CELEBI: Design and Realization of a Reproducible Physics Analysis Framework

No vasto e de alto risco mundo da física de partículas, os cientistas não simplesmente olham através de um microscópio para encontrar respostas. Em vez disso, eles constroem máquinas massivas que colidem partículas, criando uma chuva caótica de sinais que devem ser traduzidos em conhecimento. Esta tradução não é um único momento de descoberta, mas uma longa e sinuosa jornada de computação. Os detectores capturam dados brutos, que são então processados através de sistemas centralizados para criar conjuntos de dados mais limpos. Somente então os pesquisadores individuais começam seu próprio trabalho: escrever código para selecionar eventos específicos, ajustar parâmetros matemáticos e executar testes estatísticos complexos para ver se uma nova partícula foi encontrada ou se uma teoria se sustenta. Todo este processo é uma cadeia de decisões, onde o resultado final depende de uma combinação específica de software, configurações e entradas de dados.

O desafio para a comunidade científica é que esta cadeia está em constante movimento. À medida que os pesquisadores refinam seus métodos, eles alteram o código, ajustam os números e substituem conjuntos de dados. Um resultado publicado hoje pode depender de uma versão de um programa que foi alterada amanhã. Se um cientista de cinco anos atrás quiser verificar um resultado, ou se uma nova equipe quiser construir sobre um achado antigo, eles enfrentam um quebra-cabeça difícil: como reconstruir o estado exato do trabalho quando ele foi feito. Não basta salvar apenas os números finais ou o código-fonte; é preciso preservar todo o contexto de como esses números foram feitos. Sem isso, a história da descoberta científica torna-se uma coleção de instantâneos desconectados, onde o caminho de uma pergunta até uma resposta é perdido.

Para resolver isso, um framework chamado Celebi foi desenvolvido por Mingrui Zhao, da Universidade de Pequim. Este sistema foi projetado para gerenciar a vida de uma análise de física, tratando-a não como um arquivo estático, mas como uma coleção de materiais viva e em evolução. O pesquisador percebeu que a maneira como os cientistas organizam seu trabalho atualmente muitas vezes mistura as instruções para um cálculo com as quantidades massivas de dados que esses cálculos produzem. Isso torna difícil rastrear exatamente qual versão de um programa levou a qual resultado, especialmente quando o trabalho muda ao longo do tempo. O Celebi separa esses dois mundos. Ele mantém as instruções leves — o código, as configurações e a lógica — em um lugar, enquanto os dados pesados gerados vivem em outro. Essa separação permite que as instruções sejam preservadas de uma forma clara e organizada, sem serem sobrecarregadas pelos terabytes de dados que produzem.

O núcleo do Celebi é uma nova forma de pensar sobre como uma análise é construída. O pesquisador introduziu um conceito que chama de "fluxo de trabalho materializado" (materialized workflow). No computador tradicional, um fluxo de trabalho é frequentemente apenas uma lista de etapas dizendo ao computador o que fazer a seguir. No Celebi, o fluxo de trabalho é construído a partir de objetos reais e tangíveis que representam as partes da análise. O sistema distingue entre um "algoritmo", que é a receita geral para um cálculo, e uma "tarefa", que é a aplicação específica dessa receita a um conjunto particular de dados com configurações específicas. Imagine um chef que tem uma receita mestra para uma sopa (o algoritmo), mas faz diferentes lotes para diferentes clientes, adicionando quantidades variadas de sal ou usando vegetais diferentes (as tarefas). Neste sistema, a receita mestra permanece a mesma, mas cada lote específico é registrado como uma tarefa única que se vincula à receita e aos ingredientes específicos usados. Esta estrutura permite que a mesma peça de código seja reutilizada em muitas partes diferentes de uma análise sem ter que copiar e colar o código, reduzindo erros e tornando o histórico do trabalho muito mais claro.

Para tornar esta estrutura fácil de ler e entender por humanos, o pesquisador organizou os arquivos digitais de uma forma que espelha a estrutura lógica da análise. Em vez de esconder tudo em pastas complexas e ocultas, o sistema utiliza uma hierarquia clara de projetos, diretórios, algoritmos e tarefas. Cada um desses objetos carrega suas próprias notas e descrições, de modo que qualquer pessoa que examine o sistema de arquivos possa compreender imediatamente o que um pedaço de código faz e como ele se conecta ao resto do trabalho. Esta organização garante que a análise permaneça autodescritiva; o contexto é construído dentro dos próprios arquivos. Além disso, o sistema lida com as entradas de dados de forma diferente, dependendo de onde elas vêm. Se os dados forem gerados por uma etapa anterior da análise, o sistema rastreia o vínculo entre as tarefas. Se os dados vierem de fora, o sistema cria um objeto específico para marcar onde esses dados externos entram no fluxo de trabalho. Isso cria um mapa consistente de onde cada peça de informação se originou, independentemente de sua fonte.

A inovação mais crítica do Celebi é um mecanismo chamado "impressões" (impressions). Como a análise de trabalho está sempre mudando, o pesquisador precisava de uma maneira de congelar um momento específico no tempo sem interromper o trabalho. Uma impressão é como um instantâneo de toda a análise em um determinado momento, capturando o estado exato do código, dos parâmetros e das dependências. Uma vez feita, a impressão é imutável; ela não pode ser alterada. Se o cientista alterar o código ou as configurações posteriormente, ele cria um novo estado de trabalho, mas a impressão antiga permanece exatamente como era. Isso permite que eles mantenham um registro permanente das condições sob as quais um resultado específico foi produzido. Se um resultado é gerado, ele está vinculado diretamente à impressão que o criou. Isso significa que, mesmo anos depois, um cientista pode olhar para um resultado e saber precisamente qual versão do código e quais configurações específicas foram usadas para criá-lo, porque esse resultado está permanentemente ligado àquela captura imutável.

O sistema também separa o ato de preservar a análise do ato de executá-la. As instruções preservadas são armazenadas em um repositório, mas quando chega a hora de realizar o cálculo real, um sistema separado chamado "Fábrica de Produção" (Production Factory) assume o controle. Uma camada de middleware, chamada Yuki, atua como a ponte entre os dois. Quando um estado preservado precisa ser executado, o Yuki traduz as instruções armazenadas para um formato que um computador possa executar e as envia para um executor de fluxo de trabalho (workflow runner). Este design significa que a maneira como a análise é armazenada não depende do computador ou software específico usado para executá-la. O pesquisador pode mudar o ambiente de computação ou as ferramentas de execução sem ter que reescrever a própria análise. Esta flexibilidade garante que a análise possa ser preservada a longo prazo, mesmo à medida que a tecnologia usada para executá-la evolui.

Ao combinar estes elementos, o Celebi fornece um framework completo para gerenciar o ciclo de vida de uma análise de física. Ele oferece uma maneira de manter as instruções para um cálculo separadas dos dados massivos que ele produz, organiza essas instruções em uma estrutura legível por humanos e cria registros permanentes e imutáveis de estados específicos. Esta abordagem aborda um problema fundamental na ciência moderna: a dificuldade de reproduzir resultados quando o trabalho subjacente está em constante mudança. O pesquisador demonstra que, ao tratar uma análise como uma coleção de objetos estruturados e interconectados e ao usar impressões para travar estados específicos, é possível manter uma linha clara e ininterrupta de evidências desde a pergunta original até a resposta final. Este trabalho lança as bases para um futuro onde os resultados científicos não são apenas publicados, mas totalmente preservados, rastreáveis e prontos para serem revisitados e verificados por qualquer pessoa, em qualquer lugar, a qualquer momento.