CELEBI: Design and Realization of a Reproducible Physics Analysis Framework

En el vasto y de alto riesgo mundo de la física de partículas, los científicos no simplemente miran a través de un microscopio para encontrar respuestas. En su lugar, construyen máquinas masivas que hacen chocar partículas entre sí, creando una lluvia caótica de señales que deben ser traducidas en conocimiento. Esta traducción no es un único momento de descubrimiento, sino un largo y sinuoso viaje de computación. Los detectores capturan datos brutos, que luego se procesan a través de sistemas centralizados para crear conjuntos de datos más limpios. Solo entonces los investigadores individuales comienzan su propio trabajo: escribir código para seleccionar eventos específicos, ajustar parámetros matemáticos y ejecutar pruebas estadísticas complejas para ver si se ha encontrado una nueva partícula o si una teoría se sostiene. Todo este proceso es una cadena de decisiones, donde el resultado final depende de una combinación específica de software, configuraciones y entradas de datos.

El desafío para la comunidad científica es que esta cadena está en constante movimiento. A medida que los investigadores perfeccionan sus métodos, cambian el código, ajustan los números y sustituyen los conjuntos de datos. Un resultado publicado hoy podría depender de una versión de un programa que fue alterada mañana. Si un científico de hace cinco años quiere verificar un resultado, o si un nuevo equipo quiere construir sobre un hallazgo antiguo, se enfrentan a un rompecabezas difícil: cómo reconstruir el estado exacto del trabajo cuando se realizó. No basta con guardar los números finales o el código fuente por sí solos; uno debe preservar todo el contexto de cómo se hicieron esos números. Sin esto, la historia del descubrimiento científico se convierte en una colección de instantáneas desconectadas, donde el camino desde una pregunta hasta una respuesta se pierde.

Para resolver esto, Mingrui Zhao, de la Universidad de Pekín, desarrolló un marco llamado Celebi. Este sistema está diseñado para gestionar la vida de un análisis de física, tratándolo no como un archivo estático, sino como una colección de materiales viva y en evolución. El investigador se dio cuenta de que la forma en que los científicos organizan actualmente su trabajo a menudo mezcla las instrucciones para un cálculo con las cantidades masivas de datos que esos cálculos producen. Esto dificulta el seguimiento de qué versión de un programa condujo a qué resultado, especialmente cuando el trabajo cambia con el tiempo. Celebi separa estos dos mundos. Mantiene las instrucciones ligeras —el código, la configuración y la lógica— en un lugar, mientras que los pesados datos generados viven en otro. Esta separación permite que las instrucciones se preserven de una manera clara y organizada sin verse agobiadas por los terabytes de datos que producen.

El núcleo de Celebi es una nueva forma de pensar en cómo se construye un análisis. El investigador introdujo un concepto que llama "flujo de trabajo materializado". En la computación tradicional, un flujo de trabajo es a menudo solo una lista de pasos que le dice a una computadora qué hacer a continuación. En Celebi, el flujo de trabajo se construye a partir de objetos reales y tangibles que representan las partes del análisis. El sistema distingue entre un "algoritmo", que es la receta general para un cálculo, y una "tarea", que es la aplicación específica de esa receta a un conjunto particular de datos con configuraciones específicas. Imagine a un chef que tiene una receta maestra para una sopa (el algoritmo) pero prepara diferentes lotes para diferentes clientes, añadiendo distintas cantidades de sal o usando diferentes vegetales (las tareas). En este sistema, la receta maestra permanece igual, pero cada lote específico se registra como una tarea única que se vincula a la receta y a los ingredientes específicos utilizados. Esta estructura permite que la misma pieza de código se reutilice en muchas partes diferentes de un análisis sin tener que copiar y pegar el código, reduciendo errores y haciendo que la historia del trabajo sea mucho más clara.

Para que esta estructura sea fácil de leer y comprender para los humanos, el investigador organizó los archivos digitales de una manera que refleja la estructura lógica del análisis. En lugar de esconder todo en carpetas complejas y ocultas, el sistema utiliza una jerarquía clara de proyectos, directorios, algoritmos y tareas. Cada uno de estos objetos lleva sus propias notas y descripciones, de modo que cualquier persona que observe el sistema de archivos pueda comprender inmediatamente qué hace una pieza de código y cómo se conecta con el resto del trabajo. Esta organización asegura que el análisis siga siendo autodescriptivo; el contexto está integrado en los propios archivos. Además, el sistema maneja las entradas de datos de manera diferente dependiendo de dónde provengan. Si los datos son generados por un paso previo en el análisis, el sistema rastrea el vínculo entre las tareas. Si los datos provienen del exterior, el sistema crea un objeto específico para marcar dónde entran esos datos externos en el flujo de trabajo. Esto crea un mapa consistente de dónde se originó cada pieza de información, independientemente de su fuente.

La innovación más crítica de Celebi es un mecanismo llamado "impresiones" (impressions). Dado que el análisis de trabajo siempre está cambiando, el investigador necesitaba una forma de congelar un momento específico en el tiempo sin detener el trabajo. Una impresión es como una instantánea de todo el análisis en un momento determinado, capturando el estado exacto del código, los parámetros y las dependencias. Una vez que se realiza una impresión, esta es inmutable; no se puede cambiar. Si el científico altera más tarde el código o la configuración, crea un nuevo estado de trabajo, pero la impresión antigua permanece exactamente como era. Esto permite mantener un registro permanente de las condiciones bajo las cuales se produjo un resultado específico. Si se genera un resultado, este queda vinculado directamente a la impresión que lo creó. Esto significa que, incluso años después, un científico puede observar un resultado y saber precisamente qué versión del código y qué configuraciones específicas se utilizaron para crearlo, porque ese resultado está permanentamente vinculado a esa instantánea inalterable.

El sistema también separa el acto de preservar el análisis del acto de ejecutarlo. Las instrucciones preservadas se almacenan en un repositorio, pero cuando llega el momento de realizar el cálculo real, un sistema separado llamado "Fábrica de Producción" (Production Factory) toma el control. Una capa de middleware, llamada Yuki, actúa como el puente entre ambos. Cuando se necesita ejecutar un estado preservado, Yuki traduce las instrucciones almacenadas a un formato que una computadora pueda ejecutar y lo envía a un ejecutor de flujo de trabajo. Este diseño significa que la forma en que se almacena el análisis no depende de la computadora o el software específico utilizado para ejecutarlo. El investigador puede cambiar el entorno de computación o las herramientas de ejecución sin tener que reescribir el análisis mismo. Esta flexibilidad asegura que el análisis pueda preservarse a largo plazo, incluso a medida que la tecnología utilizada para ejecutarlo evolucione.

Al combinar estos elementos, Celebi proporciona un marco completo para gestionar el ciclo de vida de un análisis de física. Ofrece una forma de mantener las instrucciones para un cálculo separadas de los masivos datos que este produce, organiza esas instrucciones en una estructura legible para los humanos y crea registros permanentes e inalterables de estados específicos. Este enfoque aborda un problema fundamental en la ciencia moderna: la dificultad de reproducir resultados cuando el trabajo subyacente está en constante cambio. El investigador demuestra que, al tratar un análisis como una colección de objetos estructurados e interconectados y al utilizar impresiones para bloquear estados específicos, es posible mantener una línea de evidencia clara e ininterrumpida desde la pregunta original hasta la respuesta final. Este trabajo sienta las bases para un futuro donde los resultados científicos no sean solo publicados, sino que estén plenamente preservados, sean trazables y estén listos para ser revisados y verificados por cualquier persona, en cualquier lugar, en cualquier momento.