CELEBI: Design and Realization of a Reproducible Physics Analysis Framework

Dans le vaste monde à enjeux élevés de la physique des particules, les scientifiques ne se contentent pas de regarder à travers un microscope pour trouver des réponses. Au lieu de cela, ils construisent des machines massives qui fracassent des particules les unes contre les autres, créant une pluie chaotique de signaux qui doivent être traduits en connaissances. Cette traduction n'est pas un instant unique de découverte, mais un long et sinueux voyage de calcul. Les détecteurs capturent des données brutes, qui sont ensuite traitées via des systèmes centralisés pour créer des ensembles de données plus propres. Ce n'est qu'alors que les chercheurs individuels commencent leur propre travail : écrire du code pour sélectionner des événements spécifiques, ajuster des paramètres mathématiques et exécuter des tests statistiques complexes pour voir si une nouvelle particule a été trouvée ou si une théorie se confirme. Tout ce processus est une chaîne de décisions, où le résultat final dépend d'une combinaison spécifique de logiciels, de réglages et d'entrées de données.

Le défi pour la communauté scientifique est que cette chaîne est en mouvement constant. À mesure que les chercheurs affinent leurs méthodes, ils modifient le code, ajustent les chiffres et remplacent les ensembles de données. Un résultat publié aujourd'hui peut reposer sur une version d'un programme qui sera altérée demain. Si un scientifique d'il y a cinq ans veut vérifier un résultat, ou si une nouvelle équipe souhaite bâtir sur une ancienne découverte, elle fait face à un puzzle difficile : comment reconstruire l'état exact du travail au moment où il a été effectué. Il ne suffit pas de sauvegarder les chiffres finaux ou le code source seul ; il faut préserver tout le contexte de la manière dont ces chiffres ont été produits. Sans cela, l'histoire de la découverte scientifique devient une collection de clichés déconnectés, où le chemin allant d'une question à une réponse est perdu.

Pour résoudre cela, un cadre appelé Celebi a été développé par Mingrui Zhao de l'Université de Pékin. Ce système est conçu pour gérer la vie d'une analyse de physique, en la traitant non pas comme un fichier statique, mais comme une collection de matériaux vivante et évolutive. Le chercheur a réalisé que la manière dont les scientifiques organisent actuellement leur travail mélange souvent les instructions d'un calcul avec les quantités massives de données que ces calculs produisent. Cela rend difficile le suivi précis de quelle version d'un programme a conduit à quel résultat, surtout lorsque le travail évolue dans le temps. Celebi sépare ces deux mondes. Il garde les instructions légères — le code, les réglages et la logique — dans un endroit, tandis que les données lourdes générées vivent dans un autre. Cette séparation permet aux instructions d'être préservées de manière claire et organisée sans être entravées par les téraoctets de données qu'elles produisent.

Le cœur de Celebi est une nouvelle façon de concevoir la construction d'une analyse. Le chercheur a introduit un concept qu'il appelle un « flux de travail matérialisé » (materialized workflow). Dans l'informatique traditionnelle, un flux de travail est souvent simplement une liste d'étapes indiquant à un ordinateur ce qu'il doit faire ensuite. Dans Celebi, le flux de travail est construit à partir d'objets réels et tangibles qui représentent les parties de l'analyse. Le système distingue un « algorithme », qui est la recette générale d'un calcul, et une « tâche », qui est l'application spécifique de cette recette à un ensemble particulier de données avec des réglages spécifiques. Imaginez un chef qui possède une recette maîtresse pour une soupe (l'algorithme) mais qui prépare différentes fournées pour différents clients, en ajoutant des quantités variables de sel ou en utilisant différents légumes (les tâches). Dans ce système, la recette maîtresse reste la même, mais chaque fournée spécifique est enregistrée comme une tâche unique qui est liée à la recette et aux ingrédients spécifiques utilisés. Cette structure permet au même morceau de code d'être réutilisé dans de nombreuses parties différentes d'une analyse sans avoir à copier et coller le code, réduisant ainsi les erreurs et rendant l'historique du travail beaucoup plus clair.

Pour rendre cette structure facile à lire et à comprendre pour les humains, le chercheur a organisé les fichiers numériques de manière à refléter la structure logique de l'analyse. Au lieu de tout cacher dans des dossiers complexes et invisibles, le système utilise une hiérarchie claire de projets, de répertoires, d'algorithmes et de tâches. Chacun de ces objets porte ses propres notes et descriptions, de sorte que toute personne consultant le système de fichiers puisse immédiatement comprendre ce qu'un morceau de code fait et comment il se connecte au reste du travail. Cette organisation garantit que l'analyse reste auto-descriptive ; le contexte est intégré directement dans les fichiers eux-mêmes. De plus, le système traite les entrées de données différemment selon leur provenance. Si une donnée est générée par une étape précédente de l'analyse, le système suit le lien entre les tâches. Si la donnée provient de l'extérieur, le système crée un objet spécifique pour marquer l'entrée de ces données externes dans le flux de travail. Cela crée une carte cohérente de l'origine de chaque pièce d'information, quelle que soit sa source.

L'innovation la plus critique de Celebi est un mécanisme appelé « impressions ». Puisque l'analyse de travail est toujours en mutation, le chercheur avait besoin d'un moyen de figer un moment précis dans le temps sans arrêter le travail. Une impression est comme un instantané de l'analyse entière à un moment donné, capturant l'état exact du code, des paramètres et des dépendances. Une fois qu'une impression est faite, elle est immuable ; elle ne peut pas être modifiée. Si le scientifique modifie plus tard le code ou les réglages, il crée un nouvel état de travail, mais l'ancienne impression reste exactement telle qu'elle était. Cela lui permet de conserver un enregistrement permanent des conditions dans lesquelles un résultat spécifique a été produit. Si un résultat est généré, il est directement lié à l'impression qui l'a créé. Cela signifie que même des années plus tard, un scientifique peut regarder un résultat et savoir précisément quelle version du code et quels réglages spécifiques ont été utilisés pour le produire, car ce résultat est lié de façon permanente à cet instantané inaltérable.

Le système sépare également l'acte de préservation de l'analyse de l'acte de son exécution. Les instructions préservées sont stockées dans un référentiel, mais lorsqu'il est temps d'effectuer le calcul réel, un système distinct appelé « Production Factory » prend le relais. Une couche intermédiaire, nommée Yuki, sert de pont entre les deux. Lorsqu'un état préservé doit être exécuté, Yuki traduit les instructions stockées en un format qu'un ordinateur peut exécuter et l'envoie à un exécuteur de flux de travail. Cette conception signifie que la manière dont l'analyse est stockée ne dépend pas de l'ordinateur ou du logiciel spécifique utilisé pour l'exécuter. Le chercheur peut changer l'environnement de calcul ou les outils d'exécution sans avoir à réécrire l'analyse elle-même. Cette flexibilité garantit que l'analyse peut être préservée à long terme, même à mesure que la technologie utilisée pour l'exécuter évolue.

En combinant ces éléments, Celebi fournit un cadre complet pour gérer le cycle de vie d'une analyse de physique. Il offre un moyen de garder les instructions d'un calcul séparées des données massives qu'il produit, organise ces instructions dans une structure lisible par l'homme et crée des enregistrements permanents et immuables de certains états. Cette approche répond à un problème fondamental de la science moderne : la difficulté de reproduire des résultats lorsque le travail sous-jacent est en constante mutation. Le chercheur démontre qu'en traitant une analyse comme une collection d'objets structurés et interconnectés et en utilisant des impressions pour verrouiller des états spécifiques, il est possible de maintenir une ligne de preuve claire et ininterrompue, depuis la question initiale jusqu'à la réponse finale. Ce travail pose les fondations d'un avenir où les résultats scientifiques ne sont pas seulement publiés, mais sont pleinement préservés, traçables et prêts à être revisités et vérifiés par quiconque, n'importe où, à tout moment.