Интеграция автоматизированных рабочих процессов симуляции с 3D-визуализацией для виртуальных экспериментов в метавселенной
July 21st, 2026
Представлен обобщённый, соответствующий стандартам FAIR метод, для исследователей-экспертов, стремящихся интегрировать инструменты моделирования и обработки данных в автоматизированные рабочие процессы для 3D-виртуальных экспериментов. Пример нейтроников демонстрирует настройку локального экземпляра Galaxy, обёртку OpenMC и инструментов конвертации файлов, запуск рабочих процессов из Omniverse и визуализацию конвертированных 3D-выходов.
Интеграция автоматизированных симуляционных рабочих процессов с 3D-визуализацией для виртуальных экспериментов в Метавселенной. Рабочий процесс - это цепочка инструментов, определяющих поток данных между ними. Во многих виртуальных экспериментах исследователи вручную подключают несколько инструментов симуляции и обработки, что плохо масштабируется и мешает воспроизводимости.
Рабочие процессы решают эту проблему, поскольку они абстрактны, автоматизированы, масштабируемы, переносимы, обмениваемы и цитируемы. Они позволяют существующим симуляционным кодам и этапам обработки заключать в инструменты, доступные в удобном интерфейсе. Затем их можно связать и переконфигурировать без необходимости вручную создавать специальные сценарии автоматизации.
Инструменты также могут быть обменяны, что уменьшает необходимость изучать новые интерфейсы и позволяет исследователям вместо этого сосредоточиться на настройке симуляций и интерпретации результатов. Этот протокол демонстрирует развертывание локально контейнеризированного менеджера рабочих процессов. В этой конфигурации конечный пользователь взаимодействует с платформой 3D-визуализации как фронт-энд.
Ссылка на рабочие процессы представлена в виде легковесного расширения Python, которое делает вызовы API к менеджеру рабочих процессов для запуска симуляций и получения результатов, все это внутри платформы визуализации. Представленная здесь система по своей природе является универсальной и может быть применена практически в любом приложении, где выполняются этапы симуляции и обработки. Для данного кейс-стади исследуется простая нейтронная симуляция в контексте ядерной электростанции на термоядерной энергии.
В термоядерном реакторе дейтерии и тритий сливаются вместе для производства энергии и нейтронов. Дейтерии является природным изотопом водорода, но тритий должен быть произведен самим реактором с помощью нейтронов, генерируемых в процессах термоядерной реакции. Для моделирования производимых нейтронов используется код симуляции Монте-Карло, который следит за нейтронами по всему реактору, применяя случайные взаимодействия с материалом при прохождении через него.
В качестве сравнительного показателя рассчитывается ключевой показатель эффективности под названием коэффициент размножения трития, который обеспечивает соотношение количества трития, произведенного в результате взаимодействий нейтронов, к количеству трития, потребленному в реакции. В симуляции используется простая геометрия САПР на основе сферической формы токамака для моделирования количества трития, произведенного оболочкой, обтекающей плазменный сосуд, и выводит набор данных о сгенерированных траекториях нейтронов. Для начала протокола предположим, что контейнерный движок и платформа 3D-визуализации уже были установлены, следуя репозиторию проекта на локальную машину.
Запустите сервер менеджера рабочих процессов с помощью предоставленного скрипта оболочки, который использует контейнерный движок для развертывания портируемой экземпляра. Как только система запущена, войдите в локальный веб-интерфейс для создания учетной записи администратора и входа в систему. Перейдите в настройки пользователя для создания уникального ключа API.
Этот ключ аутентифицирует платформу 3D-визуализации при вызове менеджера рабочих процессов. Затем настройте платформу 3D-визуализации, перейдя к соответствующему файлу в папке расширений. Добавьте ключ API в этот файл конфигурации.
Убедитесь, что этот закрытый ключ остается защищенным и не отправляется в общедоступные репозитории. Затем настройте платформу 3D-визуализации, перейдя в меню расширений, нажав на значок настроек и добавив локальный путь к папке расширений из клонированного репозитория. Наконец, включите расширение.
Можно выбрать опцию автоматической загрузки, чтобы она автоматически включалась при повторном запуске. Для запуска любого отдельного инструмента сначала необходимо загрузить входные файлы на сервис. Создайте новую историю и присвойте ей имя.
Истории действуют как отдельные рабочие области для каждого набора инструментов или запускаемых рабочих процессов. Нажмите кнопку Загрузить. Выберите необходимую геометрию CAD и наборы конфигурационных данных из примеров файлов в репозитории и нажмите Начать.
Входные данные появятся в панели Истории с правой стороны экрана. Перейдите к необходимому инструменту симуляции Монте-Карло на левой панели и нажмите на него. Выберите соответствующие входные наборы данных из текущей истории и запустите инструмент, нажав на выполнить.
Выходные данные изменят свой цвет с оранжевого, указывающего на обработку, на зеленый, указывающий на завершение. Серый используется для выделения ожидающих шагов, а красный - для неудачных шагов. Первый запуск может занять больше времени, так как изображение контейнера инструмента загружается.
Последующие запуски должны
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.