Integracja zautomatyzowanych przepływów symulacji z wizualizacją 3D do wirtualnych eksperymentów w Metaverse
21 lipca 2026
Przedstawiono uogólnioną, zgodną z zasadami 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, jak skonfigurować lokalną instancję Galaxy, integrując OpenMC i narzędzia do konwersji plików, uruchamiać przepływy pracy z Omniverse oraz wizualizacje skonwertowanych wyników 3D.
Integracja zautomatyzowanych przepływów symulacji z wizualizacją 3D dla eksperymentów wirtualnych w Metaverse. Przepływ to łańcuch narzędzi definiujących przepływ danych między nimi. W wielu wirtualnych eksperymentach naukowcy ręcznie łączą wiele narzędzi symulacyjnych i przetwarzania, co nie skaluje się dobrze i utrudnia reprodukowalność.
Przepływy rozwiązują to, ponieważ są abstrakcyjne, zautomatyzowane, skalowalne, przenośne, udostępniane i cytowalne. Pozwalają na pakowanie istniejących kodów symulacyjnych i kroków przetwarzania w narzędzia, które są dostępne w łatwej w użyciu interfejsie. Następnie można je łączyć i konfigurować bez ręcznego tworzenia niestandardowych skryptów automatyzacji.
Narzędzia mogą być również udostępniane, co zmniejsza wymóg uczenia się nowych interfejsów i pozwala naukowcom skupić się na konfiguracji symulacji i interpretacji wyników. Ten protokół demonstruje wdrożenie zarządcy przepływów skonteneryzowanego lokalnie. W tej konfiguracji użytkownik końcowy współpracuje z platformą wizualizacji 3D jako częścią frontonu.
Łącze do przepływów jest w postaci lekkiej rozszerzenia Pythona, które wykonuje wywołania API do zarządcy przepływów, aby uruchomić symulacje i odbierać wyniki, wszystko z platformy wizualizacji. System przedstawiony tutaj jest ogólny i może być stosowany w prawie każdej aplikacji, w której wykonywane są kroki symulacji i przetwarzania. W tym przykładzie przypadku użyto prostej symulacji neutronowej w kontekście elektrowni fuzyjnej.
W reaktorze fuzyjnym deuter i tryt łączą się, aby wytwarzać energię i neutrony. Deuter jest naturalnym izotopem wodoru, ale tryt musi być wytwarzany przez reaktor za pomocą neutronów wygenerowanych w procesach fuzyjnych. Aby symulować wytwarzane neutrony, użyto kodu symulacji Monte Carlo, który śledzi neutrony wokół reaktora, stosując losowe interakcje z materiałem podczas przechodzenia przez niego.
Jako wskaźnik wydajności porównawczej, oblicza się kluczowy wskaźnik wydajności zwany współczynnikiem hodowli trytu, który dostarcza proporcję trytu wytworzonego przez interakcje neutronowe do ilości trytu zużytego w reakcji. Symulacja używa prostej geometrii CAD opartej na kształcie sferycznego tokamaka, aby modelować ilość trytu wytworzonego przez płaszcz owijający naczynie plazmowe, i wydaje zestaw śladów neutronów. Aby rozpocząć protokół, założono, że silnik kontenerów i platforma wizualizacji 3D zostały zainstalowane, postępując zgodnie z repozytorium projektu na lokalny komputer.
Uruchom serwer zarządcy przepływów za pomocą dostarczonego skryptu powłoki, który używa silnika kontenerów do wdrożenia przenośnej instancji. Gdy system jest uruchomiony, uzyskaj dostęp do lokalnego interfejsu internetowego, aby utworzyć konto użytkownika administracyjnego i zalogować się. Przejdź do preferencji użytkownika, aby wygenerować unikalny klucz API.
Ten klucz uwierzytelnia platformę wizualizacji 3D, gdy wykonuje wywołania do zarządcy przepływów. Następnie skonfiguruj platformę wizualizacji 3D, przechodząc do odpowiedniego pliku w folderze rozszerzeń. Dodaj klucz API do tego pliku konfiguracyjnego.
Upewnij się, że ten prywatny klucz 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 z rozszerzeniem z sklonowanego repozytorium. Na koniec włącz rozszerzenie.
Można wybrać opcję automatycznego ładowania, aby było automatycznie włączone po ponownym uruchomieniu. Aby uruchomić dowolne pojedyncze narzędzie, pliki wejściowe muszą najpierw zostać przekazane do usługi. Utwórz nową historię i nazwę ją.
Historie działają jako osobne obszary robocze dla każdego zestawu narzędzi lub przepływów. Kliknij przycisk Wgraj. Wybierz wymaganą geometrię CAD i zestawy danych konfiguracyjnych z przykładowych plików w repozytorium i kliknij Start.
Wejścia pojawią się w panelu Historia po prawej stronie ekranu. Przejdź do wymaganego narzędzia symulacji Monte Carlo na lewym panelu i kliknij na nie. 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 wyróżnienia 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 skończy pracę, można zobaczyć wyniki symulacji. Kliknij zestaw danych współczynnika hodowli trytu w panelu historii, aby go rozwinąć.
To wyświetla proporcję obliczoną przez symulację neutronową i skojarzony błąd statystyczny. Narzędzia są bardziej przydatne, gdy są używane w przepływach, które pozwalają na wywoływanie wielu narzędzi w jednym wywołaniu i automatycznie kontrolowanie przepływu danych między nimi. Aby powtórzyć poprzedni potok analizy, kliknij Przepływy, a następnie utwórz i nazw nowy przepływ.
Importuj narzędzia do panelu Narzędzia, klikając je. Następnie dodaj dwa zestawy danych jako wejścia i nadaj im nazwy. Gdy wszystkie narzędzia i wejścia są na płótnie, poł
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
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.
