n<tr>\n<td>Visita la alineaci\u00f3n del ecosistema<\/td>\n<td><strong>Visita Libsim<\/strong><\/td>\n<\/tr>\n<tr>\n<td>Portabilidad multiherramienta<\/td>\n<td><strong>Damaris<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>La Gu\u00eda de mejores pr\u00e1cticas de Excellerat (2022) proporciona tablas de comparaci\u00f3n detalladas para interfaces in situ y recomendaciones de herramientas en ExaScale. Su an\u00e1lisis sugiere Catalyst como la opci\u00f3n m\u00e1s madura para los flujos de trabajo de HPC de producci\u00f3n, con Ascent como una alternativa ligera y ligera.<\/p>\n<hr>\n<h2>Resumen + Pr\u00f3ximos pasos<\/h2>\n<p>Elegir entre la visualizaci\u00f3n in situ y el procesamiento posterior no es una pregunta binaria de \u00abcu\u00e1l es mejor\u00bb. Es una decisi\u00f3n de dise\u00f1o de flujo de trabajo que debe tener en cuenta el tama\u00f1o de los datos, la energ\u00eda, las necesidades de depuraci\u00f3n, la flexibilidad y las consideraciones de archivo.<\/p>\n<p>Aqu\u00ed est\u00e1 nuestra recomendaci\u00f3n destilada a tres principios:<\/p>\n<ol>\n<li><strong>Para las simulaciones HPC a gran escala (m\u00e1s de 100 GB, multinodo)<\/strong>, adopte la estrategia h\u00edbrida: reducci\u00f3n in situ con ahorro selectivo, seguido de procesamiento posterior en los datos reducidos. Esto le brinda ahorros de energ\u00eda (~43 % de reducci\u00f3n total de energ\u00eda por estudios de VT), los beneficios de depuraci\u00f3n y la flexibilidad anal\u00edtica que necesita.<\/li>\n<li><strong>Para las simulaciones de peque\u00f1o a mediano (&lt;10 GB, un solo nodo o un grupo peque\u00f1o)<\/strong>, el procesamiento posterior suele ser m\u00e1s simple y m\u00e1s flexible. No agregue complejidad in situ a menos que necesite espec\u00edficamente los beneficios de depuraci\u00f3n o energ\u00eda.<\/li>\n<li><strong>Siempre considere la depuraci\u00f3n<\/strong>. Incluso si elige el procesamiento posterior para el flujo de trabajo principal, ejecutar al menos un gr\u00e1fico de diagn\u00f3stico in situ (un historial de tiempo, un segmento de clave o un monitor de convergencia) puede ahorrarle horas de tiempo de c\u00e1lculo desperdiciado cuando se produce una divergencia.<\/li>\n<\/ol>\n<h3>Pr\u00f3ximos pasos pr\u00e1cticos<\/h3>\n<ul>\n<li>Si su flujo de trabajo actual es puramente posprocesado y est\u00e1 ejecutando grandes simulaciones: eval\u00fae el catalizador o el ascenso para la reducci\u00f3n de datos in situ. Incluso una simple canalizaci\u00f3n predefinida o canalizaci\u00f3n de estad\u00edsticas cortar\u00e1 E\/S y el tiempo de inactividad.<\/li>\n<li>Si ya est\u00e1 utilizando in-situ pero no ha explorado la depuraci\u00f3n: agregue al menos una visualizaci\u00f3n de advertencia temprana (parcela de historial de tiempo, isosuperficie de un campo clave o detecci\u00f3n de anomal\u00edas). El concepto de \u00abpanel de simulaci\u00f3n\u00bb de Bennett (2019) es un buen punto de partida.<\/li>\n<li>Si est\u00e1 planeando flujos de trabajo de archivo: decida qu\u00e9 datos sin procesar conservar antes de cambiar a in situ. No descarte el estado de simulaci\u00f3n que podr\u00eda necesitar para el an\u00e1lisis futuro.<\/li>\n<\/ul>\n<p>La decisi\u00f3n de visualizaci\u00f3n es una de las pocas opciones de flujo de trabajo de simulaci\u00f3n que afecta directamente tanto al rendimiento como a la calidad del conocimiento. Hazlo bien y tus simulaciones se ejecutan m\u00e1s r\u00e1pido, ahorra energ\u00eda y detecta errores antes de tiempo. Hazlo mal y pierdes tiempo de c\u00e1lculo, almacenamiento y potencialmente perder\u00e1s fen\u00f3menos que no puedes volver a analizar. Utilice este marco para tomar una decisi\u00f3n informada.<\/p>\n<hr>\n<h2>Gu\u00edas relacionadas<\/h2>\n<p>Para una cobertura m\u00e1s profunda sobre temas relacionados, aqu\u00ed hay algunos recursos adicionales de nuestro sitio:<\/p>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/in-situ-visualization-integration-computation\/\" target=\"_blank\" rel=\"nofollow noopener\">visualizaci\u00f3n in situ: visualizaci\u00f3n de integraci\u00f3n durante Computaci\u00f3n<\/a>: nuestra gu\u00eda completa de infraestructura, herramientas y patrones de implementaci\u00f3n in situ.<\/li>\n<li><a href=\"https:\/\/matforge.org\/visit-vs-paraview-choosing-right-tool\/\">visit vs paraview: elegir la herramienta adecuada para sus datos de simulaci\u00f3n<\/a>: una comparaci\u00f3n de los dos marcos de visualizaci\u00f3n m\u00e1s utilizados para datos cient\u00edficos.<\/li>\n<li><a href=\"https:\/\/matforge.org\/illuminator-distributed-visualization-library\/\">librer\u00eda de visualizaci\u00f3n distribuida de Illuminator<\/a> \u2014 Descripci\u00f3n general de una herramienta especializada para la representaci\u00f3n y el almacenamiento en paralelo.<\/li>\n<li><a href=\"https:\/\/matforge.org\/managing-large-scale-pde-problems-strategies-solvers-and-hpc-case-studies\/\">Gesti\u00f3n de problemas de PDE a gran escala: estrategias, solucionadores y casos de HPC Estudios<\/a> \u2014 Estrategias para resolver problemas computacionales masivos de manera eficiente.<\/li>\n<li><a href=\"https:\/\/matforge.org\/advection-dominated-problems-supg-stabilization\/\">Problemas dominados por la advecci\u00f3n: esquemas contra el viento y estabilizaci\u00f3n de SUPG<\/a> \u2014 Gu\u00eda pr\u00e1ctica para t\u00e9cnicas de estabilizaci\u00f3n en simulaciones CFD.<\/li>\n<\/ul>\n<hr>\n<p><em>Referencias y fuentes citadas en este art\u00edculo:<\/em><\/p>\n<ul>\n<li><a href=\"https:\/\/www.kitware.com\/in-situ-data-analysis-brings-faster-results-and-accelerated-insights\/\" target=\"_blank\" rel=\"nofollow noopener\">Kitware (2024). El an\u00e1lisis de datos in situ brinda resultados m\u00e1s r\u00e1pidos y conocimientos acelerados<\/a><\/li>\n<li><a href=\"https:\/\/research.cs.vt.edu\/synergy\/pubs\/papers\/vignesh-in-situ-hppac15.pdf\" target=\"_blank\" rel=\"nofollow noopener\">Adhinarayan et al. (2015). Sobre el verdor de las canalizaciones de visualizaci\u00f3n in situ y de posprocesamiento<\/a><\/li>\n<li><a href=\"https:\/\/cinemascience.github.io\/publications\/Adhinarayanan-etal-2017CharacterizingModelingPowerEnergyInSituVis.pdf\" target=\"_blank\" rel=\"nofollow noopener\">Adhinarayan et al. (2017). Caracterizaci\u00f3n de la potencia de modelado &amp; Energ\u00eda para la visualizaci\u00f3n in situ<\/a><\/li>\n<li><a href=\"https:\/\/drops.dagstuhl.de\/storage\/04dagstuhl-reports\/volume08\/issue07\/18271\/DagRep.8.7.1\/DagRep.8.7.1.pdf\" target=\"_blank\" rel=\"nofollow noopener\">Bennett, J. (2019). Informe DAG: visualizaci\u00f3n in situ<\/a><\/li>\n<li><a href=\"https:\/\/www.computer.org\/csdl\/magazine\/cg\/2016\/02\/mcg2016020005\/13rRUILLkIJ\" target=\"_blank\" rel=\"nofollow noopener\">Moreland, K. (2016). Las tensiones de la visualizaci\u00f3n in situ<\/a><\/li>\n<li><a href=\"https:\/\/www.excellerat.eu\/wp-content\/uploads\/2022\/06\/EXCELLERAT_WP4_D4.5_Best_Practices_and_Tools_for_Visualization_Data_Managment_and_Analytics_of_Engineering_Simulations_at_Exascale.pdf\" target=\"_blank\" rel=\"nofollow noopener\">Excellerat (2022). Mejores pr\u00e1cticas y herramientas para la visualizaci\u00f3n, gesti\u00f3n de datos y an\u00e1lisis en ExaScale<\/a><\/li>\n<li><a href=\"https:\/\/dl.acm.org\/doi\/10.1145\/3635035.3635048\" target=\"_blank\" rel=\"nofollow noopener\">Tahir, M. (2024). An\u00e1lisis hacia la energ\u00eda basada en im\u00e1genes in situ<\/a><\/li>\n<\/ul>\n","protected":false,"raw":"<h2>Comida clave<\/h2>\n<ul>\n<li><strong>Visualizaci\u00f3n in situ<\/strong> procesa datos en memoria durante la simulaci\u00f3n; <strong>Postprocessing<\/strong> guarda los datos sin procesar en el disco y luego los vuelve a leer para el an\u00e1lisis.<\/li>\n<li>El in situ puede reducir el consumo total de energ\u00eda <strong>~43%<\/strong> eliminando el tiempo de inactividad del sistema, no solo sobre la sobrecarga de E\/S.<\/li>\n<li>In-Situ sirve como un <strong>sistema de alerta temprana<\/strong> para la divergencia num\u00e9rica, la inestabilidad y las anomal\u00edas antes de perder las horas centrales.<\/li>\n<li>La <strong>Estrategia h\u00edbrida<\/strong> (Reducci\u00f3n in situ \u2192 Ahorro selectivo \u2192 Posprocesamiento en datos reducidos) es el est\u00e1ndar moderno para los flujos de trabajo de HPC.<\/li>\n<li>El postprocesamiento todav\u00eda gana para las necesidades de <strong>an\u00e1lisis exploratorio<\/strong>, <strong>peque\u00f1os conjuntos de datos<\/strong> y <strong>archival\/re-analysis<\/strong>.<\/li>\n<li>Su elecci\u00f3n debe ir m\u00e1s all\u00e1 del \"tama\u00f1o de datos\": considere la suficiencia de E\/S, la cuota de almacenamiento, la resoluci\u00f3n temporal, la previsibilidad del an\u00e1lisis, la contenci\u00f3n de recursos y las necesidades de archivo.<\/li>\n<\/ul>\n<hr>\n<h2>Introduccion<\/h2>\n<p>Cuando ejecuta una simulaci\u00f3n, ya sea un caso de din\u00e1mica de fluidos computacional (CFD), un modelo de campo de fase o una ejecuci\u00f3n de din\u00e1mica molecular, eventualmente necesita visualizar los resultados. Tiene dos estrategias principales: <strong>Visualizaci\u00f3n in situ<\/strong>, donde analiza los datos mientras la simulaci\u00f3n a\u00fan se est\u00e1 ejecutando, o <strong>Procesamiento posterior<\/strong>, donde guarda el conjunto de datos completo en el disco y luego lo analiza.<\/p>\n<p>Elegir entre ellos no es solo un detalle t\u00e9cnico: afecta el rendimiento de su simulaci\u00f3n, el consumo de energ\u00eda, la capacidad de depuraci\u00f3n y la flexibilidad que tiene para el an\u00e1lisis futuro. La mayor\u00eda de los investigadores se encuentran con esta decisi\u00f3n al principio de su carrera de HPC y toman una decisi\u00f3n basada en la intuici\u00f3n o en la convenci\u00f3n del equipo en lugar de un marco estructurado.<\/p>\n<p>Para obtener una cobertura t\u00e9cnica profunda de la infraestructura, herramientas y patrones de implementaci\u00f3n in situ, consulte nuestra gu\u00eda de <a href=\"https:\/\/matforge.org\/in-situ-visualization-integration-computation\/\" target=\"_blank\" rel=\"nofollow noopener\">visualizaci\u00f3n in situ<\/a>. Aqu\u00ed, estamos tomando un \u00e1ngulo diferente: un marco de decisi\u00f3n pr\u00e1ctico que responde \"\u00bfCu\u00e1ndo debo usar cada enfoque?\" e introduce dos dimensiones que la mayor\u00eda de los art\u00edculos de comparaci\u00f3n fallan: el argumento del ahorro de energ\u00eda y el caso de uso de depuraci\u00f3n.<\/p>\n<hr>\n<h2>La comparaci\u00f3n cl\u00e1sica<\/h2>\n<p>Antes de sumergirnos en las nuevas dimensiones, establezcamos la diferencia de referencia entre los dos enfoques, ya que esta comparaci\u00f3n fundacional ya est\u00e1 bien cubierta en nuestra gu\u00eda de visualizaci\u00f3n in situ.<\/p>\n<p><strong>Visualizaci\u00f3n in situ<\/strong> Ejecuta el c\u00f3digo de visualizaci\u00f3n y an\u00e1lisis en el mismo espacio de memoria que tu simulaci\u00f3n. Los datos nunca tocan el disco: fluyen desde el solucionador de simulaci\u00f3n directamente a una canalizaci\u00f3n de visualizaci\u00f3n. Esto elimina la E\/S de archivo por completo para la ruta de visualizaci\u00f3n.<\/p>\n<p><strong>Post-Processing<\/strong> funciona de manera opuesta. Su simulaci\u00f3n escribe conjuntos de datos completos en el disco a intervalos regulares (o en hitos de convergencia). Despu\u00e9s de que se completa la simulaci\u00f3n, carga esos archivos en una herramienta de visualizaci\u00f3n separada (paraView, Visit o similar) y explora los datos de forma interactiva.<\/p>\n<p>La compensaci\u00f3n cl\u00e1sica es simple:<\/p>\n<table>\n<thead>\n<tr>\n<th>Dimensi\u00f3n<\/th>\n<th>in-situ<\/th>\n<th>postprocesamiento<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Lugar de datos<\/td>\n<td>en memoria durante la simulaci\u00f3n<\/td>\n<td>Guardado en disco<\/td>\n<\/tr>\n<tr>\n<td>Impacto de E\/S<\/td>\n<td>Cero para la ruta de visualizaci\u00f3n<\/td>\n<td>Conjunto de datos completo escrito varias veces<\/td>\n<\/tr>\n<tr>\n<td>Sincronizaci\u00f3n<\/td>\n<td>Tiempo real durante la simulaci\u00f3n<\/td>\n<td>Despu\u00e9s de que se completa la simulaci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>flexibilidad de an\u00e1lisis<\/td>\n<td>Solo canalizaciones predefinidas<\/td>\n<td>interactivo, exploratorio<\/td>\n<\/tr>\n<tr>\n<td>Contenci\u00f3n de recursos<\/td>\n<td>Calcular acciones con simulaci\u00f3n<\/td>\n<td>Se ejecuta en hardware separado<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Esta comparaci\u00f3n ha sido bien documentada por Moreland (2016) en \"Las tensiones de la visualizaci\u00f3n in situ\", que establece las compensaciones fundamentales en torno a la contenci\u00f3n de recursos, la p\u00e9rdida de datos y la complejidad del acoplamiento. Nuestra gu\u00eda de visualizaci\u00f3n in situ recorre los patrones de implementaci\u00f3n, las comparaciones de herramientas y las estrategias de integraci\u00f3n en profundidad.<\/p>\n<p>Sin embargo, la decisi\u00f3n no es obvia solo en esta tabla. Aqu\u00ed es donde las cosas se ponen interesantes.<\/p>\n<hr>\n<h2>La dimensi\u00f3n de energ\u00eda y verdor<\/h2>\n<p>Esta es la idea de la mayor\u00eda de los art\u00edculos en este espacio Miss. La visualizaci\u00f3n in situ no solo acelera su flujo de trabajo, sino que reduce significativamente el consumo de energ\u00eda y los ahorros son mayores de lo que cabr\u00eda esperar.<\/p>\n<h3>de donde provienen los ahorros de energ\u00eda<\/h3>\n<p>M\u00faltiples estudios de Virginia Tech (en particular Adhinarayanan et al. 2015 y el estudio de caracterizaci\u00f3n de seguimiento en 2017) midieron el poder y la energ\u00eda de las tuber\u00edas de visualizaci\u00f3n y encontraron que los enfoques <strong>in situ consumen aproximadamente un 43% menos total energ\u00eda<\/strong> que los flujos de trabajo tradicionales de procesamiento posterior.<\/p>\n<p>Aqu\u00ed est\u00e1 el detalle cr\u00edtico que la mayor\u00eda de las fuentes no explican claramente: la mayor\u00eda de estos ahorros no provienen de evitar las escrituras de E\/S. Vienen de <strong>eliminando el tiempo de inactividad del sistema<\/strong>.<\/p>\n<p>Cuando ejecuta el procesamiento posterior en un sistema HPC, los nodos de c\u00e1lculo finalizan su simulaci\u00f3n y se quedan inactivos mientras el subsistema de almacenamiento procesa los datos volcados. Esos nodos inactivos a\u00fan generan poder, potencia potencialmente significativa, sin hacer nada productivo. La visualizaci\u00f3n in situ evita esto por completo porque el an\u00e1lisis ocurre simult\u00e1neamente con el c\u00e1lculo, manteniendo todos los nodos funcionando.<\/p>\n<p>El estudio \"In situ basado en im\u00e1genes\" consciente de la energ\u00eda (2024) ampl\u00eda a\u00fan m\u00e1s este an\u00e1lisis, mostrando que <strong> las opciones de par\u00e1metros de representaci\u00f3n dentro de los flujos de trabajo in situ afectan el consumo de energ\u00eda<\/strong>. La selecci\u00f3n de algoritmos de renderizado eficientes, por ejemplo, el procesamiento de volumen basado en part\u00edculas optimizado en lugar de una fundici\u00f3n de rayos pesados, genera un ahorro de energ\u00eda adicional. La elecci\u00f3n \"verde\" es importante incluso dentro de las tuber\u00edas in situ.<\/p>\n<h3>Por qu\u00e9 es importante esto para su flujo de trabajo<\/h3>\n<p>Si est\u00e1 ejecutando simulaciones en recursos compartidos de HPC, el consumo de energ\u00eda afecta directamente a:<\/p>\n<ul>\n<li><strong>Tiempo de reloj de pared<\/strong> \u2014 Las simulaciones m\u00e1s r\u00e1pidas se completan antes, reduciendo el tiempo de c\u00e1lculo desperdiciado<\/li>\n<li><strong>Asignaci\u00f3n de recursos<\/strong> \u2014 Muchos centros de HPC asignan tiempo en funci\u00f3n de las horas de nodo consumidas<\/li>\n<li><strong>Impacto ambiental<\/strong> \u2014 Las grandes simulaciones pueden consumir megavatios-horas de energ\u00eda<\/li>\n<\/ul>\n<p>Para los PIS que gestionan los presupuestos de subvenciones y los administradores de HPC que eval\u00faan la utilizaci\u00f3n de recursos, el argumento Energy es una raz\u00f3n leg\u00edtima para considerar in situ incluso cuando los tama\u00f1os de datos son manejables.<\/p>\n<blockquote><p><strong>Lo que recomendamos<\/strong>: si su simulaci\u00f3n supera unos pocos gigabytes de producci\u00f3n por ejecuci\u00f3n, los ahorros de energ\u00eda por s\u00ed solos hacen un caso para el in-situ. Para los trabajos de HPC a gran escala, el ahorro de ~43% es lo suficientemente importante como para tener en cuenta el dise\u00f1o de su flujo de trabajo, no solo un agradable de tener.<\/p><\/blockquote>\n<hr>\n<h2>In-situ como herramienta de depuraci\u00f3n y alerta temprana<\/h2>\n<p>Aqu\u00ed es donde nuestro art\u00edculo presenta un territorio genuinamente nuevo que las gu\u00edas existentes no cubren bien. La visualizaci\u00f3n in situ no se trata solo de ver los resultados m\u00e1s r\u00e1pido, es una <strong>estrategia de depuraci\u00f3n<\/strong> para simulaciones num\u00e9ricas.<\/p>\n<h3>Atrapar la divergencia antes de que te cueste<\/h3>\n<p>Cuando una simulaci\u00f3n diverge, ya sea por inestabilidad num\u00e9rica, desajustes de par\u00e1metros f\u00edsicos o problemas de calidad de malla, el costo se agrava con cada paso de tiempo. Si est\u00e1 guardando datos para el procesamiento posterior y descubre la divergencia despu\u00e9s de que se hayan consumido 50 d\u00edas centrales, ese es un resultado devastador.<\/p>\n<p>La visualizaci\u00f3n in situ le brinda <strong>retroalimentaci\u00f3n visual inmediata<\/strong>. Puede detectar divergencias, inestabilidad o anomal\u00edas en el momento en que se desarrollen y detengan la simulaci\u00f3n antes de que desperdicie millones de horas centrales. El informe DAG de Bennett (2019) sobre la visualizaci\u00f3n in situ describe esto como el concepto de \"panel de simulaci\u00f3n\", utilizando la visualizaci\u00f3n en tiempo real para la depuraci\u00f3n visual, la programaci\u00f3n conjunta y la direcci\u00f3n.<\/p>\n<p>Varios estudios refuerzan este patr\u00f3n:<\/p>\n<ul>\n<li>Los ejemplos pr\u00e1cticos de CFD de Kitware (2024) describen la \"detecci\u00f3n de errores tempranos a trav\u00e9s de la retroalimentaci\u00f3n visual inmediata\" como un beneficio central<\/li>\n<li>El trabajo de monitoreo de defectos impulsado por ML de Sandia (Shaaban 2026, Shead 2023) utiliza tuber\u00edas in situ para la detecci\u00f3n de anomal\u00edas<\/li>\n<li>La Gu\u00eda de Mejores Pr\u00e1cticas de Excellerat (2022) enmarca la visualizaci\u00f3n en tiempo real como una herramienta de prevenci\u00f3n de errores para los flujos de trabajo de ExaScale<\/li>\n<\/ul>\n<h3>Casos pr\u00e1cticos de uso de depuraci\u00f3n<\/h3>\n<p>Aqu\u00ed hay escenarios en los que la visualizaci\u00f3n in situ vale la pena como una herramienta de depuraci\u00f3n:<\/p>\n<ul>\n<li><strong>Simulaciones de f\u00edsica acopladas<\/strong> \u2014 Detectar infracciones de energ\u00eda o de conservaci\u00f3n de masas antes de que se agraven<\/li>\n<li><strong>Refinamiento de malla adaptativa (AMR)<\/strong> \u2014 Verificando la calidad de la malla y la l\u00f3gica de refinamiento a medida que se desarrolla<\/li>\n<li><strong>Turbulencia y CFD<\/strong> \u2014 Detecci\u00f3n de oscilaciones no f\u00edsicas, artefactos de choque o difusi\u00f3n num\u00e9rica<\/li>\n<li><strong>Reacci\u00f3n-difusi\u00f3n y campo de fase<\/strong> \u2014 Identificaci\u00f3n de interfaces inestables o deriva de par\u00e1metros<\/li>\n<\/ul>\n<p>La informaci\u00f3n clave: no est\u00e1 esperando hasta que la simulaci\u00f3n termine de saber si se est\u00e1 comportando correctamente. Ya sabes <strong>mientras<\/strong> se est\u00e1 ejecutando.<\/p>\n<blockquote><p><strong>Lo que recomendamos<\/strong>: si su simulaci\u00f3n es computacionalmente costosa (m\u00e1s de unas pocas horas en varios nodos) o se acopla f\u00edsicamente, ejec\u00fatela in situ con al menos una visualizaci\u00f3n de diagn\u00f3stico: un corte a trav\u00e9s de una variable clave, un gr\u00e1fico de historial de tiempo o un Isosuperficie. Incluso una sola parcela in situ puede ahorrarle d\u00edas de tiempo inform\u00e1tico desperdiciado.<\/p><\/blockquote>\n<hr>\n<h2>Marco de decisi\u00f3n: 6 criterios para guiar su elecci\u00f3n<\/h2>\n<p>El marco cl\u00e1sico de \"tama\u00f1o de datos\" como el factor decisivo est\u00e1 incompleto. La Gu\u00eda de mejores pr\u00e1cticas de Excellerat (2022) y los estudios de flujo de trabajo de HPC m\u00faltiples sugieren un conjunto m\u00e1s rico de criterios. Aqu\u00ed hay seis factores para sopesar al elegir entre el procesamiento in situ y el posprocesamiento.<\/p>\n<h3>1. Suficiencia de ancho de banda de E\/S<\/h3>\n<p><strong>Pregunta<\/strong>: \u00bfTiene su sistema suficiente ancho de banda de E\/S para escribir sus conjuntos de datos completos en la frecuencia que necesita?<\/p>\n<table>\n<thead>\n<tr>\n<th>Si esto es...<\/th>\n<th>Recomendaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Limitado (almacenamiento compartido, sistema de archivos congestionado)<\/td>\n<td>Apoye hacia <strong>in-situ<\/strong> \u2014 Evite escribir conjuntos de datos completos<\/td>\n<\/tr>\n<tr>\n<td>Abundante (almacenamiento dedicado de alta velocidad, E\/S a rayas)<\/td>\n<td><strong>Postprocessing<\/strong> es factible y m\u00e1s flexible<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Por qu\u00e9<\/strong>: si su simulaci\u00f3n ya est\u00e1 saturada de E\/S, agregar conjuntos de datos de visualizaci\u00f3n completa puede causar contenci\u00f3n de E\/S que ralentiza la simulaci\u00f3n en s\u00ed. In-situ pasa por alto la ruta de E\/S completamente para la visualizaci\u00f3n.<\/p>\n<h3>2. Restricciones de cuota de almacenamiento<\/h3>\n<p><strong>Pregunta<\/strong>: \u00bfEst\u00e1 limitado por las pol\u00edticas de almacenamiento o cuota de almacenamiento?<\/p>\n<table>\n<thead>\n<tr>\n<th>Si esto es...<\/th>\n<th>Recomendaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Cuota ajustada (asignaci\u00f3n de almacenamiento limitado, pol\u00edticas estrictas)<\/td>\n<td>Incl\u00ednate hacia <strong>in-situ<\/strong> \u2014 reduce la huella del disco<\/td>\n<\/tr>\n<tr>\n<td>Amplia cuota (asignaci\u00f3n generosa, pol\u00edticas flexibles)<\/td>\n<td><strong>Posprocesamiento<\/strong> sigue siendo viable<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Por qu\u00e9<\/strong>: Las grandes simulaciones pueden generar terabytes de salida. Si su cuota de almacenamiento es fija, in-situ reduce la cantidad que necesita ahorrar mientras conserva los conocimientos que necesita.<\/p>\n<h3>3. Necesidades de resoluci\u00f3n temporal<\/h3>\n<p><strong>Pregunta<\/strong>: \u00bfNecesita observar fen\u00f3menos temporales de grano fino (por ejemplo, autoignici\u00f3n en combusti\u00f3n, propagaci\u00f3n de ondas, cascadas de turbulencia)?<\/p>\n<table>\n<thead>\n<tr>\n<th>Si esto es...<\/th>\n<th>Recomendaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Fen\u00f3menos de alta frecuencia (escalas de tiempo breves, eventos r\u00e1pidos)<\/td>\n<td>Apoyarse hacia <strong>in-situ<\/strong> \u2014 CAN An\u00e1lisis de salida a alta frecuencia<\/td>\n<\/tr>\n<tr>\n<td>Fen\u00f3menos m\u00e1s gruesos (procesos lentos, estado estacionario)<\/td>\n<td><strong>Posprocesamiento<\/strong> es suficiente<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Por qu\u00e9<\/strong>: El ejemplo de convergencia\/combusti\u00f3n de Kitware (2024) demuestra c\u00f3mo in-situ puede salvar las superficies de temperatura y gradiente de presi\u00f3n a alta frecuencia, capturando fen\u00f3menos que se perder\u00edan si el conjunto de datos completo se escribiera a una frecuencia m\u00e1s baja. El conjunto de datos completo de ese caso fue de ~100 GB, pero in situ redujo los datos guardados a ~100 MB mientras se conservan las caracter\u00edsticas cr\u00edticas.<\/p>\n<h3>4. Previsibilidad del an\u00e1lisis<\/h3>\n<p><strong>Pregunta<\/strong>: \u00bfSabes lo que quieres visualizar de antemano o explorar\u00e1s libremente?<\/p>\n<table>\n<thead>\n<tr>\n<th>Si esto es...<\/th>\n<th>Recomendaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Predeterminado (campos espec\u00edficos, cortes, isosuperficies, estad\u00edsticas)<\/td>\n<td>Incl\u00ednate hacia <strong>in-situ<\/strong> \u2014 Pipelines predefinidos Excel<\/td>\n<\/tr>\n<tr>\n<td>Exploratorio (desconocido lo que necesitar\u00e1, iterando en el an\u00e1lisis)<\/td>\n<td>Apoye hacia <strong>Postprocessing<\/strong> \u2014 Ganancias de exploraci\u00f3n interactiva<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Por qu\u00e9<\/strong>: las canalizaciones in situ se definen antes o durante la ejecuci\u00f3n de la simulaci\u00f3n. No puedes cambiarlos de forma interactiva. Si est\u00e1 descubriendo nuevos fen\u00f3menos o iterando en los par\u00e1metros de visualizaci\u00f3n, el procesamiento posterior le brinda la flexibilidad.<\/p>\n<h3>5. Tolerancia a la contenci\u00f3n de recursos<\/h3>\n<p><strong>Pregunta<\/strong>: \u00bfPuedes tolerar los recursos inform\u00e1ticos consumidos por la visualizaci\u00f3n que se ejecutan junto con la simulaci\u00f3n?<\/p>\n<table>\n<thead>\n<tr>\n<th>Si esto es...<\/th>\n<th>Recomendaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Baja tolerancia a la contenci\u00f3n (horarios restringidos y restringidos de recursos)<\/td>\n<td>Apoye hacia <strong>Posprocesamiento<\/strong> \u2014 Los recursos separados evitan la contenci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>Programaci\u00f3n flexible (puede compartir recursos, tener espacio libre)<\/td>\n<td>Incl\u00ednate hacia <strong>in-situ<\/strong> \u2014 El an\u00e1lisis se ejecuta al mismo tiempo<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Por qu\u00e9<\/strong>: la visualizaci\u00f3n in situ comparte recursos de c\u00f3mputo con la simulaci\u00f3n. Si su simulaci\u00f3n ya est\u00e1 restringida por recursos, agregar c\u00f3digo de visualizaci\u00f3n puede ralentizarla. El an\u00e1lisis de tensi\u00f3n de Moreland (2016) cubre esta compensaci\u00f3n en detalle.<\/p>\n<h3>6. Necesidades de archivo y rean\u00e1lisis<\/h3>\n<p><strong>Pregunta<\/strong>: \u00bfNecesitar\u00e1 volver a analizar este conjunto de datos m\u00e1s adelante con nuevos filtros o diferentes par\u00e1metros de visualizaci\u00f3n?<\/p>\n<table>\n<thead>\n<tr>\n<th>Si esto es...<\/th>\n<th>Recomendaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>S\u00ed \u2014 Se espera un nuevo an\u00e1lisis de archivo o futuro<\/td>\n<td><strong>Posprocesamiento<\/strong> Conserva los datos completos para mayor flexibilidad<\/td>\n<\/tr>\n<tr>\n<td>No, extraer\u00e1 lo que necesita ahora y archivar\u00e1 datos reducidos<\/td>\n<td><strong>in-situ<\/strong> es apropiado; Ya has extra\u00eddo las representaciones necesarias<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Por qu\u00e9<\/strong>: Esta es la compensaci\u00f3n m\u00e1s com\u00fanmente pasada por alto. Cuando in-situ descarta datos sin procesar despu\u00e9s de producir representaciones reducidas (bases de datos de cine, isosuperficies, estad\u00edsticas), pierde la capacidad de volver a analizar con nuevos filtros. Los usuarios que cambian a in-situ sin planificar el archivo a menudo se arrepienten de no conservar los datos sin procesar.<\/p>\n<blockquote><p><strong>Lo que recomendamos<\/strong>: Ejecute este marco de decisi\u00f3n contra su simulaci\u00f3n espec\u00edfica. Si los criterios de 4+ se inclinan hacia el in situ, es probable que sea la elecci\u00f3n correcta. Si 4+ se inclina hacia el posprocesamiento, siga el flujo de trabajo tradicional. Si los criterios se dividen de manera uniforme, la estrategia h\u00edbrida (siguiente secci\u00f3n) puede ser su mejor camino.<\/p><\/blockquote>\n<hr>\n<h2>La estrategia h\u00edbrida: est\u00e1ndar moderno<\/h2>\n<p>El est\u00e1ndar emergente para los flujos de trabajo de HPC maduros no es \"in situ versus postprocesamiento\", es <strong>ambos<\/strong>.<\/p>\n<p>El patr\u00f3n es sencillo: realice la reducci\u00f3n de datos y la extracci\u00f3n de caracter\u00edsticas <strong>in situ<\/strong>, luego genere la visualizaci\u00f3n <strong>in-transit<\/strong> en los datos reducidos. El ejemplo can\u00f3nico es el flujo de trabajo Catalyst-Adios2: Catalyst realiza una reducci\u00f3n de datos in situ (extracci\u00f3n de isossuperficies, estad\u00edsticas de c\u00e1lculo, generaci\u00f3n de bases de datos de cine) y ADIOS2 transporta los conjuntos de datos reducidos a los nodos de visualizaci\u00f3n para la exploraci\u00f3n post-hoc.<\/p>\n<p>Este enfoque captura los beneficios de ambos mundos:<\/p>\n<ul>\n<li><strong>Reducci\u00f3n in situ<\/strong> Elimina los cuellos de botella de E\/S y el tiempo de inactividad (ahorro de energ\u00eda)<\/li>\n<li><strong>Exploraci\u00f3n en tr\u00e1nsito<\/strong> Conserva la flexibilidad para el an\u00e1lisis iterativo<\/li>\n<li><strong>Ahorro selectivo<\/strong> significa que solo escribes los datos que realmente necesitas<\/li>\n<\/ul>\n<p>La descripci\u00f3n general de HPC m\u00e1s amplia de Kitware 2025 lo enmarca como el patr\u00f3n predeterminado para los flujos de trabajo \"preparados a ExaScale\". El documento ARXIV 2024 \"An\u00e1lisis h\u00edbrido in situ en tr\u00e1nsito con Catalyst-Adios2\" describe en detalle el patr\u00f3n moderno t\u00edpico.<\/p>\n<h3>Flujo de trabajo h\u00edbrido<\/h3>\n<ol>\n<li><strong>Definir<\/strong> Pipelines de visualizaci\u00f3n y an\u00e1lisis antes de que comience la simulaci\u00f3n (scripts de catalizador, recetas de ascenso)<\/li>\n<li><strong>Ejecutar<\/strong> La simulaci\u00f3n con reducci\u00f3n de datos in situ: extraiga las funciones que necesita mientras se ejecuta<\/li>\n<li><strong>Monitor<\/strong> a trav\u00e9s de parcelas o instant\u00e1neas en tiempo real para la depuraci\u00f3n y la direcci\u00f3n<\/li>\n<li><strong>Guardar<\/strong> solo los conjuntos de datos reducidos (no el estado de simulaci\u00f3n completo)<\/li>\n<li><strong>Postprocess<\/strong> sobre los datos reducidos utilizando Paraview, Visit o su herramienta preferida<\/li>\n<\/ol>\n<p>Esto es lo que recomienda la Gu\u00eda de Mejores Pr\u00e1cticas de Excellerat (2022) como el patr\u00f3n de \"mejores pr\u00e1cticas\" para la visualizaci\u00f3n de Exaescale a escala.<\/p>\n<blockquote><p><strong>Lo que recomendamos<\/strong>: si est\u00e1 ejecutando simulaciones a gran escala (m\u00e1s de 100 GB por ejecuci\u00f3n, multinodo o ejecuciones de cl\u00faster HPC), adopte la estrategia h\u00edbrida como predeterminada. Le brinda los beneficios de rendimiento y energ\u00eda de in situ sin sacrificar la flexibilidad anal\u00edtica del posprocesamiento. Solo el procesamiento posterior puro tiene sentido cuando sus conjuntos de datos son lo suficientemente peque\u00f1os como para que la sobrecarga de E\/S sea insignificante.<\/p><\/blockquote>\n<hr>\n<h2>Cuando el posprocesamiento todav\u00eda gana<\/h2>\n<p>El in situ recibe mucha atenci\u00f3n, pero el posprocesamiento sigue siendo la elecci\u00f3n correcta en varios escenarios importantes. No lo abandone por completo, \u00faselo estrat\u00e9gicamente.<\/p>\n<h3>an\u00e1lisis exploratorio<\/h3>\n<p>Si est\u00e1 desarrollando nuevas t\u00e9cnicas de visualizaci\u00f3n, probando canalizaciones de an\u00e1lisis o simplemente explorando un conjunto de datos sin saber lo que necesitar\u00e1, el procesamiento posterior es incomparable. Puede cargar los datos, aplicar filtros arbitrarios e iterar. Las canalizaciones in situ no pueden ofrecer esta flexibilidad, requieren una l\u00f3gica predefinida.<\/p>\n<h3>Peque\u00f1os conjuntos de datos<\/h3>\n<p>Si su simulaci\u00f3n produce menos de unos pocos gigabytes por ejecuci\u00f3n y se ejecuta en un solo nodo o en un grupo peque\u00f1o, es probable que la sobrecarga de E\/S del procesamiento posterior sea insignificante. La flexibilidad del posprocesamiento supera el menor costo de rendimiento.<\/p>\n<h3>Desarrollo de algoritmos<\/h3>\n<p>Cuando est\u00e1 desarrollando nuevos m\u00e9todos num\u00e9ricos, probando tasas de convergencia o iterando en par\u00e1metros del solucionador, necesita una fidelidad completa de datos. El postprocesamiento conserva cada paso de tiempo y cada campo. Reducci\u00f3n in situ descarta informaci\u00f3n que luego puede arrepentirse de perder.<\/p>\n<h3>Archivo y reproducibilidad<\/h3>\n<p>Si su simulaci\u00f3n es parte de un estudio publicado o de un flujo de trabajo reproducible, el procesamiento posterior le brinda una pista de auditor\u00eda clara: los archivos de datos sin procesar, los scripts de procesamiento posterior, las visualizaciones resultantes. La compensaci\u00f3n de \"p\u00e9rdida de datos\" de in-situ (descarte el estado de simulaci\u00f3n sin procesar despu\u00e9s de la extracci\u00f3n) hace que la reproducibilidad sea m\u00e1s dif\u00edcil cuando necesita volver a analizar con nuevos m\u00e9todos.<\/p>\n<h3>Cu\u00e1ndo elegir el procesamiento posterior sobre el in situ<\/h3>\n<p>Utilice el procesamiento posterior cuando:<\/p>\n<ul>\n<li>Su conjunto de datos es lo suficientemente peque\u00f1o como para que la sobrecarga de E\/S sea aceptable<\/li>\n<li>Necesitas an\u00e1lisis iterativo y exploratorio<\/li>\n<li>est\u00e1s desarrollando o probando nuevas t\u00e9cnicas de visualizaci\u00f3n<\/li>\n<li>La reproducibilidad y el archivo requieren una conservaci\u00f3n completa de los datos<\/li>\n<li>No tiene acceso a herramientas compatibles con las herramientas o la experiencia de integraci\u00f3n<\/li>\n<\/ul>\n<hr>\n<h2>Resumen de paisaje de herramientas<\/h2>\n<p>No necesita construir infraestructura in situ desde cero. Varias herramientas maduras hacen que la integraci\u00f3n sea sencilla.<\/p>\n<h3>Catalizador de paravista<\/h3>\n<p>La biblioteca in situ m\u00e1s ampliamente adoptada. Paraview Catalyst proporciona una API peque\u00f1a y estable para c\u00f3digos de simulaci\u00f3n para exponer estructuras de datos en la memoria al motor de procesamiento de ParaView. Una vez instrumentado con Catalyst, un c\u00f3digo de simulaci\u00f3n puede aprovechar las capacidades completas de an\u00e1lisis y visualizaci\u00f3n de ParaView.<\/p>\n<ul>\n<li><strong>Mejor para<\/strong>: Simulaciones de CFD a gran escala, combusti\u00f3n y multif\u00edsica<\/li>\n<li><strong>Ejemplo<\/strong>: Converge CFD utiliza catalizador para el an\u00e1lisis de combusti\u00f3n in situ (Kitware 2024)<\/li>\n<li><strong>Complejidad de integraci\u00f3n<\/strong>: Moderado: requiere instrumentaci\u00f3n inicial, luego ejecuta scripts de Catalyst como canalizaciones predefinidas<\/li>\n<\/ul>\n<h3>Ascenso<\/h3>\n<p>Un marco in situ ligero de Kitware dise\u00f1ado para una f\u00e1cil integraci\u00f3n. Ascent proporciona un lenguaje de recetas basado en YAML para definir canalizaciones in situ sin un conocimiento profundo de C++.<\/p>\n<ul>\n<li><strong>Lo mejor para<\/strong>: equipos que desean una r\u00e1pida integraci\u00f3n in situ sin cambios de c\u00f3digo profundos<\/li>\n<li><strong>Complejidad de integraci\u00f3n<\/strong>: baja \u2014 Recetas YAML, necesaria integraci\u00f3n de C++ m\u00ednima<\/li>\n<li><strong>limitaci\u00f3n<\/strong>: ecosistema m\u00e1s peque\u00f1o que el catalizador; Menos maduro para implementaciones de ExaScale<\/li>\n<\/ul>\n<h3>Visita Libsim<\/h3>\n<p>La biblioteca in situ para visitar. Similar al catalizador pero integrado con el ecosistema de visita.<\/p>\n<ul>\n<li><strong>Lo mejor para<\/strong>: equipos ya invertidos en el ecosistema de visitas<\/li>\n<li><strong>Complejidad de integraci\u00f3n<\/strong>: moderado: requiere instrumentaci\u00f3n libsim<\/li>\n<\/ul>\n<h3>dama<\/h3>\n<p>Un marco in situ m\u00e1s nuevo y basado en est\u00e1ndares dise\u00f1ado para la portabilidad en las herramientas de visualizaci\u00f3n. Damaris utiliza una API estandarizada que desacopla la simulaci\u00f3n de los backends de visualizaci\u00f3n espec\u00edficos.<\/p>\n<ul>\n<li><strong>Lo mejor para<\/strong>: implementaciones multiecosistema (que desea utilizar varias herramientas de visualizaci\u00f3n)<\/li>\n<li><strong>Complejidad de integraci\u00f3n<\/strong>: superior: cadena de herramientas m\u00e1s nueva y menos establecida<\/li>\n<li><strong>Notable<\/strong>: ganar tracci\u00f3n en las comunidades europeas de HPC<\/li>\n<\/ul>\n<h3>Gu\u00eda de selecci\u00f3n de herramientas<\/h3>\n<table>\n<thead>\n<tr>\n<th>Si necesitas...<\/th>\n<th>Recomendar<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>El ecosistema m\u00e1s grande, la mayor\u00eda de los ejemplos<\/td>\n<td><strong>Catalizador de paraview<\/strong><\/td>\n<\/tr>\n<tr>\n<td>Integraci\u00f3n r\u00e1pida, C++ m\u00ednimo<\/td>\n<td><strong>Ascenso<\/strong><\/td>\n<\/tr>\n<tr>\n<td>Visita la alineaci\u00f3n del ecosistema<\/td>\n<td><strong>Visita Libsim<\/strong><\/td>\n<\/tr>\n<tr>\n<td>Portabilidad multiherramienta<\/td>\n<td><strong>Damaris<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>La Gu\u00eda de mejores pr\u00e1cticas de Excellerat (2022) proporciona tablas de comparaci\u00f3n detalladas para interfaces in situ y recomendaciones de herramientas en ExaScale. Su an\u00e1lisis sugiere Catalyst como la opci\u00f3n m\u00e1s madura para los flujos de trabajo de HPC de producci\u00f3n, con Ascent como una alternativa ligera y ligera.<\/p>\n<hr>\n<h2>Resumen + Pr\u00f3ximos pasos<\/h2>\n<p>Elegir entre la visualizaci\u00f3n in situ y el procesamiento posterior no es una pregunta binaria de \"cu\u00e1l es mejor\". Es una decisi\u00f3n de dise\u00f1o de flujo de trabajo que debe tener en cuenta el tama\u00f1o de los datos, la energ\u00eda, las necesidades de depuraci\u00f3n, la flexibilidad y las consideraciones de archivo.<\/p>\n<p>Aqu\u00ed est\u00e1 nuestra recomendaci\u00f3n destilada a tres principios:<\/p>\n<ol>\n<li><strong>Para las simulaciones HPC a gran escala (m\u00e1s de 100 GB, multinodo)<\/strong>, adopte la estrategia h\u00edbrida: reducci\u00f3n in situ con ahorro selectivo, seguido de procesamiento posterior en los datos reducidos. Esto le brinda ahorros de energ\u00eda (~43 % de reducci\u00f3n total de energ\u00eda por estudios de VT), los beneficios de depuraci\u00f3n y la flexibilidad anal\u00edtica que necesita.<\/li>\n<li><strong>Para las simulaciones de peque\u00f1o a mediano (&lt;10 GB, un solo nodo o un grupo peque\u00f1o)<\/strong>, el procesamiento posterior suele ser m\u00e1s simple y m\u00e1s flexible. No agregue complejidad in situ a menos que necesite espec\u00edficamente los beneficios de depuraci\u00f3n o energ\u00eda.<\/li>\n<li><strong>Siempre considere la depuraci\u00f3n<\/strong>. Incluso si elige el procesamiento posterior para el flujo de trabajo principal, ejecutar al menos un gr\u00e1fico de diagn\u00f3stico in situ (un historial de tiempo, un segmento de clave o un monitor de convergencia) puede ahorrarle horas de tiempo de c\u00e1lculo desperdiciado cuando se produce una divergencia.<\/li>\n<\/ol>\n<h3>Pr\u00f3ximos pasos pr\u00e1cticos<\/h3>\n<ul>\n<li>Si su flujo de trabajo actual es puramente posprocesado y est\u00e1 ejecutando grandes simulaciones: eval\u00fae el catalizador o el ascenso para la reducci\u00f3n de datos in situ. Incluso una simple canalizaci\u00f3n predefinida o canalizaci\u00f3n de estad\u00edsticas cortar\u00e1 E\/S y el tiempo de inactividad.<\/li>\n<li>Si ya est\u00e1 utilizando in-situ pero no ha explorado la depuraci\u00f3n: agregue al menos una visualizaci\u00f3n de advertencia temprana (parcela de historial de tiempo, isosuperficie de un campo clave o detecci\u00f3n de anomal\u00edas). El concepto de \"panel de simulaci\u00f3n\" de Bennett (2019) es un buen punto de partida.<\/li>\n<li>Si est\u00e1 planeando flujos de trabajo de archivo: decida qu\u00e9 datos sin procesar conservar antes de cambiar a in situ. No descarte el estado de simulaci\u00f3n que podr\u00eda necesitar para el an\u00e1lisis futuro.<\/li>\n<\/ul>\n<p>La decisi\u00f3n de visualizaci\u00f3n es una de las pocas opciones de flujo de trabajo de simulaci\u00f3n que afecta directamente tanto al rendimiento como a la calidad del conocimiento. Hazlo bien y tus simulaciones se ejecutan m\u00e1s r\u00e1pido, ahorra energ\u00eda y detecta errores antes de tiempo. Hazlo mal y pierdes tiempo de c\u00e1lculo, almacenamiento y potencialmente perder\u00e1s fen\u00f3menos que no puedes volver a analizar. Utilice este marco para tomar una decisi\u00f3n informada.<\/p>\n<hr>\n<h2>Gu\u00edas relacionadas<\/h2>\n<p>Para una cobertura m\u00e1s profunda sobre temas relacionados, aqu\u00ed hay algunos recursos adicionales de nuestro sitio:<\/p>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/in-situ-visualization-integration-computation\/\" target=\"_blank\" rel=\"nofollow noopener\">visualizaci\u00f3n in situ: visualizaci\u00f3n de integraci\u00f3n durante Computaci\u00f3n<\/a>: nuestra gu\u00eda completa de infraestructura, herramientas y patrones de implementaci\u00f3n in situ.<\/li>\n<li><a href=\"https:\/\/matforge.org\/visit-vs-paraview-choosing-right-tool\/\">visit vs paraview: elegir la herramienta adecuada para sus datos de simulaci\u00f3n<\/a>: una comparaci\u00f3n de los dos marcos de visualizaci\u00f3n m\u00e1s utilizados para datos cient\u00edficos.<\/li>\n<li><a href=\"https:\/\/matforge.org\/illuminator-distributed-visualization-library\/\">librer\u00eda de visualizaci\u00f3n distribuida de Illuminator<\/a> \u2014 Descripci\u00f3n general de una herramienta especializada para la representaci\u00f3n y el almacenamiento en paralelo.<\/li>\n<li><a href=\"https:\/\/matforge.org\/managing-large-scale-pde-problems-strategies-solvers-and-hpc-case-studies\/\">Gesti\u00f3n de problemas de PDE a gran escala: estrategias, solucionadores y casos de HPC Estudios<\/a> \u2014 Estrategias para resolver problemas computacionales masivos de manera eficiente.<\/li>\n<li><a href=\"https:\/\/matforge.org\/advection-dominated-problems-supg-stabilization\/\">Problemas dominados por la advecci\u00f3n: esquemas contra el viento y estabilizaci\u00f3n de SUPG<\/a> \u2014 Gu\u00eda pr\u00e1ctica para t\u00e9cnicas de estabilizaci\u00f3n en simulaciones CFD.<\/li>\n<\/ul>\n<hr>\n<p><em>Referencias y fuentes citadas en este art\u00edculo:<\/em><\/p>\n<ul>\n<li><a href=\"https:\/\/www.kitware.com\/in-situ-data-analysis-brings-faster-results-and-accelerated-insights\/\" target=\"_blank\" rel=\"nofollow noopener\">Kitware (2024). El an\u00e1lisis de datos in situ brinda resultados m\u00e1s r\u00e1pidos y conocimientos acelerados<\/a><\/li>\n<li><a href=\"https:\/\/research.cs.vt.edu\/synergy\/pubs\/papers\/vignesh-in-situ-hppac15.pdf\" target=\"_blank\" rel=\"nofollow noopener\">Adhinarayan et al. (2015). Sobre el verdor de las canalizaciones de visualizaci\u00f3n in situ y de posprocesamiento<\/a><\/li>\n<li><a href=\"https:\/\/cinemascience.github.io\/publications\/Adhinarayanan-etal-2017CharacterizingModelingPowerEnergyInSituVis.pdf\" target=\"_blank\" rel=\"nofollow noopener\">Adhinarayan et al. (2017). Caracterizaci\u00f3n de la potencia de modelado &amp; Energ\u00eda para la visualizaci\u00f3n in situ<\/a><\/li>\n<li><a href=\"https:\/\/drops.dagstuhl.de\/storage\/04dagstuhl-reports\/volume08\/issue07\/18271\/DagRep.8.7.1\/DagRep.8.7.1.pdf\" target=\"_blank\" rel=\"nofollow noopener\">Bennett, J. (2019). Informe DAG: visualizaci\u00f3n in situ<\/a><\/li>\n<li><a href=\"https:\/\/www.computer.org\/csdl\/magazine\/cg\/2016\/02\/mcg2016020005\/13rRUILLkIJ\" target=\"_blank\" rel=\"nofollow noopener\">Moreland, K. (2016). Las tensiones de la visualizaci\u00f3n in situ<\/a><\/li>\n<li><a href=\"https:\/\/www.excellerat.eu\/wp-content\/uploads\/2022\/06\/EXCELLERAT_WP4_D4.5_Best_Practices_and_Tools_for_Visualization_Data_Managment_and_Analytics_of_Engineering_Simulations_at_Exascale.pdf\" target=\"_blank\" rel=\"nofollow noopener\">Excellerat (2022). Mejores pr\u00e1cticas y herramientas para la visualizaci\u00f3n, gesti\u00f3n de datos y an\u00e1lisis en ExaScale<\/a><\/li>\n<li><a href=\"https:\/\/dl.acm.org\/doi\/10.1145\/3635035.3635048\" target=\"_blank\" rel=\"nofollow noopener\">Tahir, M. (2024). An\u00e1lisis hacia la energ\u00eda basada en im\u00e1genes in situ<\/a><\/li>\n<\/ul>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 14<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Elija entre la visualizaci\u00f3n in situ y el procesamiento posterior con un marco de decisi\u00f3n pr\u00e1ctico que cubre ahorros de energ\u00eda, casos de uso de depuraci\u00f3n y flujos de trabajo h\u00edbridos.<\/p>\n","protected":false,"raw":"Elija entre la visualizaci\u00f3n in situ y el procesamiento posterior con un marco de decisi\u00f3n pr\u00e1ctico que cubre ahorros de energ\u00eda, casos de uso de depuraci\u00f3n y flujos de trabajo h\u00edbridos."},"author":6,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"es_ES","_original_post":"https:\/\/matforge.org\/?p=1053","iawp_total_views":0,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-1105","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","es-ES"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Visualizaci\u00f3n in situ frente a procesamiento posterior: un marco de decisi\u00f3n - matforge.org<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Visualizaci\u00f3n in situ frente a procesamiento posterior: un marco de decisi\u00f3n - matforge.org\" \/>\n<meta property=\"og:description\" content=\"Reading Time:  14 minutesElija entre la visualizaci\u00f3n in situ y el procesamiento posterior con un marco de decisi\u00f3n pr\u00e1ctico que cubre ahorros de energ\u00eda, casos de uso de depuraci\u00f3n y flujos de trabajo h\u00edbridos.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-08-19T09:48:37+00:00\" \/>\n<meta name=\"author\" content=\"steven\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"steven\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"23 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/in-situ-vs-post-processing-decision-guide\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/in-situ-vs-post-processing-decision-guide\\\/\"},\"author\":{\"name\":\"steven\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"headline\":\"Visualizaci\u00f3n in situ frente a procesamiento posterior: un marco de decisi\u00f3n\",\"datePublished\":\"2026-08-19T09:48:37+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/in-situ-vs-post-processing-decision-guide\\\/\"},\"wordCount\":4517,\"commentCount\":0,\"articleSection\":[\"Simulaci\u00f3n &amp; Proyectos de modelado\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/es\\\/in-situ-vs-post-processing-decision-guide\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/in-situ-vs-post-processing-decision-guide\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/es\\\/in-situ-vs-post-processing-decision-guide\\\/\",\"name\":\"Visualizaci\u00f3n in situ frente a procesamiento posterior: un marco de decisi\u00f3n - matforge.org\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-08-19T09:48:37+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/in-situ-vs-post-processing-decision-guide\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/es\\\/in-situ-vs-post-processing-decision-guide\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/in-situ-vs-post-processing-decision-guide\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/es\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Visualizaci\u00f3n in situ frente a procesamiento posterior: un marco de decisi\u00f3n\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\",\"name\":\"steven\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"caption\":\"steven\"},\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/steven\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Visualizaci\u00f3n in situ frente a procesamiento posterior: un marco de decisi\u00f3n - matforge.org","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/","og_locale":"es_ES","og_type":"article","og_title":"Visualizaci\u00f3n in situ frente a procesamiento posterior: un marco de decisi\u00f3n - matforge.org","og_description":"Reading Time:  14 minutesElija entre la visualizaci\u00f3n in situ y el procesamiento posterior con un marco de decisi\u00f3n pr\u00e1ctico que cubre ahorros de energ\u00eda, casos de uso de depuraci\u00f3n y flujos de trabajo h\u00edbridos.","og_url":"https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/","og_site_name":"matforge.org","article_published_time":"2026-08-19T09:48:37+00:00","author":"steven","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"steven","Tiempo de lectura":"23 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/"},"author":{"name":"steven","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"headline":"Visualizaci\u00f3n in situ frente a procesamiento posterior: un marco de decisi\u00f3n","datePublished":"2026-08-19T09:48:37+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/"},"wordCount":4517,"commentCount":0,"articleSection":["Simulaci\u00f3n &amp; Proyectos de modelado"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/","url":"https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/","name":"Visualizaci\u00f3n in situ frente a procesamiento posterior: un marco de decisi\u00f3n - matforge.org","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-08-19T09:48:37+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"breadcrumb":{"@id":"https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/es\/in-situ-vs-post-processing-decision-guide\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/es\/"},{"@type":"ListItem","position":2,"name":"Visualizaci\u00f3n in situ frente a procesamiento posterior: un marco de decisi\u00f3n"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03","name":"steven","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","caption":"steven"},"url":"https:\/\/matforge.org\/author\/steven\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1105","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=1105"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1105\/revisions"}],"predecessor-version":[{"id":1151,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1105\/revisions\/1151"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=1105"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=1105"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=1105"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}