Can Large Language Models Engineer Parallel Workflows - Scripts

Este diretório reúne todos os scripts de workflow que funcionaram (Funcionou? = 1) no estudo, junto com os arquivos auxiliares que cada script precisa para ser compreendido e reexecutado. Os scripts são gerados por LLM (Command, Deepseek, GPT, Gemma) mais as implementações de referência, escritas à mão, usadas como ground truth (verdade de base). A cobertura abrange os três algoritmos (kmeans, matmul, lysozyme) em três frameworks de workflow (Nextflow, Parsl, PyCOMPSs).

Os arquivos indicados como RQ2 representam nossa Research Question 1, para geração de workflows e os arquivos indicados como RQ7 representam nossa Research Question 2, para tradução de workflows.

Organização das pastas

<arm>/<cell>/<script de entrada + arquivos auxiliares>

Pastas de nível superior <arm>:

• reference/ – as implementações de workflow de referência (escritas por humanos).
• raw_success/ – saída da LLM que executou com zero intervenção humana.
• fixed_success/ – saída da LLM que só executou após uma correção humana simples (um ajuste pequeno e mecânico; veja a coluna notes do INDEX.csv).

Cada pasta <cell> é nomeada <framework>_<algorithm> para células de referência, ou <model>_<prompt>_<tema>_<framework>_<algorithm> nos demais casos.

O que há dentro de cada célula

• O script de workflow de entrada (nome de arquivo original preservado).
• Apenas os arquivos auxiliares que o script de entrada referencia pelo nome em seu próprio diretório: scripts auxiliares que ele chama (ex.: run_kmeans.py, matmul.py) e arquivos de entrada nomeados que ele lê (ex.: mat1.txt, dataset_noheader.csv), além de nextflow.config / bin/ quando presentes. Arquivos não relacionados que apenas coexistem no mesmo diretório de origem (multi-algoritmo) não são incluídos deliberadamente; arquivos de prompt da LLM e entradas de outros algoritmos mencionados apenas em código morto/residual são excluídos.
• Para cada célula de lysozyme, o conjunto padrão de entradas do GROMACS é incluído em config/ (ions.mdp, minim.mdp, genion.group, energy.selection) e dataset/ (1AKI.pdb) — são as entradas que os workflows de lysozyme esperam.
• Para cada célula de LLM (raw_success/ e fixed_success/), prompt.txt — o prompt exato fornecido ao modelo para gerar aquele script. O prompt é definido por (RQ, modelo, tipo de prompt, framework) e cobre os três algoritmos, então o mesmo prompt.txt aparece nas células de kmeans/matmul/lysozyme de um mesmo arm. Células de referência não têm prompt (escritas por humanos).

INDEX.csv

O INDEX.csv mapeia cada célula de volta à sua origem: arm, model, prompt, tema, framework, algorithm, run, o caminho original do script de entrada, a pasta de upload, a lista de arquivos copiados e observações (notes). Use-o para rastrear qualquer pasta até o repositório de origem.

A coluna run registra qual das 5 execuções (runs) produziu o script que funcionou e foi enviado (N/A para células de referência). Ela é extraída do caminho original do script de entrada e conferida contra analises/analises_workflows_completo.csv: todo valor corresponde a uma run cujo Funcionou? é 1.