Integrowanie zautomatyzowanych przepływów symulacji z wizualizacją 3D dla eksperymentów wirtualnych w Metaverse
July 21st, 2026
Przedstawiono uogólnioną, zgodną z FAIR metodę dla ekspertów dziedzinowych, którzy chcą zintegrować narzędzia symulacyjne i do przetwarzania danych w zautomatyzowane przepływy pracy dla wirtualnych eksperymentów 3D. Przykład neutroniki pokazuje konfigurację lokalnej instancji Galaxy, pakowanie narzędzi OpenMC i konwersji plików, uruchamianie przepływów pracy z Omniverse oraz wizualizacje przekonwertowanych wyników 3D.
Integracja zautomatyzowanych przepływów symulacji z wizualizacją 3D dla eksperymentów wirtualnych w Metaverse. Przepływ pracy to łańcuch narzędzi definiujących przepływ danych między nimi. W wielu eksperymentach wirtualnych naukowcy ręcznie łączą wiele narzędzi symulacyjnych i przetwarzania, co skaluje się słabo i utrudnia reprodukowalność.
Przepływy pracy rozwiązują to, ponieważ są abstrakcyjne, zautomatyzowane, skalowalne, przenośne, udostępniane i cytowalne. Umożliwiają zawijanie istniejących kodów symulacji i kroków przetwarzania w narzędzia dostępne w łatwym w użyciu interfejsie. Następnie mogą być one łączone i konfigurowane bez ręcznego tworzenia specjalnych skryptów automatyzacji.
Narzędzia mogą być również udostępniane, co zmniejsza konieczność nauki nowych interfejsów i pozwala naukowcom skupić się na konfiguracji symulacji i interpretacji wyników. Ten protokół demonstruje wdrożenie lokalnie zakonteneryzowanego menedżera przepływu pracy. W tej konfiguracji użytkownik końcowy współpracuje z platformą wizualizacji 3D jako frontend.
Łącze do przepływów pracy przychodzi w postaci lekkiej rozszerzenia Pythona, które wykonuje wywołania API do menedżera przepływu pracy w celu uruchomienia symulacji i otrzymywania wyników, wszystko z poziomu platformy wizualizacji. Przedstawiony tu system jest ogólny i może być stosowany w prawie każdej aplikacji, gdzie wykonywane są kroki symulacji i przetwarzania. W tym przypadku badania przykładowe, prosta symulacja neutronowa w kontekście elektrowni energetycznej na fuzji jest używana.
W reaktorze fuzyjnym deuter i tryt łączą się, aby wyprodukować energię i neutrony. Deuter jest naturalnym izotopem wodoru, ale tryt musi być wyprodukowany przez sam reaktor za pomocą neutronów generowanych w procesach fuzji. Aby symulować wyprodukowane neutrony, stosuje się kod symulacji Monte Carlo, który podąża za neutronami wokół reaktora, stosując losowe interakcje z materiałem podczas ich przechodzenia.
Jako miara porównawcza oblicza się kluczowy wskaźnik wydajności zwany współczynnikiem hodowli trytu, który zapewnia stosunek trytu wyprodukowanego przez interakcje neutronowe do ilości trytu zużytej w reakcji. Symulacja korzysta z prostej geometrii CAD opartej na kształcie sferycznego tokamak, aby zamodelować ilość trytu wyprodukowanego przez owijkę pochłaniającą wokół naczynia plazmowego, i wyprowadza zestaw danych generowanych śladów neutronów. Aby rozpocząć protokół, założymy, że silnik kontenerów i platforma wizualizacji 3D zostały zainstalowane, postępując zgodnie z repozytorium projektu na lokalną maszynę.
Uruchomienie serwera menedżera przepływu pracy za pomocą dostarczonego skryptu powłoki, który używa silnika kontenerów do wdrożenia przenośnej instancji. Po uruchomieniu systemu uzyskaj dostęp do lokalnego interfejsu internetowego, aby utworzyć konto użytkownika administratora i zalogować się. Przejdź do preferencji użytkownika, aby wygenerować unikalny klucz API.
Ten klucz uwierzytelnia platformę wizualizacji 3D, gdy wykonuje wywołania API do menedżera przepływu pracy. Następnie skonfiguruj platformę wizualizacji 3D, przechodząc do odpowiedniego pliku w folderze rozszerzeń. Dodaj klucz API do tego pliku konfiguracyjnego.
Upewnij się, że ten klucz prywatny pozostaje bezpieczny i nie jest przekazywany do publicznych repozytoriów. Następnie skonfiguruj platformę wizualizacji 3D, przechodząc do menu rozszerzeń, klikając ikonę ustawień i dodając lokalną ścieżkę folderu rozszerzeń z sklonowanego repozytorium. Na koniec włącz rozszerzenie.
Można wybrać opcję automatycznego ładowania, aby była automatycznie włączona po ponownym uruchomieniu. Aby uruchomić dowolne pojedyncze narzędzie, pliki wejściowe muszą najpierw zostać przekazane do usługi. Utwórz nową historię i nadaj jej nazwę.
Historie działają jako osobne obszary robocze dla każdego zestawu narzędzi lub przepływów pracy. Kliknij przycisk Wgraj. Wybierz wymaganą geometrię CAD i zestawy danych konfiguracyjnych z plików przykładowych w repozytorium i kliknij Start.
Wejścia pojawią się na panelu historii po prawej stronie ekranu. Przejdź do wymaganego narzędzia symulacji Monte Carlo na lewym panelu i kliknij je. Wybierz odpowiednie zestawy danych wejściowych z bieżącej historii i uruchom narzędzie klikając wykonaj.
Wyjścia zmienią kolor z pomarańczowego, wskazującego przetwarzanie, na zielony, wskazujący zakończenie. Szary jest używany do podświetlenia oczekujących kroków, a czerwony dla nieudanych kroków. Pierwsze uruchomienie może zająć więcej czasu, ponieważ obraz kontenera narzędzia jest pobierany.
Następne uruchomienia powinny być szybsze. Gdy narzędzie skończyło działanie, można wyświetlić wyniki symulacji. Kliknij zestaw danych współczynnika hodowli trytu na panelu historii, aby go rozwinąć.
To wyświetla stosunek obliczony przez symulację neutronową i skojarzony błąd statystyczny. Narzędzia są bardziej przydatne, gdy są używane w przepływach pracy, które pozwalają na wywoływanie wielu narzędzi w jednym wywołaniu i automatycznie kontrolują przepływ danych między narzędziami. Aby powtórzyć poprzedni potok analityczny, kliknij Przepływy pracy, a następnie utwórz i nazw nowy przepływ pracy.
Zaimportuj narzędzia do panelu narzędzi, klikając je. Następnie dodaj dwa zestawy danych jako wejścia i nada
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.