OntoExpLine: Rumo a uma Ontologia para Representação de Linhas de Experimento Algébricas
Resumo
Workflows científicos são comumente usados como uma abstração para implementar simulações complexas de Ciência Computacional e Engenharia (CSE). Entretanto, gerenciar experimentos de CSE não é uma tarefa simples. Um mesmo experimento pode envolver a execução e a análise correlacionada de vários workflows. Conforme os experimentos se tornam mais complexos, a composição dos workflows necessita de níveis de abstrações maiores e apoio semântico. As linhas de experimentos algébricas (LinExps) são uma abordagem inovadora e promissora para modelar experimentos CSE em diferentes níveis de abstração. Apesar de representar um avanço, as LinExps ainda carecem de apoio em relação à dados do domínio do experimento e checagens automáticas para auxiliar os cientistas no processo de derivação de workflows (criar workflows executáveis a partir de uma representação abstrata). Este artigo propõe a OntoExpLine, uma ontologia de LinExp que busca oferecer maior semântica e flexibilidade ao processo de experimentação científica.
Referências
de Almeida Falbo, R. (2014). Sabio: Systematic approach for building ontologies. In Joint Workshop ONTO.COM / ODISE on Ontologies in Conceptual Modeling and Information Systems Engineering, CEUR Workshop Proceedings. CEUR-WS.org.
de Oliveira, D., Ogasawara, E. S., Dias, J., Baião, F. A., and Mattoso, M. (2012). Ontologybased semi-automatic workflow composition. JIDM, 3(1):61–72.
Dias, L. G., Lopes, B., and de Oliveira, D. (2019). Aplicação de ontologias de proveniência em workflows científicos: um mapeamento sistemático. In XIII BreSci. SBC.
Freire, J., Koop, D., Santos, E., and Silva, C. T. (2008). Provenance for computational tasks: A survey. Comput. Sci. Eng., 10(3):11–21.
Gil, Y., Ratnakar, V., Kim, J., González-Calero, P. A., Groth, P. T., Moody, J., and Deelman, E. (2011). Wings: Intelligent workflow-based design of computational experiments. IEEE Intell. Syst., 26(1):62–72.
Gruber, T. R. et al. (1993). A translation approach to portable ontology specifications. Knowledge acquisition, 5(2):199–221.
Guarino, N. (1997). Understanding, building and using ontologies. International Journal of Human-Computer Studies, 46(2-3):293–310.
Ison, J., Kalaš, M., Jonassen, I., Bolser, D., Uludag, M., McWilliam, H., Malone, J., Lopez, R., Pettifer, S., and Rice, P. (2013). Edam: an ontology of bioinformatics operations, types of data and identifiers, topics and formats. Bioinformatics, 29(10):1325–1332.
Marinho, A., de Oliveira, D., Ogasawara, E. S., Sousa, V. S., Ocaña, K. A. C. S., Murta, L., Braganholo, V., and Mattoso, M. (2017). Deriving scientific workflows from algebraic experiment lines: A practical approach. FGCS, 68:111–127.
Mcguinness, D. L., Fikes, R., Hendler, J., and Stein, L. A. (2002). Daml+oil: an ontology language for the semantic web. IEEE Intelligent Systems, 17(5):72–80.
Ocaña, K. A., de Oliveira, D., Ogasawara, E., Dávila, A. M., Lima, A. A., and Mattoso, M. (2011). Sciphy: a cloud-based workflow for phylogenetic analysis of drug targets in protozoan genomes. In BSB, pages 66–70. Springer.
Ogasawara, E. S., de Oliveira, D., Valduriez, P., Dias, J., Porto, F., and Mattoso, M. (2011). An algebraic approach for data-centric scientific workflows. PVLDB, 4(12):1328–1339.
Sameh, A., Cybenko, G., Kalos, M., Neves, K., Rice, J., Sorensen, D., and Sullivan, F. (1996). Computational science and engineering. ACM Comput. Surv., 28(4):810–817.
Weibel, S. L. and Koch, T. (2000). The dublin core metadata initiative. D-lib magazine, 6(12):1082–9873.
