实现

图表 nodes

AiiDA provenance graph 的 nodes 可分为两大 类型： process nodes** ( ProcessNode )，代表计算或 workflows 的执行；数据 nodes ( Data )，代表数据块。

其中，process nodes 又分为两个子类别：

• 计算 nodes ( CalculationNode )：表示执行代码，创建新数据。它们又分为两个子类：

  • CalcJobNode: Represents the execution of a calculation external to AiiDA, typically via a job batch scheduler (see the concept of calculation jobs).

  • CalcFunctionNode: Represents the execution of a python function (see the concept of calculation functions).

• workflow nodes ( WorkflowNode )：代表协调执行其他 workflow 和计算的 python 代码，可选择返回它们调用的 processes 创建的数据。它们又被细分为两个子类：

  • WorkChainNode: Represents the execution of a python class instance with built-in checkpoints, such that the process may be paused/stopped/resumed (see the concept of work chains).

  • WorkFunctionNode: Represents the execution of a python function calling other processes (see the concept of work functions).

process nodes 的类层次结构如下图所示。

图 21 process nodes ORM 类的层次结构。只有最底层类的实例才会实际进入 provenance graph。上层的两个类主要用于分类，因为它们允许我们在对图进行推理时同时引用多个类，同时也是定义通用功能的地方(参见 processes 部分)。

对于数据 node，基类 ( Data ) 被子类化，以提供特定于数据类型的功能和对其进行操作的 python 方法。通常情况下，子类的名称会包含 ‘数据’ 一词，但这并不是必须的。下面是几个例子：

• Float, Int, Bool, Str, List, …

• Dict: represents a dictionary of key-value pairs - these are parameters of a general nature that do not need to belong to more specific data sub-classes

• StructureData: represents crystal structure data (containing chemical symbols, atomic positions of the atoms, periodic cell for periodic structures, …)

• ArrayData: represents generic numerical arrays of data (python numpy arrays)

• KpointsData: represents a numerical array of k-points data, is a sub-class of ArrayData

更多详细信息，请参见 AiiDA data types 。

在下一节中，我们将介绍 nodes 之间的联系，创建 AiiDA 图，然后通过一些示例来说明我们到目前为止所介绍的内容。

图表链接

Process node 通过定向链接与其输入和输出数据 node 相连。计算 processes 可以 创建 数据，而 workflow processes 可以 调用 计算并 返回 其输出。请看下图示例，我们用圆形表示**数据 nodes ，用正方形表示 计算 nodes ，用菱形表示 workflow nodes**。

图 22 简单的 provenance graph 代表 workflow (w₁) calling a calculation (C₁). The workflow takes a single data node (D₁) as input, and passes it to the calculation when calling it. The calculation creates a new data node (D₂)，也是由 workflow node 返回的。

请注意，进入 D₂ 的两个链接在样式和名称上的不同是有意为之的，因为是计算 创建 了新数据，而 workflow 只是 返回 了新数据。这种微妙的区别会产生重大影响。通过允许 workflow processes 返回 数据，它也可以 返回 其输入中的数据。

图 23 Provenance graph 示例：workflow node **接收三个 数据 node**作为输入，并 返回 其中一个输入。从 D₃ 到 W₁ 的输入链接和从 W₁ 到 D₃ 的返回链接在图中引入了一个循环。

这样的情况在 图 23 中表示，将在 provenance graph 中创建一个循环，破坏 DAG 的 非循环性。为了恢复有向无环图，我们将整个 provenance graph 分成两个平面，如上所述：数据 provenance 和**逻辑 provenance**。这样划分后，数据 provenance 平面上的图的无循环性就恢复了。

从这两个平面来考虑 provenance graph 的另一个好处是，它可以让您以不同的粒度层来检查它。想象一下，一个高层 workflow 调用大量的计算和子 workflow，每个计算和子 workflow 还可能调用更多的子 processes，最终产生并返回一个或多个数据 node，作为其结果。

图表示例

有了 AiiDA 的 provenance graph 的这些基本定义，让我们来看一些例子。考虑将两个数字 x 和 y 相加，然后将结果与第三个数字 z. This sequence as represented in the provenance graph would look something like what is shown in 图 24 相乘的计算序列。

图 24 计算 (x+y)*z 的 DAG。我们有两个简单的计算：C_{1`表示加法，C:sub:`2`表示乘法。两个数据 nodes D:sub:`1} 和 D₂ 是 C₁, which creates the data node D₄. Together with D₃, D₄ 的输入，然后形成 C₂, which multiplies their values that creates the product, represented by D₅ 的输入。

在这个简单的例子中，没有外部 process 来控制这些运算的确切顺序。然而，通过添加一个 workflow 来调用这两个连续的计算，就可以想象出这样的结果，如 图 25 所示。

图 25 使用 workflow 进行同样的计算 (x+y)*z。这里的数据 nodes D₁, D₂, and D₃ 是 workflow W₁, which calls calculation C₁ 的输入，输入为 D₁ 和 D：sub:2. It then calls calculation C₂, using as inputs D₃ 和 D_{4`(由 C:sub:`2}). Calculation C₂ 创建 数据 node D₅, which is finally returned by workflow W₁.

请注意，如果我们省略 图 25, one would end up with the exact same graph as shown in 图 24 中 provenance graph 的 workflow nodes 及其所有链接(数据 provenance 图)。