概念

Nodes 和链接

AiiDA 中最重要的两个 import 概念是 数据 和 processes 。前者是数据块，如简单的整数或浮点数，后者是更复杂的数据概念，如参数字典、文件文件夹或晶体结构。Processes 对这些数据进行操作，以产生新数据。

Processes 有两种不同的形式：

• 计算 是能够 创造 新数据的 processes。例如，产生新数据的外部模拟代码就是这种情况。

• Workflow 是 协调 其他 workflow 和计算的 processes，即它们管理逻辑流，能够 调用 其他 processes。Workflow 有数据输入，但不能生成新数据。它们只能返回数据库中已有的数据(一种典型的情况是返回由它们调用的计算创建的数据)。

数据和 processes 在 AiiDA provenance graph 中表示为该图的 nodes 。图边被称为 链接 ，有不同的形式：

• 输入 链接：将数据 node 连接到将其用作输入的 process 个 node，包括计算和 workflow。

• 创建 链接：将计算 node 与它们创建的数据 node 连接起来

• 返回 链接：将 workflow node 连接到它们返回的数据 node

• 调用 链接：将 workflow nodes 连接到它们直接调用的 process nodes 上，无论是计算还是 workflows

请注意， 创建 和 返回 链接通常统称为 输出 链接。

数据 provenance 和逻辑 provenance

AiiDA 自动在数据库中存储实体，并将它们连接起来，形成一个 有向图 。这个有向图自动追踪所有由计算产生或由workflow返回的数据的 provenance 。通过这种方式跟踪 provenance，人们总能完全追溯到某个特定数据是如何产生的，从而确保其可重复性。

我们特别定义了两种类型的 provenance：

• 数据 provenance，由图形中只包含数据和计算(即不考虑 workflow)的部分以及连接它们的 输入 和 创建 链接组成。数据 provenance 记录了数据生成的全部历史。根据因果关系原理，数据图 provenance 的部分是 有向无循环图 (DAG)，即其 node 由有向边连接，不包含任何循环。

• 逻辑 provenance由 workflow 和数据 node 以及连接它们的 输入 、 返回 和 调用 链路组成。逻辑 provenance 并非不可循环，例如，作为过滤器的 workflow 可以返回自己的一个输入，直接引入一个循环。

数据 provenance 实质上是一个日志，记录了使用特定输入进行的计算产生了哪些数据。仅数据 provenance 就已经保证了可重复性(人们可以使用所提供的输入再次逐一运行计算，并获得相同的输出)。逻辑 provenance 则提供了更多信息，说明为什么要进行特定计算。试想一下，从 100 个结构开始，通过过滤操作选出其中一个，然后对其进行模拟运算。数据 provenance 只显示了在被选中的结构上运行的模拟，而逻辑 provenance 还可以显示特定结构不是随机选中的，而是通过特定的 workflow 逻辑选中的。

其他实体

除了 node(数据和 processes)，AiiDA 还定义了其他一些实体，如 Computer (代表运行计算或存储数据的计算机、超级计算机或计算机集群)、 Group (为组织目的将 node 组合在一起)和 User (跟踪首次生成特定 node、计算机或组的用户)。

在下面的章节中，我们将更详细地描述上述 provenance 概念在 AiiDA 中的实际实现方式，并具体提及实现这些概念的 python 类和类继承关系。