Integratie van geautomatiseerde simulatieworkflows met 3D-visualisatie voor virtuele experimenten in de metaverse
July 21st, 2026
Een gegeneraliseerde, FAIR-conforme methode wordt gepresenteerd voor domeinexpertonderzoekers die simulatie- en dataverwerkingstools willen integreren in geautomatiseerde workflows voor 3D-virtuele experimenten. Een voorbeeld van Neutronics laat zien hoe je een lokale Galaxy-instantie opzet, OpenMC en bestandsconversietools ompakt, workflows vanuit Omniverse opstart en de geconverteerde 3D-uitvoeren visualiseert.
Integratie van geautomatiseerde simulatieworkflows met 3D-visualisatie voor virtuele experimenten in de Metaverse. Een workflow is een keten van tools die de gegevensstroom tussen hen definieert. Bij veel virtuele experimenten verbinden onderzoekers handmatig meerdere simulatie- en verwerkingstools, wat slecht schaalt en de reproduceerbaarheid belemmert.
Workflows lossen dit op omdat ze abstract, geautomatiseerd, schaalbaar, draagbaar, deelbaar en citeerbaar zijn. Ze maken het mogelijk bestaande simulatiecodes en verwerkingsstappen te verpakken in tools die beschikbaar zijn in een gebruiksvriendelijke interface. Deze kunnen vervolgens worden gekoppeld en opnieuw geconfigureerd zonder handmatig op maat gemaakte automatiseringsscripts te maken.
De tools kunnen ook worden gedeeld, waardoor de vereiste om nieuwe interfaces te leren wordt verminderd en onderzoekers zich kunnen concentreren op het configureren van simulaties en het interpreteren van resultaten. Dit protocol demonstreert de implementatie van een lokaal gecontaineriseerde workflowbeheerder. In deze configuratie communiceert de eindgebruiker met een 3D-visualisatieplatform als front-end.
De koppeling naar de workflows komt in de vorm van een lichtgewicht Python-extensie die API-aanroepen naar de workflowbeheerder maakt om simulaties te starten en de resultaten te ontvangen, allemaal vanuit de visualisatieplatform. Het hier gepresenteerde systeem is van nature algemeen en kan worden toegepast in bijna elke toepassing waar simulatie- en verwerkingsstappen worden uitgevoerd. Voor deze casestudie wordt een eenvoudige neutronische simulatie in de context van een kernfusie-energiecentrale gebruikt.
In een fusiereactor worden deuterium en tritium samengevoegd om energie en neutronen te produceren. Deuterium is een natuurlijk isotoop van waterstof, maar tritium moet door de reactor zelf worden geproduceerd met behulp van neutronen die in de fusie-evenementen worden gegenereerd. Om de geproduceerde neutronen te simuleren, wordt een Monte Carlo-simulatiecode gebruikt, die de neutronen rond de reactor volgt en willekeurige interacties met het materiaal toepast terwijl ze erdoorheen gaan.
Als vergelijkende maatstaf wordt een belangrijke prestatie-indicator genaamd de tritiumbroedverhouding berekend, die de verhouding geeft van tritium geproduceerd door neutroninteracties tot de hoeveelheid tritium die in de reactie wordt verbruikt. De simulatie gebruikt een eenvoudige CAD-geometrie op basis van de sferische tokamak-vorm om de hoeveelheid tritium te modelleren die wordt geproduceerd door de blanket die rond de plasmavat wikkelt, en geeft een dataset van de gegenereerde neutronensporen uit. Om het protocol te beginnen, gaan we ervan uit dat de container-engine en het 3D-visualisatieplatform beide zijn geïnstalleerd, door het projectrepository naar de lokale machine te volgen.
Start de workflowbeheerderserver met behulp van het meegeleverde shell-script, dat de container-engine gebruikt om een draagbare instantie te implementeren. Zodra het systeem actief is, opent u de lokale webinterface om een administratieve gebruikersaccount te maken en in te loggen. Navigeer naar de gebruikersvoorkeuren om een unieke API-sleutel te genereren.
Deze sleutel verifieert het 3D-visualisatieplatform wanneer het de workflowbeheerder aanroept. Configureer vervolgens het 3D-visualisatieplatform door naar het relevante bestand in de extensiesmap te navigeren. Voeg de API-sleutel toe aan dit configuratiebestand.
Zorg ervoor dat deze privésleutel veilig blijft en niet wordt gecommit naar openbare repositories. Configureer vervolgens het 3D-visualisatieplatform door naar het extensiesmenu te navigeren, op het instellingenpictogram te klikken en de lokale pad van de extensiemap vanuit de gekloonde repository toe te voegen. Schakel ten slotte de extensie in.
De optie voor automatisch laden kan worden geselecteerd, zodat deze bij opnieuw starten automatisch wordt ingeschakeld. Om elke afzonderlijke tool te gebruiken, moeten invoerbestanden eerst naar de service worden geüpload. Maak een nieuwe geschiedenis en geef deze een naam.
Geschiedenissen fungeren als afzonderlijke werkruimten voor elke set tools of workflows die worden uitgevoerd. Klik op de knop Uploaden. Selecteer de vereiste CAD-geometrie en configuratiedatasets uit de voorbeeldbestanden in de repository en klik op Starten.
De invoer verschijnt in het geschiedenisvenster aan de rechterkant van het scherm. Navigeer naar de vereiste Monte Carlo-simulatietool aan de linkerkant en klik erop. Selecteer de relevante invoergegevenssets uit de huidige geschiedenis en voer de tool uit door op Uitvoeren te klikken.
De uitvoer verandert van oranje, wat aangeeft dat ze worden verwerkt, naar groen, wat aangeeft dat ze zijn voltooid. Grijs wordt gebruikt om wachtende stappen te markeren en rood voor mislukte stappen. De eerste uitvoering kan langer duren omdat het containerbeeld van de tool wordt gedownload.
Volgende uitvoeringen zouden sneller moeten zijn. Zodra de tool klaar is met uitvoeren, kunnen de resultaten van de simulatie worden bekeken. Klik op de dataset van het tritiumbroedverhouding in het geschiedenisvenster om deze uit te vouwen.
Dit geeft de verhouding weer die is berekend door de neutronische simulatie en de bijbehorende statistische fout. Tools zijn nuttiger wanneer ze in workflows worden gebruikt, die het mogelijk maken om meerdere tools in één oproeping aan te roepen en de gegevensstroom tussen tools automatisch te regelen. Om de vorige analysepijplijn te repliceren, klikt u op Workflows en maakt u vervolgens een nieuwe workflow met een naam.
Importeer de tools voor het Tool-paneel door erop te klikken. Voeg vervolgens twee datasets toe als invoer en geef ze een naam. Wanneer alle tools en invoer op het canvas staan, verbindt u ze door te klikken en te slepen om de uitvoer van de ene stap te verbinden met de invoer van de volgende, waardoor de gegevensstroom wordt gedefinieerd.
Sla de workflow op met behulp van het pictogram in de rechterbovenhoek. De workflow wordt op dezelfde manier uitgevoerd als een enkele tool. Navigeer naar het tabblad Workflows in de bovenbalk en klik op het pictogram Uitvoeren op de nieuwe workflow.
Selecteer de bijbehorende invoerdatasets en klik vervolgens op Workflow uitvoeren. Dit voert alle stappen uit die eerder handmatig zijn uitgevoerd, waarbij tussentijdse uitvoer naar de geschiedenis wordt opgeslagen. De uitvoering kan worden geverifieerd door de uitvoerbestanden te inspecteren of door de tritiumbroedverhouding in de interface weer te geven.
Om workflows uit het
View the full transcript and gain access to thousands of scientific videos
Overview
This protocol demonstrates the integration of automated simulation workflows with 3D visualization platforms for virtual experiments, specifically within the context of fusion neutronics. By deploying a locally containerized workflow manager and connecting it to a 3D visualization front end, researchers can automate, scale, and share complex simulation pipelines, enhancing reproducibility and adherence to FAIR data principles.
Key Study Components
Area of Science
- Computational physics
- Fusion energy research
- Scientific workflow automation
- 3D visualization
Background
- Virtual experiments often require the integration of multiple simulation, processing, and visualization tools.
- Manual integration is common but does not scale well and hinders reproducibility.
- Automated workflows can abstract and automate these processes, making them more portable and shareable.
- Adhering to FAIR data principles is increasingly important for scientific research.
Purpose of Study
- To demonstrate a reproducible, containerized workflow system for running and visualizing simulation experiments.
- To show how simulation tools can be integrated and automated within a workflow manager.
- To enable seamless data flow from simulation to 3D visualization platforms.
Methods Used
- Deployment of a local workflow manager using containerization (e.g., Docker).
- Integration of simulation tools (OpenMC for neutronics) and format conversion utilities.
- Connection of the workflow manager to a 3D visualization platform via a Python extension and API.
- Execution of simulation workflows, including input upload, tool chaining, and output visualization in platforms like NVIDIA Omniverse.
Main Results
- Automated workflows can be created, saved, and re-run with new inputs without manual reconfiguration.
- Simulation outputs, such as tritium breeding ratio and neutron track datasets, are generated and converted for 3D visualization.
- Workflows and tools are portable, shareable, and version-controlled, supporting reproducibility.
- The system supports full provenance tracking and can be extended to HPC or cloud resources.
Conclusions
- Containerized workflow systems streamline the integration of simulation and visualization tools for virtual experiments.
- The approach enhances reproducibility, scalability, and data sharing in computational research.
- Researchers can focus on scientific analysis rather than bespoke automation, benefiting from FAIR-compliant workflows.
Frequently Asked Questions
Executive Industry Relevance
Automated simulation workflows integrated with 3D visualization platforms enable scalable, reproducible virtual experiments, directly addressing bottlenecks in manual data integration and analysis. This approach enhances predictive confidence and operational efficiency in computational modeling, supporting robust decision-making at key discovery and preclinical inflection points. By adhering to FAIR data principles and enabling seamless tool reuse, the system strengthens enterprise-wide R&D continuity and data integrity.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Automated workflows facilitate rapid hypothesis testing and mechanistic de-risking in complex biological simulations.
- Containerized tools ensure reproducibility and traceability of simulation results for target validation.
- Abstracted workflow management supports scalable evaluation of multiple biological scenarios.
Screening & Assay Development
- Standardized data pipelines prepare simulation outputs for downstream quantitative analysis and visualization.
- Reusable workflow components enable consistent assay development and cross-study comparability.
- Automated format conversion ensures compatibility with advanced 3D visualization platforms for screening readiness.
Translational & Preclinical Research
- Provenance-tracked simulation histories support translational continuity and regulatory documentation.
- Quantitative outputs, such as performance ratios, inform preclinical modeling and risk assessment.
- Workflow portability enables adaptation across disease-relevant systems and preclinical models.
Pipeline & Workflow Integration
This containerized workflow system bridges early discovery, screening, and preclinical modeling by automating simulation, data conversion, and visualization steps within a unified platform.
- Discovery Biology: Enables robust hypothesis testing and pathway analysis through automated, reproducible simulations.
- Screening: Delivers standardized, quantitative outputs ready for high-throughput evaluation and visualization.
- Analytics: Provides statistical readouts, such as tritium breeding ratios, supporting comparative analysis across conditions.
- Translational Research: Maintains full provenance and data integrity for downstream translational studies.
- Enterprise Reuse: Supports tool and workflow sharing across teams, enhancing R&D scalability and efficiency.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in simulation-driven research.
- Operational Value: Promotes standardization, reproducibility, and rapid reconfiguration of simulation pipelines.
- Strategic Value: Enables informed go/no-go decisions and capital-efficient portfolio management.
- Portfolio Impact: Facilitates risk-adjusted prioritization and advancement of discovery and preclinical programs.
Implementation Considerations
- Requires expertise in simulation modeling, workflow management, and 3D visualization platforms.
- Needs containerization infrastructure and compatible high-performance graphics hardware for full visualization capabilities.
- Demands cross-team standardization of data formats and workflow components.
- Supports adaptation to diverse simulation codes and biological models with modest integration effort.
- Dependent on secure management of API keys and provenance metadata for reproducibility.